> ## 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: как несколько ИИ-агентов могут вместе писать код, искать данные и делать отчёты

> Практический обзор CrewAI: агенты, роли, задачи, crews, плюсы и минусы, пример OpenAI-compatible подключения через SpeShu.AI.

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.

```python theme={null} theme={null}
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](https://speshu.ai/profile).

Проверьте доступные модели в [каталоге](/api-reference/models/list).

## 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.

***

<Card title="Подключить API" icon="plug" type="tip" href="https://speshu.ai/profile">
  Запустите интеграцию через SpeShu.AI: единый доступ к AI-моделям, без VPN и зарубежной карты
</Card>