CrewAI: Ein Leitfaden mit Beispielen für Multi-Agenten-KI-Systeme

KI-Agenten sind Assistenten, die Aufgaben ausführen und mit der Welt interagieren können. Anders als klassische Systeme mit starren Regeln lernen sie dazu und passen sich neuen Situationen an. Du kannst sie dir als Softwareprogramme vorstellen, die ihre Umgebung wahrnehmen und entsprechend handeln.

Doch was unterscheidet KI-Agenten von anderen KI-Systemen wie den populären Sprachmodellen, von denen wir alle gehört haben?

In diesem Artikel gehe ich dieser Frage nach und stelle CrewAI vor: ein kostenloses Open-Source-Python-Framework, das die Entwicklung von Multi-Agenten-KI-Systemen vereinfacht. Wir klären den Unterschied zwischen Agenten und Sprachmodellen, warum Agenten-Frameworks fürs Bauen von KI-Anwendungen wichtig sind und wie CrewAI Agenten zusammenarbeiten lässt, um starke Ergebnisse zu erzielen.

KI-Agenten vs. LLMs

Lass uns ein häufiges Missverständnis über den Unterschied zwischen Agenten und großen Sprachmodellen (LLMs) ausräumen. Beide gehören zur Familie der Künstlichen Intelligenz, haben aber unterschiedliche Fähigkeiten.

Sprachmodelle wie ChatGPT und Gemini sind äußerst gut im Umgang mit Sprache. Sie wurden auf riesigen Mengen an Text und Code trainiert und können dadurch Sprache verstehen und erzeugen, die menschlicher Kommunikation sehr nahekommt.

LLMs sind die wortgewandten Allrounder der KI: Sie erstellen Übersetzungen, Zusammenfassungen, kreative Geschichten oder sogar Gedichte. Ihr Fokus liegt in der Regel auf sprachbezogenen Aufgaben.

Agenten hingegen sind in erster Linie auf Handeln ausgerichtet. Sie können navigieren, mit Objekten interagieren und auf Basis ihrer Wahrnehmung Entscheidungen treffen. 

Kurz gesagt: Sprachmodelle sind das Gehirn, Agenten die Hände. Zusammen sind sie ein starkes Duo.

Wenn Agenten in KI-Anwendungen so wichtig sind, wie bändigen wir dann die Komplexität, wenn mehrere Agenten zusammenarbeiten müssen? Hier kommen Agenten-Frameworks ins Spiel.

Warum ein Agenten-Framework?

Agenten-Frameworks werden mit der wachsenden Komplexität von KI-Anwendungen wichtig, insbesondere wenn mehrere Agenten gemeinsam ein Ziel verfolgen. Schauen wir uns an, warum solche Frameworks unverzichtbar sind.   

Orchestrierung und Koordination

Mit zunehmendem Umfang von KI-Systemen kommen oft viele Agenten mit unterschiedlichen Fähigkeiten zusammen. Diese Interaktionen zu managen und ein harmonisches Zusammenspiel sicherzustellen, wird dadurch immer anspruchsvoller.

Agenten-Frameworks bieten eine strukturierte Umgebung zur Orchestrierung von Agentenaktivitäten, zur Definition ihrer Rollen und Zuständigkeiten und zur Verbesserung der Kommunikation.

In Multi-Agenten-Systemen ist die effiziente Zuweisung von Aufgaben an passende Agenten und das Management gemeinsamer Ressourcen zentral. Agenten-Frameworks stellen dynamische Mechanismen für Aufgabenverteilung, Ressourcenaushandlung und Konfliktlösung bereit.

Modularität und Wiederverwendbarkeit

Agenten-Frameworks fördern einen modularen Entwicklungsansatz, bei dem Agenten als unabhängige Komponenten entworfen und implementiert werden. Diese Modularität verbessert die Code-Organisation und erlaubt die Wiederverwendung von Agentenmodulen über Projekte hinweg. So wird Entwicklung und Wartung komplexer Systeme deutlich einfacher. Durch die komponentenbasierte Struktur können sich KI-Entwickler auf einzelne Agenten konzentrieren, ohne das Gesamtsystem zu stören.

Zudem setzen Agenten-Frameworks häufig auf rollenbasierte Architekturen: Entwickler ordnen Agenten spezifische Rollen mit klaren Fähigkeiten und Berechtigungen zu. Das führt zu einem besser organisierten, gut handhabbaren System, in dem Agenten mit minimalen Auswirkungen auf die Gesamtarchitektur hinzugefügt, entfernt oder geändert werden können. Diese Flexibilität sorgt dafür, dass Systeme sich ohne großen Umbau weiterentwickeln und neuen Anforderungen anpassen.

Anpassungsfähigkeit und Lernen

Reale Umgebungen sind dynamisch, unvorhersehbar und verändern sich fortlaufend. Agenten-Frameworks befähigen Agenten, Veränderungen in ihrer Umgebung wahrzunehmen und ihr Verhalten entsprechend anzupassen. So können sie auch in komplexen, sich wandelnden Szenarien wirksam agieren und reale Herausforderungen besser meistern.

Außerdem integrieren viele Frameworks Lernmechanismen, mit denen Agenten ihre Leistung über die Zeit verbessern. Durch Feedback und Erfahrungen optimieren sie kontinuierlich ihre Entscheidungen und reagieren auf neue Herausforderungen. Diese ständige Verbesserung steigert ihre Wirksamkeit und trägt langfristig zur Effizienz und zum Erfolg des Gesamtsystems bei.

Und wenn wir schon über Agenten-Frameworks sprechen: Hier ist eines, das in der KI-Community gerade für Aufsehen sorgt: CrewAI.

Was ist CrewAI?

CrewAI ist ein Open-Source-Python-Framework, das auf zwei komplementären Bausteinen basiert:

• Crews — Teams aus KI-Agenten, die autonom über rollenbasierte Entscheidungen zusammenarbeiten — und
• Flows — produktionsreife, ereignisgesteuerte Workflows, mit denen du Automatisierungen steuern kannst.

Damit baust du alles — von einer einfachen Research-Pipeline bis hin zu einem vollständig autonomen Multi-Agenten-System.

Das Framework bringt eine Reihe von Tools mit — von Websuchmaschinen bis zu Sprachmodellen — und ermöglicht es Agenten, mit der Außenwelt zu interagieren, Informationen zu sammeln und aktiv zu handeln, um ihre Ziele zu erreichen.

Aufbau und Skalierbarkeit von CrewAI eignen sich ideal für einfache wie auch hochkomplexe Multi-Agenten-Anwendungen. Das Framework fördert einen kollaborativen Ansatz für Problemlösung und Entscheidungsfindung innerhalb von KI-Systemen.

Werfen wir einen Blick auf einige Kernfunktionen, die CrewAI zu einem starken Werkzeug für Multi-Agenten-Systeme machen.

• Agenten-Orchestrierung: CrewAI stellt sicher, dass jeder Agent seine Rolle kennt. Du definierst und koordinierst Agentenverhalten, sodass alles im Takt bleibt.
• Rollenbasierte Architektur: Wie Instrumente in einem Orchester vergibst du spezifische Rollen mit Fähigkeiten und Berechtigungen. So bleibt das System modular und gut strukturiert — auch wenn es komplex wird.
• Flexible Kommunikation: CrewAI unterstützt verschiedene Kommunikationskanäle, damit Agenten Informationen nahtlos austauschen können — von direktem Chat über Gruppendiskussion bis zum „Megafon“.
• Tool-Integration: CrewAI befähigt Agenten, über diverse Tools mit der Welt zu interagieren — recherchieren im Web, Sprache verstehen, Daten analysieren und individuelle Aufgaben ausführen.
• Skalierbarkeit: CrewAI ist auf nahtlose Skalierung ausgelegt, damit dein Multi-Agenten-System auch im Wachstum reaktionsschnell und effizient bleibt.

Welche Vorteile bringt CrewAI konkret? Schauen wir sie uns an.

CrewAI Flows und Crews

CrewAI basiert auf zwei komplementären Bausteinen, die vom einfachen Agentenjob bis zur komplexen Produktionspipeline alles abdecken.

Crews sind Teams aus KI-Agenten, die autonom zusammenarbeiten. Jeder Agent in einer Crew hat eine definierte Rolle, ein Ziel und eine Backstory — und gemeinsam erledigen sie Aufgaben, delegieren und treffen Entscheidungen, ohne dass du jeden Schritt scripten musst. Eine Crew nutzt du, wenn Agenten selbst herausfinden sollen, wie etwas zu erledigen ist.

Flows sind die Orchestrierungsschicht oberhalb der Crews. Ein Flow verknüpft mehrere Crews, fügt zwischen den Schritten Bedingungen hinzu, verwaltet Zustände entlang der Pipeline und löst Aktionen ereignisgesteuert aus. Eine Crew gibt dir Autonomie, ein Flow gibt dir Kontrolle.

Für die meisten Einsteiger geht es mit Crews los. Erst wenn du Produktionsreife brauchst, setzt du Flows ein. Über Flows skalierst du hoch.

Vorteile von CrewAI

CrewAI ermöglicht es mehreren KI-Agenten, zusammenzuarbeiten, Wissen zu teilen und ihre Aktionen auf ein gemeinsames Ziel auszurichten.

Durch die Automatisierung von Aufgabenverteilung und Ressourcenmanagement konzentrieren sich Agenten mit minimalem Overhead auf ihre Rollen.

Das Framework unterstützt außerdem Anpassungsfähigkeit, sodass Agenten ihr Verhalten an veränderte Bedingungen oder Ziele anpassen können.

Zusätzlich vereinfacht CrewAI die Entwicklung mit einer benutzerfreundlichen Plattform zum Erstellen und Verwalten von Multi-Agenten-Systemen.

Ein weiterer großer Pluspunkt ist die Integration zahlreicher Tools. Dadurch erweitern Agenten ihre Fähigkeiten, interagieren mit der Außenwelt und sammeln Informationen.

CrewAI unterstützt Tools wie Websuchmaschinen, Sprachmodelle, Datenanalysetools und sogar maßgeschneiderte Funktionen. So erledigen Agenten Aufgaben jenseits ihres Kerns — etwa Informationen aus dem Web abrufen oder komplexe Datenanalysen durchführen.

Hands-on: Ein Websuche-Workflow mit CrewAI

Packen wir es an und bauen einen Workflow mit CrewAI-Tools: Wir scrapEN Website-Inhalte und führen anschließend RAG darauf aus. 

Dafür schreiben wir den Code, der das Tool zum Laufen bringt. Bevor wir starten, installiere die Pakete crewai-tools und crewai mit pip:

# Install CrewAI with tools support
pip install 'crewai[tools]'

# Or using uv (recommended by CrewAI for dependency management)
uv add 'crewai[tools]'

Sobald die Pakete installiert sind, folge diesen Schritten. In diesem Beispiel nutzen wir drei Tools: ScrapeWebsiteTool zum Scrapen der Website, FileWriterTool zum Schreiben der Datei und TXTSearchTool zur Kontextsuche für RAG. Los geht’s.

Schritt 1: Eine Website scrapen

Zuerst importieren wir die nötigen Bibliotheken und initialisieren das ScrapeWebsiteTool. Dieses Tool extrahiert Inhalte von einer Website. Hier ist es auf Wikipedias Seite „Artificial Intelligence“ eingestellt:

from crewai_tools import ScrapeWebsiteTool, FileWriterTool, TXTSearchTool
import requests

# Initialize the tool, potentially passing the session
tool = ScrapeWebsiteTool(website_url='https://en.wikipedia.org/wiki/Artificial_intelligence')  

# Extract the text
text = tool.run()
print(text)

Schritt 2: Den extrahierten Text in eine Datei schreiben

Jetzt nutzen wir das FileWriterTool, um den extrahierten Text in einer Datei namens ai.txt zu speichern. 

# Initialize the tool
file_writer_tool = FileWriterTool()

# Write content to a file in a specified directory
result = file_writer_tool._run(filename='ai.txt', content = text, directory = '', overwrite=True)
print(result)

Schritt 3: Das Textsuch-Tool einrichten

Wir richten ein weiteres Tool ein, um die Inhalte der gerade gespeicherten Datei ai.txt zu durchsuchen. Außerdem setzen wir die Umgebungsvariable für den OpenAI-API-Schlüssel.

import os
from crewai_tools import TXTSearchTool

os.environ['OPENAI_API_KEY'] = 'API-KEY'

# Initialize the tool with a specific text file, so the agent can search within the given text file's content
tool = TXTSearchTool(txt='ai.txt')

Schritt 4: Einen Agenten erstellen und ausführen

Wir erstellen einen Data-Analyst-Agenten mit der Rolle „Educator“. Seine Aufgabe ist es, die Frage „What is Natural Language Processing?“ auf Basis des im File gefundenen Texts zu beantworten.

from crewai import Agent, Task, Crew

context = tool.run('What is natural language processing?')

data_analyst = Agent(
    role='Educator',
    goal=f'Based on the context provided, answer the question - What is Natural Language Processing? Context - {context}',
    backstory='You are a data expert',
    verbose=True,
    allow_delegation=False,
    tools=[tool]
)

test_task = Task(
    description="Using the provided context, answer the question: What is Natural Language Processing?",
    tools=[tool],
    agent=data_analyst,
    expected_output='A clear, 2-3 paragraph explanation of Natural Language Processing, covering its definition, key techniques, and common applications.'
)

crew = Crew(
    agents=[data_analyst],
    tasks=[test_task]
)

output = crew.kickoff()

Wie CrewAI sich zu LangGraph und AutoGen verhält

Die wichtigsten Alternativen zu CrewAI sind LangGraph und Microsofts AutoGen. Der größte Vorteil von CrewAI ist sein rollenbasiertes Agentenparadigma. Indem du Agenten mit Rollen, Zielen und Backstories definierst, entsteht Verhalten, das der Zusammenarbeit menschlicher Teams sehr nahekommt.

LangGraph bietet über den graphbasierten Ansatz mehr Kontrolle über den Ausführungsfluss, erfordert aber ein Verständnis von gerichteten Graphen und Zustandsmanagement. Für die meisten Developer, die neu in Multi-Agenten-Systeme einsteigen, ist CrewAI der schnellere Weg zu einem funktionierenden Prototyp.

Fazit

CrewAI bietet eine praxisnahe Plattform zum Managen von Multi-Agenten-Systemen. Ob Scrapen von Inhalten oder Delegieren von Aufgaben — das Framework fördert die Zusammenarbeit zwischen Agenten und hilft ihnen, sich anzupassen und zu verbessern.

Durch die Integration von Tools und eine klare Struktur erleichtert CrewAI es Entwicklern, Agenteninteraktionen zu steuern, Aufgaben zu verteilen und eine hohe Performance sicherzustellen.