Перейти к основному содержанию

Documentation Index

Fetch the complete documentation index at: https://speshu.ai/docs/llms.txt

Use this file to discover all available pages before exploring further.

CrewAI — open-source фреймворк для multi-agent систем. Он помогает описать несколько AI-агентов с разными ролями, выдать им задачи и собрать результат через общий workflow. О CrewAI говорят потому, что многие бизнес-задачи удобнее раскладывать на роли. Один агент ищет данные, второй анализирует, третий пишет отчёт, четвёртый проверяет качество. Такой подход понятнее, чем один огромный prompt на все случаи. В статье разберём, как работает CrewAI, где он полезен и как подключить модели SpeShu.AI через OpenAI-compatible параметры.

​
Что такое crewai

CrewAI — это framework для orchestration нескольких автономных агентов. Каждый агент получает роль, цель, backstory, модель и, при необходимости, инструменты. Затем задачи объединяются в crew и выполняются последовательно или по заданной логике. CrewAI нужен разработчикам и AI-командам, которые хотят моделировать работу небольшой команды: исследователь, аналитик, разработчик, редактор, ревьюер. Это не магическая кнопка “сделай всё”. Хороший результат зависит от узких ролей, понятных задач и проверки outputs.

​
Как работает crewai

Базовая архитектура состоит из трёх сущностей:
  • Agent — исполнитель с ролью и моделью;
  • Task — конкретная задача и ожидаемый результат;
  • Crew — группа агентов и задач.
LLM задаётся на уровне агента или через объект LLM. В официальной документации CrewAI поддерживает base_url, поэтому можно использовать OpenAI-compatible endpoint. Для сложных задач добавляют tools: поиск, чтение файлов, API-запросы, базы данных. Но лучше начинать с простого crew без лишних инструментов.

​
Что умеет crewai

  • описывать агентов с ролями;
  • распределять задачи между агентами;
  • подключать разные LLM;
  • использовать tools;
  • делать research → draft → review workflow;
  • строить автоматизацию отчётов, кода, анализа данных.
Мини-кейсы: подготовка маркетингового исследования, анализ конкурентов, генерация отчёта по документам, черновик кода с ревью, внутренний аналитический помощник.

​
crewai на практике

Пример ниже создаёт двух агентов: исследователь собирает тезисы, редактор превращает их в короткий отчёт. Модель вызывается через SpeShu.AI. 
import os
from crewai import Agent, Crew, LLM, Task

llm = LLM(
    model="openai/gpt-5.5",
    api_key=os.environ["SPESHU_AI_API_KEY"],
    base_url="https://speshu.ai/api/v1",
    temperature=0.3,
)

researcher = Agent(
    role="AI researcher",
    goal="Найти ключевые факты по теме и отделить важное от второстепенного",
    backstory="Ты аккуратный исследователь, который пишет только проверяемые тезисы.",
    llm=llm,
)

writer = Agent(
    role="Business writer",
    goal="Собрать короткий понятный отчёт для руководителя",
    backstory="Ты редактор, который пишет ясно и без воды.",
    llm=llm,
)

research_task = Task(
    description="Составь 5 тезисов о том, зачем компаниям нужен RAG по документам.",
    expected_output="Список из 5 коротких тезисов.",
    agent=researcher,
)

report_task = Task(
    description="На основе тезисов напиши отчёт на 2 абзаца.",
    expected_output="Короткий отчёт на русском языке.",
    agent=writer,
)

crew = Crew(agents=[researcher, writer], tasks=[research_task, report_task])
result = crew.kickoff()
print(result)
Такой шаблон можно расширить: добавить агента-ревьюера, tool для поиска по базе знаний или отдельного агента, который проверяет факты.

​
Преимущества и недостатки crewai

Плюсы:
  • роли и задачи легко объяснить бизнесу;
  • удобно делать research/report workflow;
  • поддерживается custom base URL;
  • хорошо подходит для прототипов multi-agent сценариев.
Минусы:
  • несколько агентов быстро увеличивают стоимость и latency;
  • плохие роли дают поверхностный результат;
  • для deterministic workflow иногда лучше обычный pipeline.

​
crewai vs альтернативы

CrewAI vs LangGraph: CrewAI проще для ролевой модели. LangGraph лучше, когда нужен точный контроль состояния, ветвлений и checkpointing. CrewAI vs AutoGPT: AutoGPT ближе к автономному агенту “выполни цель”. CrewAI лучше, когда вы сами задаёте роли и процесс. CrewAI vs Mastra: CrewAI — Python-first. Mastra — TypeScript-first и удобен для web/backend-команд на Node.js.

​
Кому подойдёт crewai

CrewAI подойдёт AI-стартапам, backend-разработчикам, аналитикам с Python, командам маркетинга и продуктовым командам, которые хотят автоматизировать исследовательские и отчётные задачи. Если процесс можно описать как работу нескольких специалистов, CrewAI хорошо ложится на модель задачи.

​
Как попробовать crewai через SpeShu.AI

SpeShu.AI подключается через параметры api_key и base_url:
  • не нужен VPN;
  • не нужна зарубежная карта;
  • можно выбирать разные модели под разные роли;
  • один баланс для всех экспериментов;
  • быстрый старт через speshu.ai/profile.
Проверьте доступные модели в каталоге.

​
Заключение

CrewAI полезен, когда задачу естественно разложить на роли. Главный инсайт: multi-agent не должен быть самоцелью. Начинайте с двух агентов и одной проверяемой цепочки, а потом добавляйте сложность.

Подключить API

Запустите интеграцию через SpeShu.AI: единый доступ к AI-моделям, без VPN и зарубежной карты