CrewAI: Een gids met voorbeelden van multi-AI-agentsystemen

AI-agents zijn assistenten die taken kunnen uitvoeren en met de wereld kunnen interageren. In tegenstelling tot traditionele systemen die vaste regels volgen, kunnen ze leren en zich aanpassen aan nieuwe situaties. Zie het als softwareprogramma’s die hun omgeving kunnen waarnemen en actie kunnen ondernemen.

Maar wat onderscheidt AI-agents van andere AI-entiteiten, zoals de populaire taalmodellen waar we allemaal over hebben gehoord?

In dit artikel beantwoord ik die vraag en introduceer ik CrewAI, een gratis en open-source Python-framework dat is ontworpen om de ontwikkeling van multi-agent AI-systemen te vereenvoudigen. We verkennen het verschil tussen agents en taalmodellen, bespreken waarom agentframeworks belangrijk zijn voor het bouwen van AI-toepassingen, en laten zien hoe CrewAI agents laat samenwerken om sterke resultaten te behalen.

AI-agents vs. LLM’s

Laten we een veelvoorkund misverstand wegnemen over het verschil tussen agents en large language models (LLM’s). Ze horen allebei bij de familie van kunstmatige intelligentie, maar hebben verschillende capaciteiten.

Taalmodellen, zoals ChatGPT en Gemini, zijn uiterst bedreven in taalgebruik. Ze zijn uitgebreid getraind op enorme hoeveelheden tekst en code, waardoor ze taal kunnen begrijpen en produceren die sterk lijkt op menselijke communicatie.

LLM’s zijn de taalvirtuozen van kunstmatige intelligentie en produceren een breed scala aan content, zoals vertalingen, samenvattingen, creatieve verhalen of zelfs poëzie. Hun speelveld is doorgaans beperkt tot taalgerelateerde taken.

Agents richten zich daarentegen vooral op het ondernemen van actie. Ze kunnen navigeren, met objecten interacteren en beslissingen nemen op basis van hun waarnemingen. 

Kort gezegd: taalmodellen zijn het brein en agents zijn de handen. Samen vormen ze een krachtig duo.

Als agents zo’n cruciale rol spelen in AI-toepassingen, hoe beheren we dan de complexiteit wanneer meerdere agents moeten samenwerken? Daar komen agentframeworks om de hoek kijken.

De noodzaak van een agentframework

De behoefte aan agentframeworks ontstaat door de toenemende complexiteit van AI-toepassingen, vooral wanneer meerdere agents gezamenlijk aan een gemeenschappelijk doel werken. Laten we zien waarom agentframeworks essentieel zijn.   

Orchestratie en coördinatie

Naarmate AI-systemen opschalen, bevatten ze vaak talloze agents met uiteenlopende vaardigheden. Het beheren van deze interacties en zorgen dat ze harmonieus samenwerken wordt steeds lastiger.

Agentframeworks bieden een gestructureerde omgeving voor de orkestratie van agentactiviteiten, het definiëren van hun rollen en verantwoordelijkheden, en het verbeteren van de communicatie.

In multi-agentsystemen is het efficiënt toewijzen van taken aan de meest geschikte agents en het effectief beheren van gedeelde resources een belangrijk aspect. Agentframeworks bieden dynamische mechanismen voor taaktoewijzing, resourc onderhandeling en conflictoplossing.

Modulariteit en herbruikbaarheid

Agentframeworks stimuleren een modulaire aanpak van AI-ontwikkeling, waarbij agents worden ontworpen en geïmplementeerd als onafhankelijke componenten. Deze modulariteit zorgt voor betere code-organisatie en maakt hergebruik van agentmodules over verschillende projecten mogelijk, waardoor de ontwikkeling en het onderhoud van complexe systemen eenvoudiger worden. Met deze componentgebaseerde structuur kunnen AI-ontwikkelaars zich richten op individuele agents zonder het grotere systeem te verstoren.

Bovendien hanteren agentframeworks vaak een rolgebaseerde architectuur, waarmee ontwikkelaars specifieke rollen aan agents kunnen toewijzen die hun mogelijkheden en rechten bepalen. Dit rolgebaseerde ontwerp leidt tot een beter georganiseerd en beheersbaar systeem waarin agents met minimale impact op de algehele architectuur kunnen worden toegevoegd, verwijderd of aangepast. Deze flexibiliteit zorgt ervoor dat systemen kunnen evolueren en zich aanpassen aan nieuwe eisen zonder ingrijpende herbouw.

Aanpasbaarheid en leren

Echte omgevingen zijn vaak dynamisch, onvoorspelbaar en voortdurend in ontwikkeling. Agentframeworks rusten agents uit om veranderingen in hun omgeving waar te nemen en hun gedrag daarop aan te passen. Deze aanpasbaarheid zorgt ervoor dat agents effectief kunnen functioneren, zelfs in complexe en voortdurend verschuivende scenario’s, waardoor ze beter bestand zijn tegen realistische uitdagingen.

Daarnaast bevatten agentframeworks vaak leermechanismen waarmee agents hun prestaties in de loop van de tijd kunnen verbeteren. Door te leren van feedback en ervaringen kunnen agents hun beslissingsprocessen continu optimaliseren en zich aanpassen aan nieuwe uitdagingen zodra die zich voordoen. Deze voortdurende verbetering maakt agents effectiever en waardevoller, wat bijdraagt aan de efficiëntie en het succes van het systeem op de lange termijn.

En over agentframeworks gesproken: laten we er eentje introduceren die veel stof doet opwaaien in de AI-community: CrewAI.

Wat is CrewAI?

CrewAI is een open-source Python-framework dat is opgebouwd rond twee complementaire bouwstenen:

• Crews — teams van AI-agents die autonoom samenwerken via rolgebaseerde besluitvorming — en
• Flows — productierijpe, event-gedreven workflows die je controle geven over automatiseringen.

Samen kun je hiermee alles bouwen: van een eenvoudige researchpipeline tot een volledig autonoom multi-agentsysteem.

Dit framework bestaat uit een reeks tools, waaronder webzoekmachines en taalmodellen, waarmee agents met de buitenwereld kunnen interageren, informatie kunnen verzamelen en actie kunnen ondernemen om hun doelen te behalen.

Het ontwerp en de schaalbaarheid van CrewAI maken het ideaal voor zowel eenvoudige als complexe multi-agenttoepassingen. Het stimuleert een collaboratieve aanpak voor het oplossen van uitdagingen en het nemen van beslissingen binnen AI-systemen.

Laten we enkele kernfeatures bekijken die van CrewAI een krachtig hulpmiddel maken voor het bouwen van multi-agentsystemen.

• Agentorkestratie: CrewAI zorgt ervoor dat elke agent zijn rol kent. Het biedt de tools om agentgedrag te definiëren en te coördineren, zodat iedereen in hetzelfde ritme speelt.
• Rolgebaseerde architectuur: Net als verschillende instrumenten toewijzen aan muzikanten, laat CrewAI je specifieke rollen aan agents toewijzen, waarmee je hun mogelijkheden en rechten bepaalt. Dit creëert een modulair en goed gestructureerd systeem, ook wanneer het complex wordt.
• Flexibele communicatie: CrewAI ondersteunt verschillende communicatiekanalen, zodat agents naadloos informatie kunnen uitwisselen. Zie het als een privéchat, een groepsgesprek en een megafoon in één.
• Toolintegratie: CrewAI stelt agents in staat om via diverse tools met de wereld te interageren. Deze tools laten agents het web doorzoeken, taal begrijpen, data analyseren en maatwerktaken uitvoeren.
• Schaalbaarheid: CrewAI is ontworpen om moeiteloos te schalen, zodat je multi-agentsysteem responsief en efficiënt blijft naarmate het groeit.

Maar welke voordelen biedt CrewAI precies? Laten we die verkennen.

CrewAI Flows en Crews

CrewAI is opgebouwd rond twee complementaire bouwstenen die samenwerken om alles aan te kunnen: van eenvoudige agenttaken tot complexe productie-pipelines.

Crews zijn teams van AI-agents die autonoom samenwerken. Elke agent in een Crew heeft een gedefinieerde rol, doel en achtergrondverhaal — en ze werken samen om taken te voltooien, delegeren aan elkaar en nemen beslissingen zonder dat jij elke stap hoeft te scripten. Een Crew gebruik je wanneer je wilt dat agents zelf uitvogelen hoe iets gedaan moet worden.

Flows zijn de orkestratielaag boven Crews. Met een Flow kun je meerdere Crews aan elkaar koppelen, conditionele logica tussen stappen toevoegen, state beheren in de hele pipeline en acties triggeren op basis van events. Waar een Crew je autonomie geeft, geeft een Flow je controle.

Voor de meeste beginners begin je met Crews. Pas als je productierijpe betrouwbaarheid nodig hebt, gebruik je Flows. Met Flows schaal je op.

Voordelen van het gebruik van CrewAI

CrewAI stelt meerdere AI-agents in staat om samen te werken, kennis te delen en hun acties te coördineren richting een gemeenschappelijk doel.

Door taakverdeling en resourcemanagement te automatiseren, kunnen agents zich met minimale overhead richten op hun specifieke rollen.

Het framework ondersteunt ook aanpasbaarheid, waardoor agents hun gedrag kunnen bijstellen op basis van veranderende omstandigheden of doelen.

Daarnaast vereenvoudigt CrewAI het ontwikkelproces met een gebruiksvriendelijk platform voor het creëren en beheren van multi-agentsystemen.

Een andere belangrijke kracht van CrewAI is de integratie met een breed scala aan tools. Dit vergroot de mogelijkheden van agents, waardoor ze met de buitenwereld kunnen interageren en informatie kunnen verzamelen.

CrewAI ondersteunt tools zoals webzoekmachines, taalmodellen, data-analysetools en zelfs maatwerkfunctionaliteiten. Hierdoor kunnen agents taken uitvoeren voorbij hun kerncapaciteiten, zoals informatie van het web ophalen of complexe data-analyses uitvoeren.

Hands-on: een webzoektool bouwen met CrewAI

We gaan de mouwen opstropen en een workflow bouwen met CrewAI-tools om de content van de website te scrapen en er vervolgens RAG op uit te voeren. 

We moeten de code schrijven die de tool laat werken. Voordat we beginnen, installeren we de pakketten crewai-tools en crewai met pip:

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

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

Zodra je de pakketten hebt geïnstalleerd, volg je de onderstaande stappen. In dit voorbeeld gebruiken we drie verschillende tools: ScrapeWebsiteTool om de website te scrapen, FileWriterTool om het bestand te schrijven, en TXTSearchTool om in de context te zoeken voor RAG. Laten we beginnen.

Stap 1: Een website scrapen

We importeren eerst de benodigde libraries en initialiseren de ScrapeWebsiteTool. Deze tool wordt gebruikt om content van een website te extraheren. In dit geval is hij ingesteld om content te scrapen van de Wikipedia-pagina “Artificial Intelligence”:

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)

Stap2: De geëxtraheerde tekst naar een bestand schrijven

We gebruiken nu de FileWriterTool om de geëxtraheerde tekst op te slaan in een bestand met de naam ai.txt. 

# 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)

Stap 3: De tekstzoektool instellen

We stellen een andere tool in om de inhoud van het zojuist opgeslagen bestand ai.txt te doorzoeken. We stellen ook de omgevingsvariabele in voor de OpenAI API-sleutel.

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')

Stap 4: Maak een agent voor de taak en voer deze uit

We maken een data-analist-agent met de rol van docent. De taak van deze agent is om de vraag "What is Natural Language Processing?" te beantwoorden op basis van de tekst die we in het bestand hebben doorzocht.

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()

Hoe CrewAI zich verhoudt tot LangGraph en AutoGen

De belangrijkste alternatieven voor CrewAI zijn LangGraph en Microsofts AutoGen. Het grootste voordeel van CrewAI is het rolgebaseerde agentparadigma. Daarmee bedoel ik: door agents te definiëren met rollen, doelen en achtergrondverhalen krijg je gedrag dat sterk lijkt op hoe menselijke teams samenwerken.

LangGraph biedt meer controle over de uitvoeringsflow via een graaf-gebaseerde aanpak, maar vereist begrip van gerichte grafen en statebeheer. Voor de meeste ontwikkelaars die nieuw zijn met multi-agentsystemen is CrewAI de snelste route naar een werkend prototype.

Conclusie

CrewAI biedt een praktische omgeving voor het beheren van multi-agentsystemen. Of het nu gaat om content scrapen of taken delegeren: dit framework ondersteunt samenwerking tussen agents en helpt ze zich aan te passen en te verbeteren.

Door tools te integreren en een georganiseerde structuur te bieden, maakt CrewAI het makkelijker voor ontwikkelaars om interacties tussen agents te beheren, taken te verdelen en optimale prestaties te waarborgen.