Что такое CrewAI?

CrewAI — Python фреймворк для создания команд AI-агентов. Каждый агент имеет роль, цель и набор инструментов. Агенты взаимодействуют между собой, передавая задачи по цепочке для достижения общей цели.

Установка

pip install crewai crewai-tools langchain-ollama

Создание команды агентов

from crewai import Agent, Task, Crew, Process
from langchain_ollama import OllamaLLM

llm = OllamaLLM(model="llama3.2", base_url="http://localhost:11434")

# Агент-исследователь
researcher = Agent(
    role="Исследователь",
    goal="Собирать актуальную информацию по теме",
    backstory="Опытный аналитик с широким кругозором",
    llm=llm,
    verbose=True
)

# Агент-писатель
writer = Agent(
    role="Технический писатель",
    goal="Создавать понятные статьи на основе исследований",
    backstory="Эксперт по технической документации",
    llm=llm
)

# Задачи
task1 = Task(
    description="Исследуй преимущества VDS хостинга",
    expected_output="Список из 5 ключевых преимуществ",
    agent=researcher
)
task2 = Task(
    description="Напиши статью на основе исследования",
    expected_output="Статья 300 слов",
    agent=writer
)

# Запуск
crew = Crew(agents=[researcher, writer], tasks=[task1, task2], process=Process.sequential)
result = crew.kickoff()
print(result)

Process типы: Sequential — задачи выполняются по очереди. Hierarchical — менеджер-агент распределяет задачи между исполнителями.

Встроенные инструменты CrewAI

SerperDevTool — поиск в Google
FileReadTool, FileWriterTool — работа с файлами
WebsiteSearchTool — поиск по конкретному сайту
CodeInterpreterTool — выполнение Python кода

Частые ошибки при настройке

Часть ошибок CrewAI выглядит как проблема с LLM, а на деле связана с внутренними настройками самого фреймворка — памятью и процессом выполнения.

Ошибка авторизации OpenAI, хотя используется Ollama

openai.AuthenticationError: Incorrect API key provided

По умолчанию CrewAI использует эмбеддинги OpenAI для краткосрочной памяти агентов, даже если основная модель — локальная через Ollama. Если переменная OPENAI_API_KEY не задана, при первом обращении к памяти всплывает эта ошибка. Решение — явно указать локальный эмбеддер в конфигурации Crew или отключить память, если она не нужна для конкретной задачи.

Attribute manager_llm is required для Process.hierarchical

Иерархический процесс требует отдельную модель для агента-менеджера, который распределяет задачи. Если передать только process=Process.hierarchical без manager_llm, Crew завершится с ошибкой валидации ещё до старта. Добавьте manager_llm=llm при создании объекта Crew.

Sequential и Hierarchical: сравнение процессов

Параметр	Process.sequential	Process.hierarchical
Порядок задач	Строго по списку tasks	Определяет менеджер во время выполнения
Нужен manager_llm	Нет	Да, обязательно
Предсказуемость	Высокая	Ниже, зависит от решений менеджера
Когда использовать	Известный порядок шагов	Задачи можно перераспределять динамически

Когда CrewAI не подходит

Нужен один прямой вызов модели без ролей и памяти — оверхед фреймворка не окупается, проще обратиться к Ollama напрямую.
Требуется тонкий контроль над каждым шагом цепочки вызовов — для этого лучше подходит LangChain с явными цепочками.
Агентам нужно самостоятельно писать и выполнять произвольный код в диалоге — это сильная сторона AutoGen, а не CrewAI.
Критична задержка в десятки миллисекунд — на каждого агента в команде уходит отдельный вызов LLM, и общее время растёт с числом агентов.

Проверка, что команда агентов работает

python3 -c "import crewai; print(crewai.__version__)"
ollama list

Запустите crew с verbose=True и убедитесь, что в логе видны переходы между агентами: каждый агент должен явно получить задачу, вывести промежуточный результат и передать его дальше. Если лог обрывается после первого агента без ошибки, проверьте, что expected_output описан достаточно конкретно — расплывчатое описание результата иногда заставляет агента зависать в попытках его уточнить.

Ещё один практический момент — стоимость по времени выполнения. Даже при использовании бесплатной локальной модели через Ollama каждый агент в команде добавляет отдельный последовательный вызов LLM, и суммарное время выполнения crew растёт с числом агентов и задач почти линейно. Перед тем как добавлять четвёртого или пятого агента в команду, стоит замерить, во сколько раз выросло общее время ответа, и решить, оправдана ли дополнительная специализация ролей этим ростом задержки. На практике редко имеет смысл держать больше трёх-четырёх агентов в одной последовательной цепочке — дальше выгоднее переработать одну крупную задачу на отдельного агента, чем дробить её ещё сильнее.