CrewAI: KI-Agenten als Team Aufgaben erledigen lassen

Ein einzelner Chatbot beantwortet Fragen, aber sobald eine Aufgabe aus mehreren Schritten besteht, etwa erst recherchieren, dann auswerten, dann einen Text schreiben, musst Du ihn bei jedem Schritt selbst anstoßen. CrewAI nimmt Dir genau diese Fleißarbeit ab: Das Open-Source-Framework lässt mehrere KI-Agenten mit unterschiedlichen Rollen zusammenarbeiten und reicht Ergebnisse selbstständig von einem zum nächsten weiter. Hier zeige ich Dir, wie das Prinzip funktioniert, wie Du ein erstes Projekt startest und wofür sich der Aufwand in der Praxis lohnt.

Was CrewAI ist

CrewAI ist ein in Python geschriebenes Framework zum Orchestrieren autonomer KI-Agenten und steht unter der MIT-Lizenz, Du darfst es also frei nutzen, auch beruflich. Es läuft mit Python ab Version 3.10 bis einschließlich 3.13. Es wird aktiv gepflegt, die aktuelle Version 1.15 ist laut den Releases im GitHub-Repository erst wenige Tage alt.

Das Framework besteht aus fünf Bausteinen, die Du kennen solltest, weil sich alles Weitere daraus zusammensetzt:

• Agent: ein KI-Mitarbeiter mit Rolle, Ziel und Hintergrundgeschichte, der ein Sprachmodell nutzt und optional Werkzeuge bekommt.
• Task: eine konkrete Aufgabe mit Beschreibung, erwartetem Ergebnis und einem zugewiesenen Agenten.
• Tool: ein Werkzeug, das ein Agent aufrufen darf, zum Beispiel eine Websuche.
• Crew: das Team aus Agenten und Aufgaben, das gemeinsam ein Ergebnis liefert.
• Flow: ein ereignisgesteuerter Ablauf, der Crews einbettet und mit Zustand, Verzweigungen und festen Schritten arbeitet.

Der Unterschied zwischen Crew und Flow ist in der Praxis wichtig. Eine Crew überlässt den Agenten viel Freiheit, ein Flow gibt Dir die Kontrolle über den Ablauf, sodass Du das Ergebnis besser vorhersagen kannst.

Schritt 1: CrewAI installieren

Die offizielle Installationsanleitung setzt auf den Paketmanager uv. Falls Du ihn noch nicht hast, installierst Du ihn unter macOS und Linux mit diesem Befehl:

curl -LsSf https://astral.sh/uv/install.sh | sh

Danach installierst Du die CrewAI-Kommandozeile:

uv tool install crewai

Mit uv tool list siehst Du, ob crewai in der Liste auftaucht, und ein späteres Update erledigst Du mit uv tool install crewai --upgrade. Die Anleitung dazu steht in der Installationsdoku von CrewAI.

Schritt 2: Ein Projekt anlegen

Jetzt erzeugst Du ein Grundgerüst. Ersetze mein_team durch den Namen, den Dein Projekt tragen soll:

crewai create crew mein_team

Der Befehl legt einen Projektordner an, mit einer crew.jsonc für Aufgaben und Ablauf, einem Ordner agents für die Agenten und einer .env-Datei für Deine Zugangsdaten. Wer lieber das ältere Layout mit Python- und YAML-Dateien mag, hängt --classic an den Befehl an. Alles Weitere in diesem Artikel bezieht sich auf das neue Standardlayout.

Schritt 3: Agenten und Aufgaben beschreiben

Ein Agent ist im Kern ein kurzer Steckbrief. Die Felder role, goal und backstory legen fest, wie er sich verhält, und über tools bekommt er Werkzeuge, etwa SerperDevTool für die Websuche. Platzhalter in geschweiften Klammern wie {topic} füllst Du beim Start mit eigenen Werten.

Eine Aufgabe in der crew.jsonc besteht aus einer Beschreibung, dem erwarteten Ergebnis und dem zuständigen Agenten, und mit output_file legst Du fest, in welche Datei das Ergebnis geschrieben wird. Als Ablauf wählst Du sequential, dann arbeiten die Agenten die Aufgaben der Reihe nach ab und jede Antwort dient als Kontext für die nächste. Alternativ gibt es den hierarchischen Ablauf, bei dem ein Manager-Agent die Aufgaben selbst verteilt und die Ergebnisse prüft. Dafür musst Du entweder ein manager_llm oder einen eigenen manager_agent angeben.

Die genauen Felder und Beispiele findest Du im Quickstart der CrewAI-Dokumentation, den ich Dir als Vorlage ans Herz lege, weil sich die Dateiformate zwischen Versionen ändern.

Schritt 4: Sprachmodell und API-Schlüssel eintragen

Agenten brauchen ein Sprachmodell. Dessen Zugangsdaten kommen in die .env im Projektordner, zum Beispiel OPENAI_API_KEY oder ANTHROPIC_API_KEY, je nachdem, welchen Anbieter Du nutzt. Der Modellname wird immer mit Anbieter-Präfix angegeben, also etwa openai/gpt-4o, denn ohne Präfix erkennt CrewAI das Modell nicht.

Möchtest Du ohne Cloud-Kosten und ohne Datenabfluss arbeiten, nimmst Du ein lokales Modell über Ollama. Dafür installierst Du zuerst die Zusatzabhängigkeit:

uv add 'crewai[litellm]'

Anschließend gibst Du das lokale Modell im Python-Code so an:

from crewai import LLM

llm = LLM(
    model="ollama/llama3:70b",
    base_url="http://localhost:11434"
)

Die Adresse http://localhost:11434 ist der Standardport von Ollama auf Deinem Rechner. Wie Du lokale Modelle bequem betreibst, zeigt zum Beispiel der Artikel Odysseus: KI-Workspace selbst hosten mit lokalen Modellen.

Schritt 5: Starten

Im Projektordner installierst Du die Abhängigkeiten und startest das Team:

crewai install

crewai run

Fehlt ein Platzhalterwert, fragt crewai run ihn bei Dir ab. Nach einigen Minuten liegt das Ergebnis in der Datei, die Du als output_file festgelegt hast. Mit dem Schalter --inputs kannst Du bei Flows Werte auch direkt beim Aufruf übergeben.

Was Du damit praktisch machen kannst

Besonders gut funktioniert CrewAI bei Aufgaben, die sich in Rollen zerlegen lassen:

• Recherche und Berichte: Ein Agent sucht im Web, ein zweiter prüft die Funde, ein dritter schreibt daraus einen Bericht als Markdown-Datei.
• Content-Pipeline: Themenfindung, Rohtext, Lektorat und Zusammenfassung laufen als Kette, bei der jeder Schritt den vorherigen verfeinert.
• Auswertung von Daten und Dokumenten: Agenten mit Zugriff auf Wissensquellen beantworten Fragen zu Deinen eigenen Unterlagen.
• Kundenanfragen vorsortieren: Ein Flow entscheidet je nach Inhalt, welche Crew eine Anfrage bearbeitet, und lässt bei heiklen Fällen einen Menschen bestätigen (Human in the Loop).
• Eigene Werkzeuge anbinden: Über eigene Tools und die MCP-Unterstützung greifen Agenten auf Deine Dienste und Datenbanken zu.

Zum Funktionsumfang gehören außerdem Speicher, damit Agenten sich an frühere Läufe erinnern, strukturierte Ausgaben, asynchrone Ausführung und Checkpointing.

Grenzen und Hinweise

Mehrere Agenten bedeuten mehrere Modellaufrufe, und das kostet bei Cloud-Anbietern Tokens und Zeit. Fang deshalb mit zwei Agenten und einer klaren Aufgabe an, statt gleich ein großes Team zu bauen. Setz außerdem lieber einen Flow ein, sobald das Ergebnis zuverlässig reproduzierbar sein soll. Und noch ein Datenschutzhinweis: CrewAI sendet standardmäßig anonyme Telemetriedaten, die Du mit der Umgebungsvariable OTEL_SDK_DISABLED=true abschalten kannst.

Wenn Du Abläufe lieber per Klick statt mit Code baust, ist n8n die einfachere Wahl. Wer mit dem Server dafür noch nicht gestartet ist, bekommt über diesen Affiliate-Link zu DigitalOcean (Affiliate Link) Startguthaben zum Ausprobieren.

Fazit

CrewAI lohnt sich, wenn Du eine Aufgabe in mehrere Rollen zerlegen kannst und das Ergebnis ohne Dein ständiges Eingreifen entstehen soll. Der Einstieg dauert dank crewai create crew und crewai run nur wenige Minuten, und mit Ollama läuft das Ganze bei Bedarf komplett auf Deinem eigenen Rechner. Für den Anfang genügt ein kleines Zweierteam aus Rechercheur und Autor, an dem Du das Prinzip in Ruhe nachvollziehen kannst.