Bina AI Agent dengan CrewAI: Tutorial Langkah demi Langkah

CrewAI ialah rangka kerja Python sumber terbuka untuk membina sistem AI berbilang agent: anda menakrifkan setiap agent dengan satu peranan dan satu set alatan, memberinya tugas, dan menjalankannya bersama sebagai "crew" yang bekerjasama ke arah satu hasil. Ia ialah alternatif berasaskan kod kepada pembina visual no-code seperti Lindy atau n8n, dibina untuk pasukan yang mahukan kawalan terus ke atas cara agent berfikir, menyerahkan kerja dan memanggil alatan. Panduan ini menerangkan cara memasangnya, membina crew berbilang agent yang berfungsi, dan memutuskan sama ada ia platform yang tepat untuk pasukan anda.

Apa Sebenarnya CrewAI

CrewAI ialah rangka kerja Python yang berdiri sendiri, bukan lapisan yang dibina di atas LangChain. Ia menyediakan primitifnya sendiri untuk agent, tugas, crew dan orkestrasi, serta berfungsi dengan OpenAI, Anthropic, model tempatan melalui Ollama, dan kebanyakan penyedia LLM utama yang lain. Rangka kerja terasnya ialah sumber terbuka di bawah lesen MIT; lapisan komersial berasingan, CrewAI Enterprise (juga dipanggil AMP), menambah penempatan terhos, papan pemuka kebolehcerapan dan pengurusan pasukan bagi organisasi yang tidak mahu menjalankan dan memantau crew sendiri.

Ini bukan lagi kategori projek hobi. Gartner menjangkakan 40% aplikasi perusahaan akan menampilkan AI agent khusus tugas menjelang akhir 2026, meningkat daripada kurang 5% pada 2025, dan tapak CrewAI sendiri melaporkan lebih 450 juta aliran kerja agentic dijalankan melalui rangka kerja ini setiap bulan, dengan penggunaan di syarikat termasuk DocuSign, Experian, PepsiCo dan IBM.

Ia salah satu daripada beberapa rangka kerja kod yang dibina khusus untuk sistem berbilang agent, bersama pilihan seperti LangGraph, AutoGen daripada Microsoft, dan OpenAI Agents SDK. Tiada satu pun yang "terbaik" secara objektif. Tawaran khusus CrewAI ialah API berasaskan peranan yang mudah dibaca: anda menerangkan agent seperti anda menerangkan sebuah pasukan, dengan peranan, matlamat dan latar belakang yang membentuk nada dan pertimbangan, menjadikan logik sesebuah crew lebih mudah dibaca semula setahun kemudian berbanding rangka kerja yang lebih berat pada graf.

Gartner secara berasingan mengesan lonjakan 1,445% dalam pertanyaan pelanggan tentang sistem berbilang agent antara Q1 2024 dan Q2 2025, dan rangka kerja seperti CrewAI ialah tindak balas langsung kepada permintaan itu: satu cara untuk membina corak orchestrator-worker dan serahan rakan setara yang dibincangkan dalam sistem berbilang agent tanpa menulis logik penyelarasan dari awal.

Kosa Kata CrewAI, Dipetakan kepada 6 Blok Binaan

Jika anda sudah membaca cara membina AI agent, anda sudah tahu enam blok yang diperlukan setiap agent: Peranan, Alatan, Peraturan, Panduan senario, Logik keputusan dan Pagar pelindung. CrewAI memberi setiap satunya tempat yang konkrit dalam kod.

Tiada apa di sini yang unik kepada CrewAI dari segi konsep. Yang berubah antara platform ialah berapa banyak yang anda tulis berbanding anda konfigurasikan secara visual, dan itulah tepatnya soalan yang AI agent no-code berbanding kod dibina untuk membantu anda menjawabnya.

Memasang CrewAI

CrewAI dipasang seperti mana-mana pakej Python:

pip install crewai
pip install 'crewai[tools]'

Tambahan tools membawa masuk pustaka alatan terbina dalam CrewAI, termasuk alat carian web dan alat pengendalian fail, jadi anda tidak perlu menulis setiap integrasi dari awal. Tetapkan kunci API bagi penyedia LLM yang anda gunakan (OpenAI, Anthropic, atau model tempatan melalui Ollama) sebagai pemboleh ubah persekitaran, dan anda sedia untuk menakrifkan crew pertama anda.

Contoh Kerja: Crew Penyelidikan Tiga Agent

Berikut ialah crew minimum dengan tiga agent yang mencerminkan tugas yang dikendalikan secara berasingan oleh beberapa pelan pembinaan Rework: menyelidik akaun sasaran, menganalisis penemuan, dan merangka output. Bayangkan AI Account Research Agent, AI Competitive Intelligence Agent dan AI Content Drafting Agent bekerja sebagai satu crew yang diselaraskan dan bukannya tiga alat berasingan.

from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role="Account Researcher",
    goal="Gather accurate, current facts about a target company",
    backstory="You research companies for a B2B sales team and never state a fact you can't source.",
    tools=[search_tool],
)

analyst = Agent(
    role="Competitive Analyst",
    goal="Turn raw research into a clear point of view on fit and risk",
    backstory="You've reviewed hundreds of accounts and know what actually predicts a good fit.",
)

writer = Agent(
    role="Brief Writer",
    goal="Draft a one-page account brief a rep can read in two minutes",
    backstory="You write tight, scannable briefs, never a wall of text.",
)

research_task = Task(
    description="Research {company}: recent news, tech stack, and org changes.",
    expected_output="A bulleted list of sourced facts.",
    agent=researcher,
)

analysis_task = Task(
    description="Assess fit and flag risks based on the research.",
    expected_output="A short fit score with reasoning.",
    agent=analyst,
    context=[research_task],
)

brief_task = Task(
    description="Draft a one-page brief combining the research and analysis.",
    expected_output="A one-page account brief.",
    agent=writer,
    context=[research_task, analysis_task],
    human_input=True,
)

crew = Crew(
    agents=[researcher, analyst, writer],
    tasks=[research_task, analysis_task, brief_task],
    process=Process.sequential,
)

result = crew.kickoff(inputs={"company": "Acme Corp"})

Parameter context pada analysis_task dan brief_task ialah serahan: ia memberitahu CrewAI output tugas terdahulu mana yang perlu diteruskan, serahan berstruktur yang sama yang diterangkan sistem berbilang agent sebagai perbezaan antara rantaian yang berfungsi dan rantaian yang gagal secara senyap. Menetapkan human_input=True pada tugas terakhir bermakna seseorang menyemak taklimat sebelum ia dihantar, versi ringan bagi pintu semakan yang dibincangkan dalam manusia dalam gelung untuk AI agent.

Proses Berurutan berbanding Hierarki

CrewAI menyediakan dua cara untuk menjalankan crew, dan kedua-duanya selari terus dengan dua corak penyelarasan yang dibincangkan dalam sistem berbilang agent.

Mulakan dengan berurutan. Ia lebih mudah difikirkan dan dinyahpepijat, kerana susunan pelaksanaan tepat seperti yang anda tulis. Beralih kepada hierarki apabila langkah seterusnya yang betul benar-benar bergantung pada pertimbangan, bukan sekadar "jalankan tugas 2 selepas tugas 1."

Alatan, Memori dan RAG

Agent tanpa alatan hanya boleh bercakap. Agent CrewAI memanggil alatan seperti mana-mana agent, dibincangkan secara mendalam dalam cara AI agent menggunakan alatan: nama, penerangan, dan skema yang diisi oleh model. CrewAI menyediakan alat carian, alat fail dan direktori, serta penterjemah kod secara lalai, dan menerima mana-mana fungsi Python tersuai sebagai alat bagi selebihnya.

Memori berfungsi pada tiga peringkat: memori jangka pendek yang memastikan satu larian crew koheren, memori jangka panjang yang mengekalkan fakta merentasi larian, dan memori entiti yang menjejak orang, syarikat atau rekod tertentu yang pernah dilihat crew sebelum ini. Memori AI agent merangkumi versi umum bagi perkara ini dan perangkap yang terpakai tanpa mengira platform, seperti stor memori yang menjadi lapuk atau agent yang menganggap konteks lama lebih terkini daripada sebenarnya.

Untuk meletakkan crew berasaskan dokumen anda sendiri dan bukannya pengetahuan am model, CrewAI menyokong sumber pengetahuan yang anda lampirkan pada agent atau crew, versi CrewAI bagi corak retrieval yang dibincangkan dalam RAG untuk AI agent.

Pagar Pelindung dan Ujian Sebelum Anda Melancarkan

Dua ciri melakukan kebanyakan kerja pagar pelindung dalam CrewAI. Fungsi guardrail peringkat tugas mengesahkan output agent sebelum ia diterima, dan menolak atau mencuba semula jika ia gagal pemeriksaan yang anda takrifkan, seperti "taklimat mesti memetik sekurang-kurangnya satu sumber." Bendera human_input=True menjeda tugas supaya seseorang menyemak atau menyunting output sebelum crew diteruskan. Kedua-duanya selari dengan disiplin yang dibincangkan dalam pagar pelindung AI agent: had keras yang tidak boleh sekali-kali dilanggar agent dengan sendiri.

Jangan lancarkan crew terus daripada satu larian ujian yang berjaya pada satu input. Cara menilai dan menguji AI agent merangkumi pembinaan set ujian sebenar daripada kes sejarah sebelum mana-mana agent, sama ada dibina dengan CrewAI atau tidak, menyentuh volum pengeluaran.

Kos dan Had

Rangka kerja itu sendiri tidak berkos untuk dijalankan. Yang anda bayar ialah penggunaan API LLM, dan crew berbilang agent menggunakan token lebih pantas berbanding satu agent yang melakukan tugas sama, kerana setiap penaakulan agent dan setiap serahan menambah panggilannya sendiri. Crew berurutan tiga agent dengan pengurus hierarki ditambah di atasnya boleh dengan mudah menjalankan empat hingga enam panggilan model bagi tugas yang mungkin dikendalikan satu agent berskop baik dalam satu atau dua panggilan. Itulah pertukaran latensi dan kos yang sama yang dibincangkan dengan lebih mendalam dalam sistem berbilang agent: lebih banyak agent bermakna lebih banyak permukaan penyelarasan, dan lebih banyak permukaan penyelarasan lebih mahal untuk dijalankan dan dinyahpepijat.

Had kadar datang daripada penyedia LLM anda, bukan CrewAI. Jika anda menjalankan crew hierarki atau beberapa panggilan agent selari, anda akan mencapai had kadar penyedia lama sebelum mencapai sebarang had dalam rangka kerja itu sendiri. CrewAI Enterprise menambah papan pemuka penggunaan yang menjadikan kos ini kelihatan bagi setiap crew, berguna apabila anda menjalankan lebih daripada beberapa crew dalam pengeluaran dan perlu tahu yang mana mahal.

Bila Memilih CrewAI berbanding Alternatif

Fakta Utama

• CrewAI ialah rangka kerja Python sumber terbuka yang berdiri sendiri (lesen MIT) untuk membina sistem berbilang agent, dengan lapisan komersial CrewAI Enterprise untuk penempatan terhos dan kebolehcerapan.
• Empat konsep terasnya, Agent, Task, Crew dan Process, selari terus dengan 6 blok binaan Rework untuk mana-mana agent: peranan, alatan, peraturan, panduan senario, logik keputusan dan pagar pelindung.
• Process.sequential sepadan dengan corak penyelarasan serahan rakan setara; Process.hierarchical sepadan dengan orchestrator-worker, dengan CrewAI menetapkan agent pengurus secara automatik untuk mewakilkan tugas.
• Gartner merekodkan lonjakan 1,445% dalam pertanyaan pelanggan tentang sistem berbilang agent antara Q1 2024 dan Q2 2025, lengkung permintaan yang dibina untuk dilayan oleh rangka kerja seperti CrewAI.
• Crew berbilang agent berkos lebih tinggi dalam token dan latensi berbanding satu agent berskop baik yang melakukan tugas sama, kerana setiap agent dan setiap serahan menambah panggilan modelnya sendiri.

Ke Mana Seterusnya

CrewAI ialah satu laluan ke sistem berbilang agent, bukan satu-satunya. Jika anda masih memutuskan sama ada kod atau platform no-code sesuai untuk pasukan anda, AI agent no-code berbanding kod menghuraikan keputusan itu secara langsung. Setelah crew berfungsi dengan andal dalam ujian, menempatkan AI agent ke pengeluaran merangkumi pelancaran, pemantauan dan pelan pemulihan sebelum anda menyerahkan volum sebenar kepadanya. Dan jika Python bukan tempat pasukan anda mahu bekerja setiap hari, rumusan alat pembangunan dan panduan pembelian pembantu pengekodan AI ialah perhentian seterusnya yang berguna untuk menulis dan menyelenggara kod itu sendiri dengan lebih pantas.