Що таке CrewAI?

CrewAI — Python-фреймворк для створення команд AI-агентів. Кожен агент має роль, мету та набір інструментів. Агенти взаємодіють між собою, передаючи завдання по ланцюжку для досягнення спільної мети.

Встановлення

pip install crewai crewai-tools langchain-ollama

Створення команди агентів

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

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

# Агент-дослідник
researcher = Agent(
    role="Дослідник",
    goal="Збирати актуальну інформацію за темою",
    backstory="Досвідчений аналітик із широким кругозором",
    llm=llm,
    verbose=True
)

# Агент-письменник
writer = Agent(
    role="Технічний письменник",
    goal="Створювати зрозумілі статті на основі досліджень",
    backstory="Експерт з технічної документації",
    llm=llm
)

# Завдання
task1 = Task(
    description="Вивчи переваги VDS-хостингу",
    expected_output="Список із 5 ключових переваг",
    agent=researcher
)
task2 = Task(
    description="Напиши статтю на основі дослідження",
    expected_output="Стаття 300 слів",
    agent=writer
)

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

Типи Process: Sequential — завдання виконуються по черзі. Hierarchical — агент-менеджер розподіляє завдання між виконавцями.

Вбудовані інструменти CrewAI

SerperDevTool — пошук у Google
FileReadTool, FileWriterTool — робота з файлами
WebsiteSearchTool — пошук по конкретному сайту
CodeInterpreterTool — виконання Python коду

Часті помилки під час налаштування

Частина помилок CrewAI виглядає як проблема з LLM, а насправді пов'язана з внутрішніми налаштуваннями самого фреймворку — пам'яттю та процесом виконання.

Помилка авторизації OpenAI, хоча використовується Ollama

openai.AuthenticationError: Incorrect API key provided

За замовчуванням CrewAI використовує ембеддинги OpenAI для короткострокової пам'яті агентів, навіть якщо основна модель — локальна через Ollama. Якщо змінна OPENAI_API_KEY не задана, під час першого звернення до пам'яті виникає ця помилка. Рішення — явно вказати локальний ембеддер у конфігурації Crew або вимкнути пам'ять, якщо вона не потрібна для конкретного завдання.

Attribute manager_llm is required для Process.hierarchical

Ієрархічний процес вимагає окремої моделі для агента-менеджера, який розподіляє завдання. Якщо передати лише process=Process.hierarchical без manager_llm, Crew завершиться помилкою валідації ще до старту. Додайте manager_llm=llm під час створення об'єкта Crew.

Sequential і Hierarchical: порівняння процесів

Параметр	Process.sequential	Process.hierarchical
Порядок завдань	Строго за списком tasks	Визначає менеджер під час виконання
Потрібен manager_llm	Ні	Так, обов'язково
Передбачуваність	Висока	Нижча, залежить від рішень менеджера
Коли використовувати	Відомий порядок кроків	Завдання можна перерозподіляти динамічно

Коли CrewAI не підходить

Потрібен один прямий виклик моделі без ролей і пам'яті — оверхед фреймворку не окупається, простіше звернутися до Ollama напряму.
Потрібен тонкий контроль над кожним кроком ланцюжка викликів — для цього краще підходить LangChain з явними ланцюжками.
Агентам потрібно самостійно писати і виконувати довільний код у діалозі — це сильна сторона AutoGen, а не CrewAI.
Критична затримка в десятки мілісекунд — на кожного агента в команді витрачається окремий виклик LLM, і загальний час зростає з кількістю агентів.

Перевірка, що команда агентів працює

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

Запустіть crew з verbose=True і переконайтеся, що в логу видно переходи між агентами: кожен агент має явно отримати завдання, вивести проміжний результат і передати його далі. Якщо лог обривається після першого агента без помилки, перевірте, що expected_output описано достатньо конкретно — розпливчастий опис результату іноді змушує агента зависати у спробах його уточнити.

Ще один практичний момент — вартість за часом виконання. Навіть при використанні безкоштовної локальної моделі через Ollama кожен агент у команді додає окремий послідовний виклик LLM, і сумарний час виконання crew зростає з кількістю агентів і завдань майже лінійно. Перш ніж додавати четвертого чи п'ятого агента в команду, варто виміряти, у скільки разів зріс загальний час відповіді, і вирішити, чи виправдана додаткова спеціалізація ролей таким зростанням затримки. На практиці рідко є сенс тримати більше трьох-чотирьох агентів в одному послідовному ланцюжку — далі вигідніше переробити одне велике завдання на окремого агента, ніж дробити його ще сильніше.