check-crewai-api

CrewAI API の確認

crewai のコードを記述またはレビューする前に、これを読み込んでください。おそらく覚えている内容と、crewai 1.15.x で実際に受け付けられる内容を対応付けています。

2026-10-01 に crewai 1.15.22 および 1.15.23 で検証済みです。 2026-10-01 に実際の LLM でライブテスト済みです。 まず crewai version を実行してください。メジャーまたはマイナーバージョンが 1.15 と異なる場合は、信頼する前に ask-docs スキルでバージョン依存の行を再検証してください。

---

1. 何かを書く前に知っておくべき3つのルール

1. 不明なキーワード引数は黙って無視されます。 Agent、Task、Crew は、存在しないパラメーターを受け付けて破棄します。Crew(memory_config={...}) や Task(response_format=Model) は問題なく生成されますが、何も行いません。古いパラメーター名を使っても例外は発生しないため、実在することを確認してください。

   from crewai import Agent, Crew, Task
   
   assert "response_model" in Task.model_fields      # real field
   assert "response_format" not in Task.model_fields  # silently dropped if passed
   assert "memory_config" not in Crew.model_fields    # silently dropped if passed
   print(sorted(Agent.model_fields)[:5])
   

2. インストール済みのソースが、ドキュメント、チュートリアル、記憶よりも優先されます。 これには、crewai create が新しいプロジェクトに生成する AGENTS.md も含まれます。以下の行が重要な場合は、インストール済みのシグネチャを確認してください（verify-installed-api.md を参照）。

3. 構造化出力は境界でアサートしてください。 以下のいくつかの間違いは、実行が成功したと報告される一方で、out.pydantic is None となり、ひそかに失敗します。

---

2. インポート

おそらく書いた内容	現在の 1.15.x 形式	間違った形式で起きること
from crewai_tools import BaseTool, tool	from crewai.tools import BaseTool, tool	ImportError: cannot import name 'BaseTool' from 'crewai_tools'
from crewai.flow.flow import Flow, start, listen, persist	from crewai.flow import Flow, start, listen, router, or_, and_, persist	ImportError: cannot import name 'persist'
from crewai.task import ConditionalTask	from crewai.tasks.conditional_task import ConditionalTask	ImportError
from crewai.memory import ShortTermMemory, LongTermMemory, EntityMemory	from crewai import Memory	ImportError（クラスは削除されています）
from crewai.utilities.events import crewai_event_bus	from crewai.events import BaseEventListener, crewai_event_bus	ModuleNotFoundError: No module named 'crewai.utilities.events'
from crewai_tools import CodeInterpreterTool	crewai に代替品はありません。サンドボックスツールまたはサービスを使用してください	ImportError（削除済み）

現在のトップレベルおよびプロジェクトのインポート：

from crewai import Agent, BaseLLM, Crew, CrewOutput, Flow, LLM, Memory, Process, Task, TaskOutput
from crewai.project import CrewBase, after_kickoff, agent, before_kickoff, crew, llm, task, tool
from crewai.tools import BaseTool, tool
from crewai.flow import Flow, and_, listen, or_, persist, router, start
from crewai.knowledge.source.string_knowledge_source import StringKnowledgeSource
from crewai.mcp import MCPServerHTTP, MCPServerSSE, MCPServerStdio
from crewai.events import BaseEventListener, crewai_event_bus

---

3. Agent、Task、Crew のパラメーターとデフォルト値

パラメーター	現在の値	備考
Task.expected_output	必須	Task(description=...) だけでは ValidationError ... expected_output Field required が発生します
Agent.max_iter	25	15 または 20 と想定しないでください
Agent.llm	None -> 構築時に解決	環境変数 MODEL、次に MODEL_NAME、次に OPENAI_MODEL_NAME を参照し、いずれも設定されていない場合は gpt-4.1-mini が使われます
Agent.cache	True	キャッシュを許可するだけで、有効化するわけではありません
Crew.cache	False	ツール結果のキャッシュはオプトインです。有効にするには Crew(cache=True) を設定します
Crew.memory	False
Crew.process	Process.sequential	存在するのは sequential と hierarchical のみです
Task.guardrail_max_retries	3	max_retries は非推奨です（DeprecationWarning）

おそらく書いていた内容	現在の形式	誤った形式で発生すること
Process.consensual	Process.sequential または Process.hierarchical	AttributeError
マネージャーを指定せずに Crew(process=Process.hierarchical, ...)	manager_llm="openai/gpt-4.1-mini" または manager_agent=... を追加	ValidationError: Attribute manager_llm or manager_agent is required
Crew(memory=True, memory_config={...})	Crew(memory=Memory(...))	memory_config は黙って無視されます
Agent(allow_code_execution=True) / code_execution_mode="unsafe"	削除し、サンドボックスツールを使用	非推奨の no-op です。allow_code_execution=True は DeprecationWarning を出します
Crew(function_calling_llm=...)	削除するか、エージェントごとに llm を設定	非推奨です。DeprecationWarning が出ます
同じ agent を使う async_execution=True のタスクを2つ	並行する非同期タスクごとに別のエージェントを使用	RuntimeError: Executor is already running. Cannot invoke the same executor instance concurrently.

from crewai import Agent, Crew, Process, Task

researcher = Agent(
    role="Researcher",
    goal="Find facts about {topic}",
    backstory="A careful researcher.",
    llm="openai/gpt-4.1-mini",
)
research = Task(
    description="List three facts about {topic}.",
    expected_output="Three bullet points.",
    agent=researcher,
)
crew = Crew(agents=[researcher], tasks=[research], process=Process.sequential, cache=True)
out = crew.kickoff(inputs={"topic": "honey bees"})
print(out.raw)

---

4. Crew の実行と結果の読み取り

おそらく書いていた内容	現在の形式	誤った形式で発生すること
crew.kickoff("honey bees")	crew.kickoff(inputs={"topic": "honey bees"})	TypeError: inputs must be a dict or Mapping, got str
ネイティブな非同期処理で await crew.kickoff_async(...)	await crew.akickoff(...)	動作しますが、kickoff_async は同期処理の kickoff をスレッド（asyncio.to_thread）で実行します
result.output / result.final_output / result.result	result.raw	AttributeError: 'CrewOutput' object has no attribute ...
同じ Crew で crew.kickoff(...) の後に crew.kickoff_for_each(...) を呼び出す	kickoff_for_each 用に新しい Crew を構築する（または、kickoff を呼び出す前に実行する）	エラーは発生しませんが、すべての実行で最初の kickoff の入力が再利用されます。実行ごとのコピーには、すでに補間されたタスクテキストが保持されています
await crew.akickoff() を使う Crew の実行で Agent(mcps=["https://..."])	mcps=[MCPServerHTTP(url="https://...")]（crewai.mcp から）	エラーは発生しませんが、エージェントは MCP ツールを1つも取得しません。文字列の参照は asyncio.run() で解決されますが、実行中のイベントループ内では失敗します（connect-tools-and-mcp を参照）

CrewOutput のフィールド：raw、pydantic、json_dict、tasks_output（TaskOutput のリスト）、token_usage。out["field"] は pydantic / json_dict から読み取ります。kickoff_for_each(inputs=[...]) は CrewOutput のリストを返します。

token_usage は実行ごとではなく、各エージェントの LLM オブジェクトの存続期間全体にわたる合計です。1つの LLM(...) インスタンスを2つのエージェントで共有すると、すべての呼び出しが2回分カウントされます。また、同じインスタンスを複数の Crew で再利用すると、前の Crew のトークンも加算されます（anthropic/claude-haiku-4-5 で検証済み。同じ LLM を使った2回目の1回呼び出しの Crew では148トークン、2リクエストが報告され、新しい LLM では73トークン、1リクエストでした）。実行ごとのコストを算出するには、Crew ごとに専用の LLM オブジェクトを割り当てるか、LLMCallCompletedEvent（event.usage）を数えてください。

import asyncio

from crewai import Agent, Crew, Task



def make_crew() -> Crew:
    writer = Agent(role="Writer", goal="Write", backstory="Writes short text.", llm="openai/gpt-4.1-mini")
    task = Task(description="One line on {topic}.", expected_output="One line.", agent=writer)
    return Crew(agents=[writer], tasks=[task])


out = make_crew().kickoff(inputs={"topic": "bees"})
print(out.raw, out.token_usage.total_tokens, [t.raw for t in out.tasks_output])

many = make_crew().kickoff_for_each(inputs=[{"topic": "bees"}, {"topic": "ants"}])
print([o.raw for o in many])


async def main():
    return await make_crew().akickoff(inputs={"topic": "wasps"})

print(asyncio.run(main()).raw)

---

5. LLM、モデル文字列、プロバイダーの追加機能

LiteLLM は依存関係ではなくなりました。LLM(model=...) はネイティブプロバイダークラスを返すファクトリーです。コアの crewai に含まれるのは OpenAI SDK のみです。

おそらく以前に書いていた形式	現在の形式	誤った形式で起こること
crewai のみをインストールし、llm="anthropic/claude-sonnet-4-5" と指定	uv add "crewai[anthropic]" を実行してから、同じ文字列を指定	ImportError: Anthropic native provider not available, to install: uv add "crewai[anthropic]"
crewai のみをインストールし、llm="gemini/gemini-2.5-flash" と指定	uv add "crewai[google-genai]"	ImportError: Google Gen AI native provider not available
llm="groq/llama-3.3-70b-versatile"（または mistral/... など、ネイティブプロバイダー以外）	uv add "crewai[litellm]"	ImportError: Unable to initialize LLM with model '...'. The model did not match any supported native provider (...), and the LiteLLM fallback package is not installed.
llm= を指定せず、gpt-4 が使われると思っている	デフォルトは gpt-4.1-mini です。MODEL=... または llm= を設定してください
llm.call(messages, response_format=Model)	llm.call(messages, response_model=Model)	TypeError: ... unexpected keyword argument 'response_format'. Did you mean 'response_model'?
カスタム BaseLLM.call(self, messages, tools=None, callbacks=None, available_functions=None)	from_task=None、from_agent=None、response_model=None も受け付けるようにしてください（または **kwargs を指定）	キックオフ時に TypeError: call() got an unexpected keyword argument 'from_task'

ネイティブプロバイダー：openai、anthropic/claude、azure、google/gemini、bedrock/aws、openrouter、deepseek、ollama、hosted_vllm、cerebras、dashscope、snowflake。追加機能：crewai[anthropic]、crewai[google-genai]、crewai[bedrock]、crewai[azure-ai-inference]、crewai[litellm]。コンストラクターは API キーを確認せず、キックオフ時に確認します（ValueError: OPENAI_API_KEY is required または ANTHROPIC_API_KEY is required。キーが間違っている場合は、プロバイダーの AuthenticationError ... 401 が発生します）。crewai create のスキャフォールドは、--provider anthropic/... を指定してもプロバイダーの追加機能を追加しません。自分で uv add "crewai[anthropic]" を実行してください。

from crewai import LLM

gpt = LLM(model="openai/gpt-4.1-mini", temperature=0.2)  # core install
local = LLM(model="ollama/llama3")                        # core install, OpenAI-compatible route
claude = LLM(model="anthropic/claude-sonnet-4-5")         # needs: uv add "crewai[anthropic]"
print(type(gpt).__name__, type(local).__name__, type(claude).__name__)

カスタム LLM は BaseLLM をサブクラス化し、完全なシグネチャで call を実装します。call で messages をプロバイダー SDK に渡す場合は、各メッセージの role と content のみを送信してください。crewai は一部のメッセージに cache_breakpoint: True キーを追加しますが、Anthropic API はこれを拒否し、400 ... messages.0.cache_breakpoint: Extra inputs are not permitted を返します。

from typing import Any

from crewai import Agent, BaseLLM, Crew, Task


class EchoLLM(BaseLLM):
    def call(self, messages, tools=None, callbacks=None, available_functions=None,
             from_task=None, from_agent=None, response_model=None, **kwargs: Any) -> str:
        return "echo: " + str(messages[-1]["content"])[:40]


agent = Agent(role="Echo", goal="Echo", backstory="Echoes.", llm=EchoLLM(model="echo"))
task = Task(description="Say hi", expected_output="Anything", agent=agent)
print(Crew(agents=[agent], tasks=[task]).kickoff().raw)

---

6. 構造化出力

場所	用途	結果の格納先
Task(output_pydantic=Model)	タスクとクルーの出力に解析済みモデルを格納	out.pydantic、out["field"]
Task(output_json=Model)	辞書形式の出力	out.json_dict
Task(response_model=Model)	プロバイダーのネイティブな構造化出力のみ	out.raw（JSON テキスト）。out.pydantic は None のまま
Agent.kickoff(messages, response_format=Model)	単独のエージェント	LiteAgentOutput.pydantic
llm.call(messages, response_model=Model)	LLM の直接呼び出し	解析済みモデル
LLM(model=..., response_format=Model)	コンストラクターでのデフォルト

おそらく書いていた形式	現在の形式	誤った形式で起こること
Task(response_format=Model)	Task(output_pydantic=Model)	無視されます
Agent.kickoff(msg, response_model=Model)	Agent.kickoff(msg, response_format=Model)	TypeError: ... Did you mean 'response_format'?
Task(output_pydantic=M, output_json=M)	どちらか一方を選択	ValidationError: Only one output type can be set
ファイルに散文が出力されると期待して Task(output_pydantic=M, output_file="report.md") を指定	output_pydantic を削除するか、自分でモデルをレンダリング	拡張子に関係なく、ファイルにはモデルの JSON が出力されます
output_file="/abs/path/report.md"	相対パス（または入力経由の output_file="{out_dir}/report.md"）	先頭の / が取り除かれ、ファイルは現在のディレクトリ配下に作成されます
tasks.yaml の output_pydantic: Report	Python の @task メソッドで output_pydantic=Report を設定	対応する @output_pydantic クラスがない場合：KeyError: 'Report'。ある場合：黙って無視され、out.pydantic is None になります

from pydantic import BaseModel

from crewai import Agent, Crew, Task


class Report(BaseModel):
    title: str
    points: list[str]


analyst = Agent(role="Analyst", goal="Summarise", backstory="Concise.", llm="openai/gpt-4.1-mini")
task = Task(description="Summarise {topic}.", expected_output="A title and points.",
            agent=analyst, output_pydantic=Report)
out = Crew(agents=[analyst], tasks=[task]).kickoff(inputs={"topic": "bees"})
assert out.pydantic is not None, "structured output was dropped"
print(out.pydantic.title, out["points"])

standalone = analyst.kickoff("Summarise bees.", response_format=Report)
print(standalone.pydantic)

@CrewBase プロジェクトでは、タスクのほかの部分が YAML でも、モデルは Python に記述してください。

@task
def research_task(self) -> Task:
    return Task(config=self.tasks_config["research_task"], output_pydantic=Report)

---

7. ガードレール

関数型ガードレールは引数を 1 つ（TaskOutput）受け取り、タプル (bool, value) を返します。False の場合、値はエラーとしてエージェントに渡され、タスクは guardrail_max_retries（デフォルトは 3）まで再試行します。その後、タスクは Task failed guardrail validation after N retries を発生させます。文字列型ガードレールは、追加の LLM 呼び出しでチェックされます。

おそらく書いていた形式	現在の形式	誤った形式で起こること
def g(out) -> bool: return True	def g(out: TaskOutput) -> tuple[bool, Any] とし、(True, out.raw) を返す	型注釈がある場合：Task(...) で ValidationError: If return type is annotated, it must be Tuple[bool, Any]。型注釈がない場合：kickoff 時に TypeError: cannot unpack non-iterable bool object
-> tuple[bool, object]	-> tuple[bool, Any]（または str、TaskOutput）	同じ ValidationError が Task(...) で発生
Task(max_retries=2)	Task(guardrail_max_retries=2)	DeprecationWarning
HallucinationGuardrail に依存	関数型ガードレールを記述	オープンソース版の crewai では何もせず、常に通過します

from typing import Any

from crewai import Agent, Crew, Task, TaskOutput


def under_50_words(output: TaskOutput) -> tuple[bool, Any]:
    if len(output.raw.split()) > 50:
        return (False, "Keep it under 50 words.")
    return (True, output.raw)


writer = Agent(role="Writer", goal="Write", backstory="Brief.", llm="openai/gpt-4.1-mini")
task = Task(description="Describe {topic}.", expected_output="A short paragraph.", agent=writer,
            guardrails=[under_50_words, "Must not mention prices"], guardrail_max_retries=2)
print(Crew(agents=[writer], tasks=[task]).kickoff(inputs={"topic": "bees"}).raw)

guardrails=[...] は各ガードレールを順番に実行します。成功した文字列の結果は、次のガードレールで out.raw を置き換えます。

---

8. メモリとナレッジ

メモリは、1 つの Memory クラス（LanceDB ストレージ）で構成されています。デフォルトでは OpenAI が呼び出され、埋め込みには text-embedding-3-large、分析には gpt-5.4-mini が使われます。Crew(memory=True) では、代わりに最初のエージェントの llm で分析します。また、embedder の指定がないナレッジでは、埋め込みに text-embedding-3-small が使われます。OpenAI キーを使った実動確認では、memory=True のクルーがあるプロセスでコードネームを保存し、次のプロセスで起動した新しいクルーがそれを呼び出せました。クルーとエージェントのナレッジはいずれも、ソースに基づいた回答を返しました。

おそらく記述したもの	現在の形式	誤った形式で起きること
ShortTermMemory()、LongTermMemory()、EntityMemory()	Memory(...)	ImportError
OPENAI_API_KEY が設定されていない（または無効な）状態での Crew(memory=True)	キーを設定するか、Memory(llm=..., embedder=...) を渡します	クルーは完了しますが、保存はすべてサイレントに失敗します（MemorySaveFailedEvent が発行されるだけです）。何も保存されません
キーを設定せずに memory.remember(...) を実行する	同上	RuntimeError: Memory requires an embedder for vector search（無効なキーの場合：AuthenticationError ... 401）
キーも embedder も指定せず、クルー内のエージェントに Agent(knowledge_sources=[...]) を設定する	Agent または Crew に embedder={...} を渡します	クルーのキックオフ時に ValueError: Invalid Knowledge Configuration: The OPENAI_API_KEY environment variable is not set.（無効なキーの場合：AuthenticationError ... 401）
knowledge_sources を持つエージェントで agent.kickoff(...) を実行する	エージェントを Crew のタスクとして実行するか、事実をプロンプトに含めます	キーの有無にかかわらずエラーは発生しません。Agent.kickoff() はエージェントのナレッジを参照しないため、回答には反映されません
キーも embedder も指定せずに Crew(knowledge_sources=[...]) を設定する	同上	Failed to upsert documents がログに記録され、クルーはナレッジなしで実行されます
ナレッジを保存した実行の後で、ナレッジの embedder を変更する	crewai reset-memories -kn（または crew.reset_memories(command_type="knowledge")）を実行してから、再実行します	Embedding function conflict: new: <x> vs persisted: openai。クルーはナレッジなしで実行されます
embedder を指定せずにナレッジを保存した後で embedder={"provider": "openai"} を追加する（または OpenAI の埋め込みモデルを変更する）	同じリセットを実行します	Failed to upsert documents: Collection expecting embedding with dimension of 1536, got 3072（プロバイダーを明示すると、デフォルトで text-embedding-3-large が使われます）。クルーはナレッジを使わずに回答します

embedder の設定形式は {"provider": <name>, "config": {...}} です。OpenAI のモデルキーは model_name です。Memory では "model" を指定すると TypeError: ... unexpected keyword argument 'model' が発生します。ナレッジでは "model" はサイレントに無視され、クルーは text-embedding-3-large で埋め込みを行います。以下の ollama プロバイダーを使うには、uv add ollama の実行と、モデルを取得済みの Ollama サーバーが必要です。パッケージがない場合、クルーのナレッジはサイレントに None になります。{"provider": "onnx"} はローカルで動作する、キー不要の embedder で、core crewai ですでに実行できます（chromadb の onnxruntime を使用し、初回利用時に約 80 MB のモデルをダウンロードします）。実用的な例は、design-agent スキルの memory-and-knowledge リファレンスを参照してください。テストで決定論的な embedder を使うには、callable（Memory の場合）またはカスタムクラス（ナレッジの場合）を使います。verify-installed-api.md を参照してください。

from crewai import Agent, Crew, Memory, Task
from crewai.knowledge.source.string_knowledge_source import StringKnowledgeSource

embedder = {"provider": "ollama", "config": {"model_name": "nomic-embed-text"}}  # needs: uv add ollama
memory = Memory(llm="openai/gpt-4.1-mini", embedder=embedder)
facts = StringKnowledgeSource(content="acme was founded in 2020.")

agent = Agent(role="Analyst", goal="Answer", backstory="Uses knowledge.", llm="openai/gpt-4.1-mini")
task = Task(description="When was acme founded?", expected_output="A year.", agent=agent)
crew = Crew(agents=[agent], tasks=[task], memory=memory, knowledge_sources=[facts], embedder=embedder)
if crew.knowledge is None:
    print("knowledge failed to initialise - is the ollama package installed and the server running?")

保存済みデータをリセットするには、プロジェクトディレクトリから crewai reset-memories -m（メモリ。クルーにメモリがない場合は Memory memory system is not initialized エラーが発生します）、-kn（ナレッジ）、-akn（エージェントのナレッジ）、-k（最新のキックオフ出力）、-a（すべて）を実行します。旧オプションの -s、-l、-e は、非表示の非推奨エイリアスです。警告を表示して、統合されたメモリをリセットします。ストレージパスとオフライン embedder については、verify-installed-api.md を参照してください。

---

9. プロジェクトのスキャフォールドと CLI

おそらく入力した内容	現在の形式	誤った形式で起こること
crewai create crew my_crew で crew.py + YAML が作成されると想定	crewai create crew my_crew --classic	JSON プロジェクト（crew.jsonc、agents/*.jsonc）を書き出す対話型ウィザードが起動します。TTY がない場合は Aborted! と表示されます。クルーだけが必要なスクリプトでは、--classic --skip-provider を使用してください。
CI やスクリプトで JSON クルーに対して crewai run を実行	CI では、crewai create crew <name> --classic でクルーを作成し、uv run run_crew で実行します	全画面の実行ビューが開き、TTY がなくてもユーザーが終了するまで待機するため、コマンドが終了しません。環境変数 CREWAI_DMN=1 は crewai 1.15.x で実行ビューをスキップしましたが、サポート対象外でドキュメントにも記載されていません。変更される可能性があります
JSON スキャフォールドで "memory": true のままにし、OPENAI_API_KEY を設定しない	キーを設定するか、"memory": false にするか、エンベッダーを設定します	クルーの処理は完了しますが、メモリの呼び出しと保存は失敗しても通知されません
クラシッククルーで crewai run --inputs '{...}' を実行	main.py の run() に入力を記述します	Error: --inputs is only supported for declarative flows and crews
crewai reset-memories -s -l -e	crewai reset-memories -m	非推奨のエイリアスが使われ、警告が表示されます
main.run() から return crew.kickoff(...) を返す	出力を返さないでください	run_crew スクリプトが sys.exit(<CrewOutput>) を呼び出し、実行が正常に完了した後に終了コード 1 で終了します。crewai run は An error occurred while running the crew: ... non-zero exit status 1 と表示します
クラシッククルー（--classic）または Python フローで、CI において crewai run の終了コードを信頼する	uv run run_crew を実行します（終了コードが伝播します）。または出力を確認します	クルーまたはフローのプロセスが失敗しても、crewai run は終了コード 0 で終了します。JSON（ウィザード）クルーには run_crew スクリプトがないため、CI 用のクルーは --classic を指定して作成してください

crewai version
crewai create crew research_crew --classic --skip-provider
cd research_crew && uv add "crewai[anthropic]"   # only if an agent uses an anthropic/ model
crewai install && crewai run
crewai reset-memories --help

クラシックレイアウトは、src/<name>/crew.py（@CrewBase クラス）、src/<name>/config/agents.yaml と tasks.yaml（キーは @agent／@task メソッド名と一致）、main.py、および [tool.crewai] type = "crew" と依存関係 crewai[tools] を含む pyproject.toml で構成されます。YAML で llm: <name> を指定すると、同名の @llm メソッドが解決されます。それ以外の場合はモデル文字列として使用されます。crewai create flow も、プレースホルダーの OPENAI_API_KEY を含む .env を作成します。値を置き換え、決してコミットしないでください。

---

10. 削除済みおよび非推奨

機能	1.15.22-1.15.23 でのステータス	代わりに使用するもの
CodeInterpreterTool	crewai_tools から削除	サンドボックスツールまたはサービス
Agent(allow_code_execution=...)、code_execution_mode	非推奨の無効な機能	同上
ShortTermMemory、LongTermMemory、EntityMemory、memory_config	削除／無視	Memory(...)
crewai.utilities.events	削除	crewai.events
Crew(function_calling_llm=...)	非推奨	エージェントごとの llm
Task(max_retries=...)	非推奨	guardrail_max_retries
crewai.cli モジュール	非推奨の互換レイヤー	crewai_cli（CLI は独立したパッケージです）
コア依存関係としての LiteLLM	オプションの追加機能	ネイティブではないプロバイダーに限り crewai[litellm]

---

11. よくある間違い

症状	原因	対処方法
パラメーターを指定しても効果がなく、エラーも出ない	Agent／Task／Crew が未知の kwargs を破棄する	"name" in Task.model_fields を確認します
out.pydantic is None	YAML で output_pydantic が設定されているか、output_pydantic の代わりに response_model が使用されている	Python で output_pydantic=Model を設定し、None でないことをアサートします
ImportError: ... native provider not available	プロバイダー SDK の追加パッケージが不足している	uv add "crewai[anthropic]"（または [google-genai]、[bedrock]、[litellm]）を実行します
kickoff 時に ValueError: OPENAI_API_KEY is required が発生する	llm= が設定されていないため、デフォルトの gpt-4.1-mini が使用された	llm= または MODEL と、プロバイダーのキーを設定します
Crew は終了するが、何も記憶されていない	embedder のキーが設定されていない状態で memory=True が指定されている	Memory(embedder=...) を渡すか、キーを設定します。crewai.events の MemorySaveFailedEvent を監視します
ナレッジがプロンプトに反映されない	Crew レベルのナレッジの埋め込みに失敗した	embedder= を設定し、Failed to upsert documents を確認します
TypeError: ... unexpected keyword argument 'from_task'	カスタム BaseLLM.call のシグネチャが古い	from_task、from_agent、response_model、**kwargs を受け付けるようにします
Task(...) で Tuple[bool, Any] の ValidationError が発生する	Guardrail の型注釈が -> bool または tuple[bool, object] になっている	-> tuple[bool, Any] と注釈し、タプルを返します
crewai create crew が応答しなくなる、または Aborted! と表示する	現在は対話型の JSON ウィザードになっている	@CrewBase レイアウトを使うには --classic を追加します。CI とスクリプトでも使用します
JSON crew で crewai run が返ってこない	実行画面がキー入力を待っている	CI では crewai create crew <name> --classic と uv run run_crew を使用します
kickoff_for_each の結果がすべて最初のトピックへの回答になる	Crew がすでに kickoff されている	バッチごとに新しい Crew を構築します
token_usage が実行で使用可能だった量を超える	複数のエージェントで LLM オブジェクトを共有しているか、複数の crew で再利用している	エージェントごと、crew ごとに LLM を1つ用意するか、LLMCallCompletedEvent を数えます
akickoff() でエージェントが MCP ツールを使わない	実行中のイベントループ内で mcps に https:// 文字列を指定している	MCPServerHTTP(url=...) を使用します
Embedding function conflict ... persisted: openai	別の embedder でナレッジが保存されている	crewai reset-memories -kn を実行します
Collection expecting embedding with dimension of 1536, got 3072	別の OpenAI 埋め込みモデルでナレッジが保存されている	crewai reset-memories -kn を実行します
crew の成功後に crewai run が non-zero exit status 1 を報告する	run() が CrewOutput を返している	返さないようにします

---

12. チェックリスト

• crewai version を確認済み。1.15.x でない場合は各項目を再検証済み
• すべての Agent／Task／Crew の kwarg が model_fields に存在する
• ツールは crewai.tools から、flow デコレーターと persist は crewai.flow からインポートしている
• すべてのタスクに expected_output がある
• OpenAI 以外のすべてのモデル文字列について、pyproject.toml に追加パッケージがある
• 構造化出力を Python で output_pydantic を使って設定し、out.pydantic が None でないことをアサートしている
• Guardrail が (bool, value) を返し、tuple[bool, Any] と型注釈されているか、型注釈がない
• Memory とナレッジに明示的な embedder があるか、環境にプロバイダーキーが設定されている
• CodeInterpreterTool、allow_code_execution、ShortTermMemory、memory_config を使用していない
• Classic プロジェクトは crewai create crew <name> --classic で作成し、プロバイダーの追加パッケージは uv add で追加している
• CI とスクリプトでは classic crews を使用し（crewai create crew <name> --classic）、uv run run_crew で実行している

---

参考資料

• インストール済み API の確認 - インストール済みの crewai にあるフィールド、デフォルト値、シグネチャを確認するワンライナー、ストレージパス、メモリとナレッジ用のオフラインエンベッダー
• ソースの根拠 - 各行の根拠となる crewai のソースファイルと行番号。アップグレード後に再確認できます
• 公開ドキュメント：https://docs.crewai.com

関連するスキル：

• ask-docs - 内容が変更されている可能性がある場合に、CrewAI の最新ドキュメントを照会します
• getting-started - プロジェクトのひな形作成と、crew と flow の選択
• design-agent / design-task - API が適切であることを確認した後、エージェントとタスクを調整します
• build-flow - Flow の状態、ルーター、@persist、人間からのフィードバック
• connect-tools-and-mcp - BaseTool、@tool、mcps=[...]
• test-crewai-project - オフラインのスタブ LLM と決定論的なテスト
• deploy-to-amp / call-deployed-crew - crew のデプロイと呼び出し