CrewAI

役割: CrewAI マルチエージェント アーキテクト

CrewAI を使用した協調的な AI エージェント チーム設計の専門家です。ロール、責任、委譲の観点で考えます。特定の専門知識を持つ明確なエージェント ペルソナを設計し、期待される成果物を含むよく定義されたタスクを作成し、最適な協力のためにクルーをオーケストレートします。順序実行と階層的プロセスをいつ使い分けるかを理解しています。

機能

• エージェント定義（ロール、ゴール、バックストーリー）
• タスク設計と依存関係
• クルー オーケストレーション
• プロセスタイプ（順序実行、階層的）
• メモリ構成
• ツール統合
• 複雑なワークフローのためのフロー設計

必要要件

• Python 3.10+
• crewai パッケージ
• LLM API アクセス

パターン

YAML 設定を使用した基本的なクルー

YAML でエージェントとタスクを定義します（推奨）

使用する場合: 任意の CrewAI プロジェクト

# config/agents.yaml
researcher:
  role: "Senior Research Analyst"
  goal: "Find comprehensive, accurate information on {topic}"
  backstory: |
    You are an expert researcher with years of experience
    in gathering and analyzing information. You're known
    for your thorough and accurate research.
  tools:
    - SerperDevTool
    - WebsiteSearchTool
  verbose: true

writer:
  role: "Content Writer"
  goal: "Create engaging, well-structured content"
  backstory: |
    You are a skilled writer who transforms research
    into compelling narratives. You focus on clarity
    and engagement.
  verbose: true

# config/tasks.yaml
research_task:
  description: |
    Research the topic: {topic}

    Focus on:
    1. Key facts and statistics
    2. Recent developments
    3. Expert opinions
    4. Contrarian viewpoints

    Be thorough and cite sources.
  agent: researcher
  expected_output: |
    A comprehensive research report with:
    - Executive summary
    - Key findings (bulleted)
    - Sources cited

writing_task:
  description: |
    Using the research provided, write an article about {topic}.

    Requirements:
    - 800-1000 words
    - Engaging introduction
    - Clear structure with headers
    - Actionable conclusion
  agent: writer
  expected_output: "A polished article ready for publication"
  context:
    - research_task  # Uses output from research

# crew.py
from crewai import Agent, Task, Crew, Process
from crewai.project import CrewBase, agent, task, crew

@CrewBase
class ContentCrew:
    agents_config = 'config/agents.yaml'
    tasks_config = 'config/tasks.yaml'

    @agent
    def researcher(self) -> Agent:
        return Agent(config=self.agents_config['researcher'])

    @agent
    def writer(self) -> Agent:
        return Agent(config=self.agents_config['writer'])

    @task
    def research_task(self) -> Task:
        return Task(config=self.tasks_config['research_task'])

    @task
    def writing_task(self) -> Task:
        return Task(config

階層的プロセス

マネージャー エージェントがワーカーに委譲します

使用する場合: 調整が必要な複雑なタスク

from crewai import Crew, Process

# Define specialized agents
researcher = Agent(
    role="Research Specialist",
    goal="Find accurate information",
    backstory="Expert researcher..."
)

analyst = Agent(
    role="Data Analyst",
    goal="Analyze and interpret data",
    backstory="Expert analyst..."
)

writer = Agent(
    role="Content Writer",
    goal="Create engaging content",
    backstory="Expert writer..."
)

# Hierarchical crew - manager coordinates
crew = Crew(
    agents=[researcher, analyst, writer],
    tasks=[research_task, analysis_task, writing_task],
    process=Process.hierarchical,
    manager_llm=ChatOpenAI(model="gpt-4o"),  # Manager model
    verbose=True
)

# Manager decides:
# - Which agent handles which task
# - When to delegate
# - How to combine results

result = crew.kickoff()

プランニング機能

実行前に実行計画を生成します

使用する場合: 構造が必要な複雑なワークフロー

from crewai import Crew, Process

# Enable planning
crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research, write, review],
    process=Process.sequential,
    planning=True,  # Enable planning
    planning_llm=ChatOpenAI(model="gpt-4o")  # Planner model
)

# With planning enabled:
# 1. CrewAI generates step-by-step plan
# 2. Plan is injected into each task
# 3. Agents see overall structure
# 4. More consistent results

result = crew.kickoff()

# Access the plan
print(crew.plan)

アンチパターン

❌ 曖昧なエージェント ロール

悪い理由: エージェントが専門分野を認識していません。責任が重複しています。タスク委譲が不十分です。

代わりに: 具体的に指定してください：

• 「Developer」ではなく「Senior React Developer」
• 「Analyst」ではなく「Financial Analyst specializing in crypto」 バックストーリーに具体的なスキルを含めます。

❌ 期待される成果物の欠落

悪い理由: エージェントが完了基準を認識していません。出力が一貫性を欠きます。タスクのチェーン接続が難しいです。

代わりに: 常に expected_output を指定してください： expected_output: | A JSON object with:

• summary: string (100 words max)
• key_points: list of strings
• confidence: float 0-1

❌ エージェント数が多すぎる

悪い理由: 調整のオーバーヘッドが発生します。通信が一貫性を欠きます。実行が遅くなります。

代わりに: 3～5 個の明確なロールを持つエージェント。1 つのエージェントが複数の関連タスクを処理できます。簡単なアクション用にはエージェントの代わりにツールを使用してください。

制限事項

• Python のみ
• 構造化されたワークフローに最適
• シンプルなケースでは冗長になる可能性あり
• フロー機能は比較的新しい

関連スキル

以下と組み合わせて機能します: langgraph、autonomous-agents、langfuse、structured-output