CrewAI Schulung: Multi-Agenten-Systeme in Python entwickeln

Einstieg in CrewAI

• „Hello World“ mit CrewAI: ein Agent, eine Aufgabe, ein kickoff()
• Architektur verstehen: Agents, Tasks, Crews, Prozesse und Flows im Zusammenspiel
• CrewAI-CLI installieren: Python-Version, Paketverwaltung mit uv
• Projektstruktur mit crewai create crew: JSON mit crew.jsonc oder --classic mit agents.yaml, tasks.yaml, crew.py
• OpenAI-API-Schlüssel in .env integrieren, Modellwahl über die Klasse LLM
• Weitere Modellanbieter und lokale Modelle über Ollama als Alternative zu OpenAI
• Erste einfache Crew mit crewai run ausführen und die Ausgabe Schritt für Schritt lesen
• CrewAI neben LangGraph und dem OpenAI Agents SDK – Einordnung ohne Vertiefung

Agenten entwerfen und konfigurieren

• Was ist ein Agent? Rolle, Ziel und Hintergrund mit role, goal und backstory
• Agenten in YAML beschreiben und mit dem Dekorator @agent in crew.py instanziieren
• Parametergruppen gezielt einsetzen: Modell, max_iter, max_rpm, allow_delegation, verbose
• Werkzeuge einbinden: fertige Tools aus crewai-tools, etwa für Websuche und Dateien
• Eigene Werkzeuge mit BaseTool oder dem @tool-Dekorator, Eingaben per Pydantic typisieren
• MCP-Server als zusätzliche Werkzeugquelle für Agenten anbinden
• Gedächtnis hinzufügen: einheitliche Klasse Memory mit memory=True oder eigener Instanz, Erinnerungen nach Scopes
• Wissensquellen mit knowledge_sources: Dokumente, die ein Agent kennen soll

Aufgaben planen und steuern

• Aufgabenmodell verstehen: description, expected_output und zuständiger Agent
• Eigene Aufgaben in tasks.yaml erstellen, Platzhalter für Eingaben der Crew nutzen
• Ergebnisse weiterverwenden: TaskOutput, output_pydantic, output_json und output_file
• Werkzeuge in Aufgaben integrieren: Tools je Task statt pauschal am Agenten festlegen
• Aufgaben verzahnen: Ergebnisse früherer Tasks über context gezielt weitergeben
• Asynchrone Ausführung mit async_execution steuern und parallele Ergebnisse zusammenführen
• Task-Guardrails: Ergebnis per Funktion oder Prüfbeschreibung validieren, sonst neu erzeugen
• Menschliche Rückmeldung vor Abschluss einer Aufgabe mit human_input

Crews organisieren und orchestrieren

• Von Agenten zur Crew: Rollen abgrenzen, Übergaben und Zuständigkeiten planen
• Crews anlegen und strukturieren mit @CrewBase und @crew, Prozess Process.sequential
• Hierarchischer Prozess: Manager-Modell oder eigener Manager-Agent verteilt die Aufgaben
• Komplexe Crews ausführen: kickoff mit Eingaben, kickoff_for_each, kickoff_async oder nativ asynchron mit akickoff
• Ausgabe von Crew-Ergebnissen: CrewOutput als Rohtext, JSON oder Pydantic, Tokenverbrauch
• Logging: verbose, Protokolldatei mit output_log_file, Callbacks je Schritt und Aufgabe
• Planung vor der Ausführung mit planning=True – Nutzen und Mehrkosten abwägen

Flows: Crews in feste Abläufe einbetten

• Flow oder Crew: feste Ablaufsteuerung gegenüber freier Zusammenarbeit der Agenten
• Flows mit @start, @listen und @router aufbauen, Bedingungen mit or_ und and_
• Zustand im Flow: unstrukturiert als Dictionary oder typisiert als Pydantic-Modell
• Crews als einzelne Schritte eines Flows aufrufen und deren Ergebnisse weiterreichen
• Flow-Zustand mit @persist speichern und unterbrochene Läufe fortsetzen

Beobachten, Testen und Betreiben

• Ereignisse einer Crew mit Event Listenern abgreifen, Traces an OpenTelemetry-Werkzeuge senden
• Crews mit crewai test über mehrere Durchläufe bewerten und vergleichen
• Agenten mit crewai train anhand menschlicher Rückmeldungen nachschärfen
• Kosten je Lauf messen, kleinere Modelle für Routineaufgaben einzelner Rollen wählen
• Crew als Dienst bereitstellen: API-Endpunkt, Warteschlange für lange Läufe

CrewAI-Crews absichern: Delegation, Werkzeuge, Freigaben

• allow_delegation nur für Rollen, die weitergeben sollen – Delegationsschleifen in CrewAI vermeiden
• Werkzeugliste je CrewAI-Agent minimal halten, Datei- und Code-Werkzeuge nur in einer Sandbox
• Ergebnisse von Such- und Scraping-Tools als Daten behandeln: Prompt Injection in Recherche-Crews
• Veröffentlichende oder schreibende Schritte erst nach human_input oder Freigabe im Flow
• max_iter, max_rpm und Zeitlimits als Kostenbremse für jede Crew festlegen
• Crew-Änderungen eines Coding-Agenten: YAML-Diff lesen, crewai test vor dem Merge

Praxisprojekt: Schreib-Crew für Bedienungsanleitungen eines Küchengeräteherstellers

• Projektziel und Use Case: Kapitel einer Bedienungsanleitung aus Produktdatenblättern entwerfen
• Projektstruktur mit der CLI vorbereiten, Datenblätter und Stilrichtlinie als Wissensquelle
• Agenten für Recherche, Gliederung, Text und technisches Lektorat mit klaren Zuständigkeiten
• Aufgaben je Kapitel definieren und zuweisen, Sicherheitshinweise als Pflichtfeld im Pydantic-Modell
• Crew zusammenbauen, Schreibprozess per Flow automatisieren: Entwurf, Prüfung, Freigabe, Export