Как начать пользоваться CrewAI: мультиагентный фреймворк для автоматизации

CrewAI -- это open-source Python-фреймворк для создания систем из нескольких AI-агентов, которые работают вместе как команда. Основная идея проста и элегантна: ты описываешь несколько AI-«специалистов» с разными ролями, целями и инструментами, затем поручаешь им задачи и наблюдаешь, как они координируют работу и совместно достигают результата.

В 2026 году CrewAI стал одним из самых популярных фреймворков для агентов: более 54 000 звёзд на GitHub, сотни тысяч установок в месяц, активное сообщество разработчиков по всему миру. Сервис используется компаниями для автоматизации исследований рынка, написания и публикации контента, анализа финансовых данных, поиска и обработки информации из множества источников одновременно.

CrewAI предлагает два основных примитива для построения агентных систем. Первый -- это Crews (команды): группы агентов с ролями и задачами, которые выполняются последовательно или параллельно по фиксированному сценарию. Второй -- Flows (потоки): более гибкий event-driven механизм для сложных рабочих процессов с условиями, ветвлением и циклами. Для большинства задач начинают с Crews, переходя к Flows по мере роста сложности.

Отличие CrewAI от LangGraph -- в уровне абстракции. CrewAI работает выше: ты описываешь агентов на человеческом языке (роль, цель, история), а фреймворк сам строит взаимодействие. LangGraph даёт полный контроль на уровне графа переходов -- мощнее, но сложнее. Для большинства задач автоматизации CrewAI позволяет сделать работающий прототип вдвое быстрее.

Кому подойдёт CrewAI:

CrewAI написан на Python и поддерживает все ведущие LLM через LiteLLM: OpenAI GPT, Anthropic Claude, Google Gemini, Mistral, а также локальные модели через Ollama. Один и тот же Crew может использовать разные модели для разных агентов -- например, дорогую мощную модель для стратегических решений и дешёвую быструю для рутинного форматирования.

CrewAI устанавливается через pip, это open-source проект без обязательной регистрации. Для доступа к CrewAI Enterprise и облачному деплою понадобится аккаунт на crewai.com, но для начала разработки это не нужно.

Требования к системе. Python 3.10 или выше (3.12 рекомендуется). pip для управления пакетами. Виртуальное окружение. Ключ API для выбранного LLM: OPENAI_API_KEY, ANTHROPIC_API_KEY или другого провайдера.

Установка через pip. Создай виртуальное окружение: python -m venv .venv и активируй его командой source .venv/bin/activate (Mac и Linux) или .venv\Scripts\activate (Windows). Установи CrewAI со всеми инструментами: pip install crewai crewai-tools. Версия 0.121.0 и выше включает нативную поддержку MCP и async-режим.

Создание нового проекта через CLI. CrewAI предоставляет CLI для быстрого старта. Выполни: crewai create crew my-project. Эта команда создаст папку с готовой структурой: файл с описанием агентов agents.yaml, файл задач tasks.yaml, главный скрипт crew.py и файл зависимостей. Эта scaffolding-структура считается лучшей практикой для организации CrewAI-проектов.

Настройка переменных окружения. Создай файл .env в корне проекта. Добавь ключ API: например, OPENAI_API_KEY=sk-... или ANTHROPIC_API_KEY=sk-ant-... CrewAI по умолчанию использует OpenAI, но это легко изменить через параметр llm в описании агента. Загружай переменные через python-dotenv: pip install python-dotenv, затем from dotenv import load_dotenv; load_dotenv() в главном файле.

Проверка установки. Запусти: crewai version -- должна вывестись версия 0.120.x или выше. Либо в Python: python -c "import crewai; print(crewai.__version__)". Если всё установлено корректно, можно создавать первый Crew.

CrewAI Enterprise (опционально). CrewAI предоставляет платформу для деплоя и мониторинга агентов. Для регистрации перейди на app.crewai.com. Бесплатный tier включает базовый мониторинг выполнения crews и просмотр логов. Платные планы добавляют управление памятью, командный доступ и приоритетную поддержку.

Создадим классический пример: Crew из двух агентов для написания аналитического материала. Первый агент -- Исследователь, собирает информацию по теме. Второй агент -- Автор, превращает собранные данные в связный текст. Это базовый паттерн, который легко адаптировать под любую задачу.

Шаг 1: Определи агентов. В CrewAI агент создаётся через класс Agent. Каждый агент имеет роль (role), цель (goal) и биографию (backstory). Эти текстовые поля -- не просто описания, они напрямую включаются в системный промпт агента и определяют его поведение. Исследователь получит роль «Старший аналитик-исследователь», цель «Находить актуальную и достоверную информацию по теме», биографию «Опытный исследователь с 10-летним стажем в аналитической журналистике». Автор -- роль «Контент-стратег и писатель», цель «Превращать сырые данные в увлекательные материалы», биографию соответствующего содержания.

Шаг 2: Определи задачи. Задачи создаются через класс Task. Каждая задача привязана к конкретному агенту и содержит подробное описание (description) и ожидаемый результат (expected_output). Для Исследователя: описание «Исследуй тему [X] и собери ключевые факты, статистику и актуальные события», ожидаемый результат «Структурированный список из 10 ключевых находок с источниками». Для Автора: описание «На основе предоставленных исследований напиши статью объёмом 500 слов», ожидаемый результат «Готовая статья в формате Markdown».

Шаг 3: Собери Crew. Класс Crew принимает списки агентов и задач. Параметр process определяет порядок выполнения: Process.sequential -- задачи выполняются строго по порядку, результат предыдущей автоматически передаётся в контекст следующей. Process.hierarchical -- появляется менеджер-агент, который самостоятельно распределяет задачи между исполнителями. Для начала используй sequential.

Шаг 4: Запусти и проанализируй. Вызови crew.kickoff() -- Crew начнёт выполнение. В консоли ты увидишь детальный лог: какой агент думает, что именно он делает, какие инструменты использует. Это «мышление вслух» очень полезно для понимания поведения агентов и оптимизации промптов. После завершения result.raw содержит итоговый ответ последней задачи.

Добавь инструменты. Без инструментов агенты работают только с тем, что знает LLM. Добавь реальные возможности: SerperDevTool для поиска в Google, WebsiteSearchTool для анализа конкретного сайта, FileReadTool для чтения файлов. Передай инструменты в параметр tools агента. Теперь Исследователь сможет реально искать в интернете, а не выдумывать данные.

Система памяти из четырёх уровней. CrewAI поддерживает четыре типа памяти для агентов: краткосрочная (Short-Term Memory -- в рамках одного выполнения), долгосрочная (Long-Term Memory -- сохраняется между запусками в SQLite или другом хранилище), коллективная (Shared Memory -- общая для всей команды) и память сущностей (Entity Memory -- информация о конкретных людях, компаниях, продуктах, упомянутых в задаче). Включается параметром memory=True в классе Crew.

Нативная поддержка MCP. С версии 0.121.0 CrewAI поддерживает MCP-серверы как источники инструментов. Подключи любой MCP-сервер -- для работы с браузером, файловой системой, базой данных, GitHub, Slack, Google Calendar -- и агенты автоматически получат доступ ко всем его инструментам. Это резко расширяет возможности без написания кастомных обёрток.

Async-режим для параллельного выполнения. Задачи и агенты могут работать асинхронно. Пометь задачу как async_execution=True -- и Crew запустит её параллельно с другими задачами, не дожидаясь завершения. Это критично при больших объёмах работы: несколько агентов-исследователей, параллельно анализирующих разные источники, могут выполнить работу в несколько раз быстрее.

Flows для сложной логики. Если Crews -- это прямолинейный pipeline, то Flows позволяют добавлять ветвления, циклы и условия. Используй декоратор @listen для реакции на события, @router для ветвления в зависимости от результата, @start для точек входа. Flows можно встраивать в другие Flows, строя иерархические пайплайны произвольной сложности.

Структурированные выходные данные. Агентам можно указывать, в каком формате возвращать результат, используя Pydantic-модели в параметре output_pydantic задачи. CrewAI автоматически заставит модель вернуть JSON, соответствующий схеме, и распарсит результат в Python-объект. Это делает выходные данные агентов предсказуемыми и пригодными для дальнейшей обработки кодом.

Автоматическое восстановление после ошибок. Если агент столкнулся с ошибкой при вызове инструмента (сайт недоступен, API вернул ошибку), CrewAI автоматически пробует другой подход или просит агента переформулировать запрос. Агент может рефлексировать над ошибкой и выбрать альтернативный путь без вмешательства разработчика.

Обновление июль 2026: поддержка A2A-протокола. CrewAI поддерживает протокол Agent-to-Agent (A2A) как первоклассный примитив делегирования. A2A позволяет агентам CrewAI взаимодействовать с агентами на других фреймворках -- LangGraph, Semantic Kernel, AutoGen, Google ADK -- напрямую, без промежуточного слоя. По состоянию на апрель 2026 года более 150 организаций (Microsoft, AWS, Google, IBM, SAP, ServiceNow, Deutsche Bank) работают с A2A в production.

Как работает A2A в CrewAI. Каждый агент публикует Agent Card -- структурированный JSON-документ с описанием возможностей, методов аутентификации и поддерживаемых форматов. Транспорт -- JSON-RPC 2.0 поверх HTTPS с Server-Sent Events для стриминга обновлений. В клиентском режиме агент автоматически выбирает между локальным выполнением и удалённым делегированием в зависимости от требований задачи. Поддерживается опция return_final_answer: True -- когда серверный агент сигнализирует о завершении, клиент получает итоговый результат напрямую.

Конфигурация A2A. Для включения A2A-делегирования добавь параметр a2a_enabled=True в описание агента. Для запуска агента как A2A-сервера (принимает задачи от внешних агентов): crewai serve --a2a. Безопасность обеспечивается токенами Bearer и опциональной взаимной TLS-аутентификацией. A2A-поддержка встроена в CrewAI начиная с версии 0.121.0.

Обновление апрель 2026: checkpointing в Crews и автономных агентах. CrewAI поддерживает контрольные точки для Flows и автономных агентов. Checkpoint -- это снимок состояния: завершённые задачи, контекст, промежуточные результаты. Он сохраняется после каждого шага и позволяет возобновить прерванное выполнение без повторного прохождения уже завершённых этапов.

Воспроизведение и форкинг. Функция crew.replay(task_id) перезапускает выполнение с конкретного шага. Форкинг -- запуск нескольких параллельных веток от одной контрольной точки с разными входными данными -- полезен для A/B-сравнения стратегий обработки. Сериализация кастомных BaseLLM-конфигураций исправлена: контрольные точки корректно восстанавливают настройки модели при загрузке.

Интеграция с Amazon Bedrock Agents. В апреле 2026 CrewAI добавил нативную поддержку Amazon Bedrock V4: агенты работают с любой моделью через Amazon Bedrock API (Claude, Llama, Mistral и другие), а Flows и Crews интегрируются с AWS CloudWatch для мониторинга. Архитектура "flows-and-crews" напрямую подключается к Bedrock-моделям и AWS-инфраструктуре. Подробнее: AWS Prescriptive Guidance "Deploy agentic systems on Amazon Bedrock with the CrewAI framework".

CrewAI как библиотека полностью бесплатен и open-source. Платишь только за вызовы к LLM: стоимость зависит от выбранных моделей и количества агентов в Crew. Комплексная задача с тремя агентами и поиском в интернете может потратить от нескольких центов до нескольких долларов в зависимости от сложности.

CrewAI Enterprise (облачная платформа): Бесплатный уровень включает мониторинг, логи выполнения и ограниченное число запусков через облако. Платные планы (цены на app.crewai.com, они регулярно меняются) добавляют командный доступ, расширенную аналитику, управление памятью через облачное хранилище, возможность деплоя Crew как API-эндпоинта и поддержку. Для индивидуальных разработчиков бесплатного уровня обычно достаточно.

Ограничения: Сложность отладки возрастает с числом агентов -- трудно точно отследить, почему конкретный агент принял то или иное решение. Системные промпты CrewAI занимают значительную часть контекстного окна, что увеличивает стоимость. Долгие цепочки задач могут занять много времени -- агент-исследователь с доступом в интернет на сложной задаче может работать 5-15 минут. Flows пока слабее задокументированы, чем Crews -- некоторые возможности проще понять из исходного кода, чем из документации.

CrewAI как Python-библиотека устанавливается через pip без каких-либо ограничений в России. Исходный код на GitHub доступен без VPN. Сайт crewai.com также открывается без VPN.

VPN может понадобиться для следующего:

Лучший вариант для российских пользователей: разворачивай CrewAI с Anthropic Claude API (доступен без VPN) и инструментами, которые не требуют заблокированных сервисов. Либо используй полностью локальную связку: Ollama с Qwen или Llama и локальные инструменты без внешних API-вызовов.

Версия CrewAI 1.14.6 вводит систему подключаемых бэкендов памяти. Теперь можно выбирать между LangChain, LlamaIndex или собственными решениями для хранения и извлечения контекста агентов. Бэкенд настраивается на уровне всего экипажа (crew) через параметр memory_config.

RAG (Retrieval-Augmented Generation) бэкенд стал настраиваемым: источники знаний можно менять без изменения кода агентов. Это особенно важно при переходе между векторными базами данных (Pinecone, Chroma, Weaviate) или при добавлении новых документов в базу знаний команды агентов.

Версия 1.14.6 также улучшает производительность мультиагентных рабочих процессов с большим контекстом: снижено использование памяти при параллельном выполнении задач и улучшена скорость извлечения релевантных фрагментов из RAG-хранилища.

CrewAI 1.1.0: что нового

В июле 2026 года вышел CrewAI 1.1.0 с рядом значимых изменений. Динамическая загрузка LLM-моделей в crew wizard: при создании нового Crew через интерактивный мастер теперь можно выбирать модель из актуального списка без ручного редактирования конфигурации. Inline skill definitions: навыки агентов можно описывать прямо внутри определения агента, не вынося в отдельный модуль – это сокращает шаблонный код для простых проектов. Шаблонизация входных данных для Flow actions: в шагах Flow теперь поддерживаются переменные-шаблоны, что упрощает переиспользование одного Flow с разными наборами входных данных.

Дополнительно в CrewAI 1.1.0: введён stream frame protocol для Flows – промежуточные результаты работы Flow теперь можно получать в виде потока событий, не ожидая полного завершения задачи. Это особенно полезно для длительных аналитических пайплайнов. Важное изменение в терминологии: концепция Rules переименована в Policies – в документации и коде используется новое название, хотя обратная совместимость сохранена. При переходе на 1.1.0 рекомендуется обновить термин в собственном коде для соответствия официальной документации.

CrewAI 1.1.0: дополнительные возможности (июль 2026). Версия 1.1.0 включает ещё несколько значимых улучшений. Inline skill definitions: навыки агентов теперь определяются прямо внутри объекта Agent без необходимости выносить их в отдельные файлы - упрощает структуру небольших проектов. Flow Definition authoring skill: автоматически генерируемый навык, позволяющий описывать логику Flows на естественном языке и получать готовый Python-код Flow. Нативная интеграция со Snowflake Cortex: агенты CrewAI могут напрямую использовать LLM-функции Snowflake Cortex без дополнительных адаптеров - актуально для команд с данными уже в Snowflake. Chat API: новый режим запуска агентов через потоковый диалоговый интерфейс (chat completions), что упрощает встраивание Crew в чат-приложения и голосовые интерфейсы.

Этот материал подготовлен командой AI-агентов AravanaAI и проверен главным редактором.