CrewAI: मल्टी AI एजेंट सिस्टम्स के उदाहरणों सहित एक गाइड

CrewAI एक ऐसा प्लेटफ़ॉर्म है जो डेवलपर्स को एक से अधिक AI एजेंट्स का उपयोग करके सहयोगी रूप से जटिल कार्य करने वाले स्वचालित वर्कफ़्लो बनाने और परिनियोजित करने में सक्षम बनाता है।

अद्यतन 2 जून 2026 · 9 मि॰ पढ़ना

AI एजेंट ऐसे सहायक होते हैं जो कार्य कर सकते हैं और दुनिया के साथ संपर्क कर सकते हैं। स्थिर नियमों का पालन करने वाली पारंपरिक प्रणालियों के विपरीत, ये सीख सकते हैं और नई परिस्थितियों के अनुरूप ढल सकते हैं। इन्हें ऐसे सॉफ़्टवेयर प्रोग्राम समझें जो अपने परिवेश को समझते हैं और कार्रवाई करते हैं।

लेकिन आखिर AI एजेंट्स को अन्य AI इकाइयों, जैसे कि लोकप्रिय लैंग्वेज मॉडल्स से क्या अलग करता है जिनके बारे में हम सबने सुना है?

इस लेख में, मैं इसी प्रश्न पर बात करूंगा और CrewAI का परिचय दूंगा—यह एक निःशुल्क और ओपन-सोर्स Python फ़्रेमवर्क है जो मल्टी-एजेंट AI सिस्टम्स का विकास सरल बनाता है। हम एजेंट्स और लैंग्वेज मॉडल्स के बीच का अंतर समझेंगे, AI एप्लिकेशन बनाने में एजेंट फ़्रेमवर्क्स के महत्त्व पर चर्चा करेंगे, और दिखाएंगे कि CrewAI कैसे एजेंट्स को सहयोग करने और बेहतरीन परिणाम हासिल करने में सक्षम बनाता है।

AI एजेंट्स बनाम LLMs

एजेंट्स और बड़े लैंग्वेज मॉडल्स (LLMs) के बीच अंतर को लेकर एक आम गलतफ़हमी दूर करें। दोनों कृत्रिम बुद्धिमत्ता के परिवार से आते हैं, फिर भी उनकी क्षमताएँ अलग हैं।

लैंग्वेज मॉडल्स, जैसे ChatGPT और Gemini, भाषा का उपयोग करने में अत्यंत निपुण हैं। इन्हें विशाल मात्रा में पाठ और कोड पर व्यापक रूप से प्रशिक्षित किया गया है, जिससे ये मानव-सदृश भाषा को समझने और उत्पन्न करने में सक्षम हुए हैं।

LLMs कृत्रिम बुद्धिमत्ता के कुशल शब्दकार हैं—ये अनुवाद, सारांश, रचनात्मक कथाएँ, यहाँ तक कि कविता तक—विविध प्रकार की सामग्री बना सकते हैं। इनका दायरा सामान्यतः भाषा-संबंधी कार्यों तक सीमित रहता है।

एजेंट्स, इसके विपरीत, मुख्यतः कार्रवाई पर केंद्रित होते हैं। वे नेविगेट कर सकते हैं, वस्तुओं के साथ संपर्क कर सकते हैं, और अपनी धारणा के आधार पर निर्णय ले सकते हैं।

संक्षेप में, लैंग्वेज मॉडल मस्तिष्क हैं और एजेंट हाथ। साथ मिलकर ये एक शक्तिशाली जोड़ी बनाते हैं।

तो, जब AI एप्लिकेशनों में एजेंट इतनी अहम भूमिका निभाते हैं, तब कई एजेंट्स के साथ काम करने पर उनकी जटिलता कैसे सँभालें? यहीं पर एजेंट फ़्रेमवर्क्स काम आते हैं।

एजेंट फ़्रेमवर्क की आवश्यकता

एजेंट फ़्रेमवर्क्स की ज़रूरत AI एप्लिकेशनों की बढ़ती जटिलता से उत्पन्न होती है—विशेषकर तब जब कई एजेंट्स किसी साझा लक्ष्य को हासिल करने हेतु सहयोगात्मक रूप से काम करते हैं। आइए देखें कि एजेंट फ़्रेमवर्क्स क्यों आवश्यक हैं।

ऑर्केस्ट्रेशन और समन्वय

जैसे-जैसे AI सिस्टम्स का पैमाना बढ़ता है, वे अक्सर विविध क्षमताओं वाले अनेक एजेंट्स को सम्मिलित करते हैं। इन अंतःक्रियाओं का प्रबंधन करना और सुनिश्चित करना कि वे सामंजस्य से काम करें—यह लगातार कठिन होता जाता है।

एजेंट फ़्रेमवर्क्स एक संरचित वातावरण प्रदान करते हैं जो एजेंट गतिविधियों का ऑर्केस्ट्रेशन, उनकी भूमिकाएँ और ज़िम्मेदारियाँ परिभाषित करने, और संचार में सुधार की सुविधा देता है।

मल्टी-एजेंट सिस्टम्स में, एक अहम पहलू है—कार्यों का सबसे उपयुक्त एजेंट्स को कुशल आवंटन और साझा संसाधनों का प्रभावी प्रबंधन। एजेंट फ़्रेमवर्क्स कार्य-आवंटन, संसाधन-वार्ता, और विवाद समाधान के लिए डायनेमिक तंत्र उपलब्ध कराते हैं।

मॉड्युलैरिटी और पुन: प्रयोज्यता

एजेंट फ़्रेमवर्क्स AI विकास के लिए मॉड्युलर दृष्टिकोण को बढ़ावा देते हैं, जहाँ एजेंट्स को स्वतंत्र घटकों के रूप में डिज़ाइन और लागू किया जाता है। यह मॉड्युलैरिटी बेहतर कोड संगठन की अनुमति देती है और विभिन्न प्रोजेक्ट्स में एजेंट मॉड्यूल्स के पुन: उपयोग को संभव बनाती है, जिससे जटिल सिस्टम्स का विकास और रखरखाव सरल होता है। इस कंपोनेंट-आधारित संरचना के साथ, AI डेवलपर्स व्यापक सिस्टम को प्रभावित किए बिना व्यक्तिगत एजेंट्स पर ध्यान केंद्रित कर सकते हैं।

इसके अलावा, एजेंट फ़्रेमवर्क्स अक्सर रोल-आधारित आर्किटेक्चर अपनाते हैं, जिससे डेवलपर्स एजेंट्स को विशिष्ट भूमिकाएँ सौंप सकते हैं जो उनकी क्षमताएँ और अनुमतियाँ परिभाषित करती हैं। यह रोल-आधारित डिज़ाइन एक अधिक सुव्यवस्थित और प्रबंधनीय सिस्टम की ओर ले जाता है, जहाँ एजेंट्स को जोड़ा, हटाया या संशोधित किया जा सकता है—और इसका समग्र आर्किटेक्चर पर न्यूनतम प्रभाव पड़ता है। यह लचीलापन सुनिश्चित करता है कि सिस्टम्स बिना बड़े पुन: अभियांत्रिकी के नई आवश्यकताओं के अनुसार विकसित और अनुकूलित हो सकें।

अनुकूलनशीलता और सीखना

वास्तविक दुनिया के परिवेश अक्सर गतिशील, अप्रत्याशित और निरंतर विकसित होते रहते हैं। एजेंट फ़्रेमवर्क्स एजेंट्स को अपने आसपास के परिवर्तनों को समझने और उसके अनुसार अपने व्यवहार को अनुकूलित करने में सक्षम बनाते हैं। यह अनुकूलनशीलता सुनिश्चित करती है कि एजेंट्स जटिल और लगातार बदलती परिस्थितियों में भी प्रभावी ढंग से कार्य कर सकें, जिससे वे वास्तविक दुनिया की चुनौतियों को बेहतर ढंग से संभाल पाते हैं।

साथ ही, एजेंट फ़्रेमवर्क्स अक्सर ऐसे लर्निंग तंत्र शामिल करते हैं जो एजेंट्स को समय के साथ अपना प्रदर्शन बेहतर करने देते हैं। फीडबैक और अनुभवों से सीखकर, एजेंट्स अपने निर्णय-प्रक्रियाओं को निरंतर अनुकूलित कर सकते हैं और नई चुनौतियों के अनुरूप ढल सकते हैं। यह सतत सुधार एजेंट्स को अधिक प्रभावी और उपयोगी बनाता है, जिससे दीर्घकालिक रूप से सिस्टम की दक्षता और सफलता बढ़ती है।

और एजेंट फ़्रेमवर्क्स की बात करें, तो आइए ऐसे फ़्रेमवर्क से मिलें जो AI समुदाय में सुर्खियाँ बटोर रहा है: CrewAI।

CrewAI क्या है?

CrewAI एक ओपन-सोर्स Python फ़्रेमवर्क है जो दो परस्पर पूरक बिल्डिंग ब्लॉक्स के इर्द-गिर्द बना है:

Crews — AI एजेंट्स की टीमें जो रोल-आधारित निर्णय-निर्माण के माध्यम से स्वतः सहयोग करती हैं — और
Flows — प्रोडक्शन-रेडी, इवेंट-ड्रिवन वर्कफ़्लो जो आपको ऑटोमेशन पर नियंत्रण देते हैं।

साथ मिलकर, ये आपको एक साधारण रिसर्च पाइपलाइन से लेकर पूरी तरह स्वायत्त मल्टी-एजेंट सिस्टम तक—कुछ भी बनाने देते हैं।

यह फ़्रेमवर्क वेब सर्च इंजन और लैंग्वेज मॉडल्स सहित कई टूल्स से बना है, जो एजेंट्स को बाहरी दुनिया से जुड़ने, जानकारी एकत्र करने और अपने उद्देश्यों को पूरा करने के लिए कार्रवाई करने में सक्षम बनाते हैं।

CrewAI का डिज़ाइन और स्केलेबिलिटी इसे बुनियादी और जटिल—दोनों तरह के मल्टी-एजेंट एप्लिकेशनों के विकास के लिए उपयुक्त बनाते हैं, और AI सिस्टम्स में चुनौतियों से निपटने तथा निर्णय लेने के लिए सहयोगात्मक विधि को प्रोत्साहित करते हैं।

आइए कुछ प्रमुख विशेषताओं पर नज़र डालें जो CrewAI को मल्टी-एजेंट सिस्टम बनाने का एक शक्तिशाली टूल बनाती हैं।

एजेंट ऑर्केस्ट्रेशन: CrewAI सुनिश्चित करता है कि हर एजेंट अपनी भूमिका जानता हो। यह एजेंट व्यवहारों को परिभाषित और समन्वित करने के उपकरण देता है, ताकि सभी तालमेल में काम करें।
रोल-आधारित आर्किटेक्चर: जैसे संगीतकारों को अलग-अलग वाद्य सौंपना—CrewAI आपको एजेंट्स को विशिष्ट भूमिकाएँ देने देता है, जिससे उनकी क्षमताएँ और अनुमतियाँ निर्धारित होती हैं। इससे, जटिलता बढ़ने पर भी, एक मॉड्युलर और सुव्यवस्थित सिस्टम बनता है।
लचीला संचार: CrewAI विभिन्न संचार चैनलों का समर्थन करता है, जिससे एजेंट्स सहजता से जानकारी का आदान-प्रदान कर सकें। इसे ऐसे समझें मानो निजी चैट, समूह चर्चा और मेगाफोन—सब एक साथ मिल गए हों।
टूल इंटीग्रेशन: CrewAI एजेंट्स को विभिन्न टूल्स के माध्यम से दुनिया के साथ संपर्क करने में सक्षम बनाता है। ये टूल्स एजेंट्स को वेब सर्च करने, भाषा समझने, डेटा का विश्लेषण करने और कस्टम कार्य करने में मदद करते हैं।
स्केलेबिलिटी: CrewAI को सहज रूप से स्केल करने के लिए डिज़ाइन किया गया है, ताकि आपका मल्टी-एजेंट सिस्टम बढ़ते हुए भी उत्तरदायी और कुशल बना रहे।

लेकिन CrewAI से आपको कौन-से लाभ मिलते हैं? आइए इसके फ़ायदों पर नज़र डालें।

CrewAI Flows और Crews

CrewAI दो परस्पर पूरक बिल्डिंग ब्लॉक्स पर आधारित है, जो साधारण एजेंट कार्यों से लेकर जटिल प्रोडक्शन पाइपलाइनों तक सब संभालने के लिए साथ में काम करते हैं।

Crews AI एजेंट्स की टीमें हैं जो स्वतः सहयोग करती हैं। Crew के प्रत्येक एजेंट की स्पष्ट भूमिका, लक्ष्य और पृष्ठभूमि होती है—और वे कार्य पूरे करने, एक-दूसरे को सौंपने, और हर कदम को स्क्रिप्ट किए बिना निर्णय लेने के लिए साथ काम करते हैं। जब आप चाहते हैं कि एजेंट्स यह समझें कि कोई काम कैसे करना है, तब आप Crew का उपयोग करते हैं।

Flows Crews के ऊपर का ऑर्केस्ट्रेशन लेयर हैं। Flow आपको एक से अधिक Crews को जोड़ने, चरणों के बीच सशर्त तर्क जोड़ने, पाइपलाइन भर में स्टेट प्रबंधित करने, और इवेंट्स के आधार पर कार्रवाइयाँ ट्रिगर करने देता है। जहाँ Crew आपको स्वायत्तता देता है, वहीं Flow आपको नियंत्रण देता है।

	Crews	Flows
उपयुक्त किसके लिए	स्वायत्त, सहयोगी एजेंट कार्य	नियंत्रित निष्पादन वाली बहु-चरणीय पाइपलाइंस
नियंत्रण स्तर	एजेंट-चालित	डेवलपर-परिभाषित
कब उपयोग करें	जब आप चाहते हैं कि एजेंट्स तरीका खुद तय करें	जब आपको क्या, कब और यदि पर नियंत्रण चाहिए

अधिकांश शुरुआती लोगों के लिए, आप Crews से शुरू करेंगे। केवल तब Flows का उपयोग करें जब आपको प्रोडक्शन-ग्रेड विश्वसनीयता चाहिए। स्केल-अप करने का तरीका Flows ही हैं।

CrewAI का उपयोग करने के लाभ

CrewAI कई AI एजेंट्स को सहयोग करने, ज्ञान साझा करने और साझा लक्ष्य की ओर अपनी कार्रवाइयों का समन्वय करने में सक्षम बनाता है।

कार्य-वितरण और संसाधन प्रबंधन को स्वचालित करके, CrewAI एजेंट्स को न्यूनतम ओवरहेड के साथ अपनी विशिष्ट भूमिकाओं पर ध्यान केंद्रित करने देता है।

यह फ़्रेमवर्क अनुकूलनशीलता का भी समर्थन करता है, जिससे एजेंट्स बदलती परिस्थितियों या उद्देश्यों के आधार पर अपने व्यवहार को समायोजित कर सकते हैं।

साथ ही, CrewAI बहु-एजेंट सिस्टम्स को बनाने और प्रबंधित करने के लिए उपयोगकर्ता-अनुकूल प्लेटफ़ॉर्म के साथ विकास प्रक्रिया को सरल बनाता है।

CrewAI की एक और प्रमुख ताकत है—विभिन्न टूल्स के साथ इसका इंटीग्रेशन। इससे एजेंट्स की क्षमताएँ बढ़ती हैं, वे बाहरी दुनिया से संपर्क कर सकते हैं और जानकारी जुटा सकते हैं।

CrewAI वेब सर्च इंजन, लैंग्वेज मॉडल्स, डेटा विश्लेषण टूल्स, और यहाँ तक कि कस्टम-निर्मित फ़ंक्शनैलिटी जैसे टूल्स का समर्थन करता है। इससे एजेंट्स अपनी मूल क्षमताओं से आगे बढ़कर कार्य कर पाते हैं—जैसे वेब से जानकारी लाना या जटिल डेटा विश्लेषण करना।

हैंड्स-ऑन: CrewAI के साथ एक वेब सर्च टूल बनाना

आइए आस्तीनें चढ़ाएँ और CrewAI टूल्स का उपयोग करके एक वर्कफ़्लो बनाएँ—वेबसाइट से सामग्री स्क्रैप करें और फिर उस पर RAG चलाएँ।

हमें वह कोड लिखना होगा जो टूल को काम में लाए। शुरू करने से पहले, pip का उपयोग करके crewai-tools और crewai पैकेज इंस्टॉल करें:

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

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

पैकेज इंस्टॉल हो जाने के बाद, नीचे दिए गए चरणों का पालन करें। इस उदाहरण में हम तीन अलग-अलग टूल्स का उपयोग करेंगे: वेबसाइट स्क्रैप करने के लिए ScrapeWebsiteTool, फ़ाइल लिखने के लिए FileWriterTool, और RAG के लिए संदर्भ में खोजने हेतु TXTSearchTool। आइए शुरू करें।

स्टेप 1: किसी वेबसाइट को स्क्रैप करना

सबसे पहले हम आवश्यक लाइब्रेरियाँ इम्पोर्ट करते हैं और ScrapeWebsiteTool को इनिशियलाइज़ करते हैं। यह टूल किसी वेबसाइट से सामग्री निकालने के लिए उपयोग होता है। यहाँ इसे Wikipedia के "Artificial Intelligence" पेज से सामग्री स्क्रैप करने के लिए सेट किया गया है:

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)

स्टेप 2: निकाले गए टेक्स्ट को फ़ाइल में लिखें

अब हम FileWriterTool का उपयोग करके निकाले गए टेक्स्ट को ai.txt नाम की फ़ाइल में सहेजते हैं।

# 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)

स्टेप 3: टेक्स्ट सर्च टूल सेट करें

हम अभी सहेजी गई ai.txt फ़ाइल की सामग्री में खोज करने के लिए एक और टूल सेट करते हैं। हम OpenAI API कुंजी के लिए env वेरिएबल भी सेट करते हैं।

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')

स्टेप 4: कार्य के लिए एक एजेंट बनाएँ और उसे चलाएँ

हम एक डेटा विश्लेषक एजेंट बनाते हैं जिसकी भूमिका है—शिक्षक। इस एजेंट का कार्य है—फ़ाइल में खोजे गए टेक्स्ट के आधार पर प्रश्न "What is Natural Language Processing?" का उत्तर देना।

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()

CrewAI की तुलना LangGraph और AutoGen से

CrewAI के प्रमुख विकल्प LangGraph और Microsoft का AutoGen हैं। CrewAI का सबसे बड़ा लाभ इसका रोल-आधारित एजेंट पैरेडाइम है। मेरा मतलब है—जब आप एजेंट्स को भूमिकाएँ, लक्ष्य और पृष्ठभूमियाँ देकर परिभाषित करते हैं, तो आपको ऐसा व्यवहार मिलता है जो काफ़ी हद तक दर्शाता है कि मानव टीमें कैसे सहयोग करती हैं।

LangGraph ग्राफ-आधारित दृष्टिकोण के ज़रिए निष्पादन प्रवाह पर अधिक नियंत्रण देता है, लेकिन इसके लिए निर्देशित ग्राफ़ और स्टेट मैनेजमेंट अवधारणाओं की समझ चाहिए। अधिकांश डेवलपर्स जो मल्टी-एजेंट सिस्टम्स में नए हैं, उनके लिए CrewAI किसी कार्यशील प्रोटोटाइप तक पहुँचने का तेज़ रास्ता है।

निष्कर्ष

CrewAI मल्टी-एजेंट सिस्टम्स के प्रबंधन के लिए एक व्यावहारिक प्लेटफ़ॉर्म प्रदान करता है। चाहे कंटेंट स्क्रैप करना हो या कार्य सौंपना—यह फ़्रेमवर्क एजेंट्स के बीच सहयोग का समर्थन करता है और उन्हें अनुकूलित होने व बेहतर बनने में मदद करता है।

टूल्स के इंटीग्रेशन और सुव्यवस्थित संरचना के साथ, CrewAI डेवलपर्स के लिए एजेंट इंटरैक्शन प्रबंधित करना, कार्यों का वितरण करना, और इष्टतम प्रदर्शन सुनिश्चित करना आसान बनाता है।

विषय

एआई एजेंट्स

कृत्रिम बुद्धिमत्ता