crewai

CrewAI

CrewAI でロールベースのエージェントワークフローを設計します。エージェントのロールと目標による設計、タスク定義、クルーのオーケストレーション、プロセスタイプ（逐次、階層、並列）、メモリーシステム、複雑なワークフロー向けのフローを扱います。協調型 AI エージェントチームの構築に欠かせません。

ロール：CrewAI マルチエージェントアーキテクト

CrewAI を使用した協調型 AI エージェントチームの設計を専門としています。ロール、責任、委任の観点から考えます。具体的な専門知識を持つ明確なエージェントのペルソナを設計し、期待される出力を定めた明確なタスクを作成して、最適な協力ができるようにクルーをオーケストレーションします。逐次プロセスと階層プロセスを使い分ける方法を理解しています。

専門知識

• エージェントのペルソナ設計
• タスクの分解
• クルーのオーケストレーション
• プロセスの選択
• メモリーの設定
• フローの設計

機能

• エージェント定義（ロール、目標、バックストーリー）
• タスクの設計と依存関係
• クルーのオーケストレーション
• プロセスタイプ（逐次、階層）
• メモリーの設定
• ツールの統合
• 複雑なワークフロー向けのフロー

前提条件

• 0：Python の習熟度
• 1：マルチエージェントの概念
• 2：委任の理解
• 必須スキル：Python 3.10 以降、crewai パッケージ、LLM API へのアクセス

対象範囲

• 0：Python のみ
• 1：構造化されたワークフローに最適
• 2：単純なケースでは冗長になる場合があります
• 3：フローは比較的新しい機能です

エコシステム

主要項目

• CrewAI フレームワーク
• CrewAI ツール

一般的な連携

• OpenAI / Anthropic / Ollama
• SerperDev（検索）
• FileReadTool、DirectoryReadTool
• カスタムツール

プラットフォーム

• Python アプリケーション
• FastAPI バックエンド
• エンタープライズ向けデプロイ

パターン

これらの断片はアーキテクチャの概要であり、実行可能なプロジェクト全体ではありません。複数のタスク、ストレージクラス、モデルのインポート、ヘルパーメソッドを定義する必要があります。フレームワークのバージョンを固定し、コンパイルする前に対応する API ドキュメントを参照してください。クルーの委任や実行は、許可された範囲と予算内でのみ行ってください。ツールやモデルの呼び出し、メモリーの埋め込み処理によって、データが外部プロバイダーに送信されることがあります。ツールの権限と再試行を制限し、詳細なログにシークレットを含めないようにしてください。また、エージェントや検索結果の出力は信頼できないデータとして扱ってください。以下のローカルな published ステータスは、実際に公開されたことの証明にはなりません。

YAML 設定を使用した基本的なクルー

エージェントとタスクを YAML で定義します（推奨）

使用する場面：あらゆる CrewAI プロジェクト

config/agents.yaml

researcher: role: "Senior Research Analyst" goal: "{topic} に関する包括的で正確な情報を見つける" backstory: | 情報の収集と分析に長年の経験を持つ 専門のリサーチャーです。徹底的で正確な 調査で知られています。 tools: - SerperDevTool - WebsiteSearchTool verbose: true

writer: role: "Content Writer" goal: "魅力的で構成の整ったコンテンツを作成する" backstory: | 調査結果を魅力的な文章にまとめる 熟練したライターです。明瞭さと 読みやすさを重視します。 verbose: true

config/tasks.yaml

research_task: description: | トピックを調査してください：{topic}

次の点に注目してください：
1. 重要な事実と統計
2. 最近の動向
3. 専門家の意見
4. 通説に反する見解

徹底的に調査し、出典を引用してください。

agent: researcher expected_output: | 次の内容を含む包括的な調査レポート： - エグゼクティブサマリー - 主な調査結果（箇条書き） - 引用した出典

writing_task: description: | 提供された調査結果を使って、{topic} に関する記事を執筆してください。

要件：
- 800～1000 語
- 読者を引き込む導入
- 見出しを使った明確な構成
- 実行可能な結論

agent: writer expected_output: "公開できる品質に仕上げた記事" context: - research_task # 調査結果を使用

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=self.tasks_config['writing_task'])

@crew
def crew(self) -> Crew:
    return Crew(
        agents=self.agents,
        tasks=self.tasks,
        process=Process.sequential,
        verbose=True
    )

main.py

crew = ContentCrew() result = crew.crew().kickoff(inputs={"topic": "AI Agents in 2025"})

階層型プロセス

マネージャーエージェントがワーカーに委任します

使用する場面: 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

使用する場面: 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)

メモリ設定

コンテキストのためにエージェントメモリを有効にします

使用する場面: マルチターンまたは複雑なワークフロー

from crewai import Crew

Memory types:

- Short-term: Within task execution

- Long-term: Across executions

- Entity: About specific entities

crew = Crew( agents=[...], tasks=[...], memory=True, # Enable all memory types verbose=True )

Custom memory config

from crewai.memory import LongTermMemory, ShortTermMemory

crew = Crew( agents=[...], tasks=[...], memory=True, long_term_memory=LongTermMemory( storage=CustomStorage() # Custom backend ), short_term_memory=ShortTermMemory( storage=CustomStorage() ), embedder={ "provider": "openai", "config": {"model": "text-embedding-3-small"} } )

Memory helps agents:

- Remember previous interactions

- Build on past work

- Maintain consistency

複雑なワークフロー向けの Flow

状態を使ったイベント駆動型オーケストレーション

使用する場面：複雑な多段階ワークフロー

from crewai.flow.flow import Flow, listen, start, and_, or_, router

class ContentFlow(Flow): # 状態はステップ間で保持されます model_config = {"extra": "allow"}

@start()
def gather_requirements(self):
    """最初のステップ — 入力を収集します。"""
    self.topic = self.inputs.get("topic", "AI")
    self.style = self.inputs.get("style", "professional")
    return {"topic": self.topic}

@listen(gather_requirements)
def research(self, requirements):
    """要件の収集後に調査します。"""
    research_crew = ResearchCrew()
    result = research_crew.crew().kickoff(
        inputs={"topic": requirements["topic"]}
    )
    self.research = result.raw
    return result

@listen(research)
def write_content(self, research_result):
    """調査完了後にコンテンツを作成します。"""
    writing_crew = WritingCrew()
    result = writing_crew.crew().kickoff(
        inputs={
            "research": self.research,
            "style": self.style
        }
    )
    return result

@router(write_content)
def quality_check(self, content):
    """品質に基づいて振り分けます。"""
    if self.needs_revision(content):
        return "revise"
    return "publish"

@listen("revise")
def revise_content(self):
    """修正フローです。"""
    # フィードバックを反映して再度コンテンツを作成します
    pass

@listen("publish")
def publish_content(self):
    """最終的な公開処理です。"""
    return {"status": "published", "content": self.content}

Flow を実行

flow = ContentFlow() result = flow.kickoff(inputs={"topic": "AI Agents"})

カスタムツール

エージェント向けのツールを作成します

使用する場面：エージェントに外部機能が必要な場合

from crewai.tools import BaseTool from pydantic import BaseModel, Field

方法 1：クラスベースのツール

class SearchInput(BaseModel): query: str = Field(..., description="検索クエリ")

class WebSearchTool(BaseTool): name: str = "web_search" description: str = "ウェブ上の情報を検索します" args_schema: type[BaseModel] = SearchInput

def _run(self, query: str) -> str:
    # 実装
    results = search_api.search(query)
    return format_results(results)

方法 2：関数デコレーター

from crewai import tool

@tool("Database Query") def query_database(sql: str) -> str: """SQL クエリを実行し、結果を返します。""" # モデルから提供された SQL を直接実行しないでください。 # このツールを有効にする前に、許可リストに基づく読み取り専用のクエリ API を実装してください。 # バインドパラメーター、行数・実行時間の制限、最小権限の接続を使用してください。 raise NotImplementedError("レビュー済みのパラメーター化クエリインターフェースを用意してください")

エージェントにツールを割り当てます

researcher = Agent( role="Researcher", goal="情報を見つける", backstory="...", tools=[WebSearchTool(), query_database] )

連携

委譲のトリガー

• langgraph|state machine|graph -> langgraph（明示的な状態管理が必要）
• observability|tracing -> langfuse（LLM のオブザーバビリティが必要）
• structured output|json schema -> structured-output（構造化された応答が必要）

調査・執筆チーム

スキル：crewai, structured-output

ワークフロー：

1. Define researcher and writer agents
2. Create research → analysis → writing pipeline
3. Use structured output for research format
4. Chain tasks with context

可観測なエージェントチーム

スキル：crewai, langfuse

ワークフロー：

1. Build crew with agents and tasks
2. Add Langfuse callback handler
3. Monitor agent interactions
4. Evaluate output quality

Flow を使った複雑なワークフロー

スキル：crewai, langgraph

ワークフロー：

1. Design workflow with CrewAI Flows
2. Use LangGraph patterns for state
3. Combine crews in flow steps
4. Handle branching and routing

関連スキル

相性の良いスキル：langgraph、autonomous-agents、langfuse、structured-output

使用する場面

• ユーザーが crewai に言及、またはそれを示唆している場合
• ユーザーがマルチエージェントチームに言及、またはそれを示唆している場合
• ユーザーがエージェントの役割に言及、またはそれを示唆している場合
• ユーザーがエージェントのチームに言及、またはそれを示唆している場合
• ユーザーが役割ベースのエージェントに言及、またはそれを示唆している場合
• ユーザーが協調するエージェントに言及、またはそれを示唆している場合

制限事項

• このスキルは、タスクが上記のスコープに明確に一致する場合にのみ使用してください。
• 出力を、環境固有の検証、テスト、専門家によるレビューの代替として扱わないでください。
• 必要な入力、権限、安全境界、成功基準が欠けている場合は、作業を中断して確認を求めてください。