crewAI: Crews und Flows fuer Multi-Agent-Automatisierung in Python

Zwei Primitive: Crews fuer Autonomie, Flows fuer Kontrolle

crewAI ist ein Open-Source-Python-Framework fuer Multi-Agent-Workflows, das laut README High-Level-Abstraktionen mit Low-Level-APIs verbindet. Die Architektur ruht auf zwei Bausteinen. Crews bauen auf rollenbasierten Agenten, die gemeinsam Aufgaben bearbeiten und dabei Autonomie und kollaborative Intelligenz nutzen sollen. Flows bilden das Gegenstueck: ereignisgesteuerte Automatisierungen, die einzelnen LLM-Aufrufen exakte Ablaufsteuerung geben und Crews als Schritte einbinden koennen.

Diese Trennung ist der praktische Kern des Frameworks: Exploratives Verhalten, etwa Recherche oder Entwuerfe, landet in Crews; deterministische Ablaeufe, Verzweigungen und Zustandsuebergaenge landen in Flows. Die Repository-Metadaten listen 57.744 Sterne und 8.274 Forks, der Standardzweig ist main, die Lizenz MIT. Fuer Organisationen, die eine kommerzielle Kontrollebene wollen, bietet der Hersteller die AMP Suite mit verwaltetem Deployment, Observability und Governance an; ein Teil davon, die Crew Control Plane, laesst sich laut README kostenlos testen. Diese Selbstauskunft gehoert zum Vertriebsangebot und nicht zum offenen Kern.

Installation mit UV und Projektstart via crewai create crew

Der Einstieg verlangt Python in einer Version zwischen 3.10 und 3.14 sowie den UV-Paketmanager. Die Installation erfolgt mit uv pip install crewai, optional kommen Werkzeuge ueber uv pip install 'crewai[tools]' hinzu. Danach legt der Befehl crewai create crew <project_name> ein Projektgeruest an, das ein src-Verzeichnis, Konfigurationsdateien und eine .env-Vorlage enthaelt.

Das generierte Layout ist klein und ueberschaubar: agents.yaml und tasks.yaml beschreiben Agenten und Aufgaben deklarativ, crew.py stellt die Crew zusammen, main.py dient als Einstiegspunkt. Ausgefuehrt wird das Projekt entweder mit crewai run oder direkt mit python src/my_project/main.py. Fuer die Beispielkonfiguration sind Umgebungsvariablen fuer OpenAI und Serper.dev vorzusehen. Das README verweist zusaetzlich auf ein Tutorial-Video fuer die ersten Schritte. Wer einen KI-Coding-Agenten nutzt, kann laut README die offiziellen CrewAI-Skills installieren, etwa in Claude Code mit /plugin marketplace add crewAIInc/skills oder mit npx skills add crewaiinc/skills bei Cursor und aehnlichen Werkzeugen; vier Skills decken laut Doku Scaffold, Agentendesign, Aufgabendesign und Dokumentationsabruf ab.

Crews aufbauen: Rollen, Aufgaben und der hierarchische Prozess

Eine Crew entsteht ueber den @CrewBase-Dekorator. Agenten erhalten Rolle, Ziel und Hintergrundgeschichte, Aufgaben werden ihnen in YAML oder direkt in Python zugewiesen. Das README zeigt einen sequenziellen Prozess, in dem ein Forscher-Agent Informationen sammelt und ein Berichtsanalyst daraus einen Bericht schreibt; Werkzeuge wie SerperDevTool geben dem Forscher Zugriff auf die Websuche.

Neben dem sequenziellen Modus nennt das README einen hierarchischen Prozess, der automatisch einen Manager-Agenten zuweist. Dieser koordiniert die Ergebnisse der Teammitglieder und validiert sie, statt dass die Reihenfolge fest im Code steht. Fuer strukturierte Ausgaben unterstuetzen Aufgaben laut Skill-Dokumentation output_pydantic und output_json, was den Uebergang von Agentenantworten in typsichere Weiterverarbeitung erleichtert. Die Konfiguration ueber agents.yaml haelt Rollen und Ziele von der Logik getrennt, crew.py bleibt der Ort, an dem Agenten, Aufgaben und Prozess zusammengesetzt werden. Dieses Muster eignet sich fuer Faelle, in denen die Reihenfolge der Schritte nicht starr vorgegeben ist, sondern vom Inhalt der Zwischenergebnisse abhaengt.

Flows mit @start, @listen und @router praezise steuern

Flows arbeiten mit Dekoratoren: @start markiert den Einstiegspunkt, @listen definiert Reaktionen auf Ereignisse, @router lenkt den Ablauf anhand von Bedingungen. Der Zustand lebt in einem strukturierten Objekt, in der Regel einem Pydantic-Modell, das alle Schritte des Flows lesen und aendern koennen. Logische Operatoren wie or_ und and_ kombinieren mehrere Bedingungen zu einer Auswahl.

Das README fuehrt ein vollstaendiges Beispiel eines AdvancedAnalysisFlow an: Ein Schritt erzeugt einen Konfidenzwert, ein Router hoert auf high_confidence oder auf eine Kombination aus mittlerer und niedriger Konfidenz und verzweigt entsprechend. Innerhalb eines Flows darf ein Crew als einzelner Schritt laufen, dessen Ergebnis anschliessend das Routing bestimmt. Auf diese Weise laesst sich autonomes Verhalten an genau der Stelle einspannen, an der es Wert liefert, waehrend Verzweigungen, Wiederholungen und Fehlerpfade in gewoehnlichem Python-Code bleiben. Diese Kombination ist der Hauptgrund, Flows statt reiner Crews zu waehlen, wenn Nachvollziehbarkeit des Ablaufs gefordert ist.

Beispiele, Kurse und die kommerzielle AMP Suite

Das README verweist auf ein separates Beispiel-Repository mit einem Landing-Page-Generator, einem Reiseplaner, einer Aktienanalyse und Stellenausschreibungsgeneratoren; ein Quick Tutorial erklaert den ersten Crew. Zum Lernen listet es zwei Kurse bei deeplearning.ai auf, Multi AI Agent Systems with CrewAI und Practical Multi AI Agents and Advanced Use Cases, sowie Community-Kurse auf learn.crewai.com; die Angabe von ueber 100.000 zertifizierten Entwicklern ist eine Selbstauskunft des Herstellers.

Fuer den Unternehmenseinsatz ist die AMP Suite gedacht: Tracing und Observability in Echtzeit, eine zentrale Kontrollebene zum Verwalten und Skalieren von Agenten, Sicherheits- und Compliance-Funktionen sowie On-Premise- und Cloud-Deployment. Wie viel davon im offenen Kern steckt und wie viel nur im kommerziellen Produkt, laesst sich dem README nicht entnehmen; die Control Plane steht laut README als kostenlose Testversion auf app.crewai.com bereit. Teams sollten diese Grenze vor einer Architekturentscheidung klären, wenn Observability oder Governance feste Anforderungen sind.

Telemetrie, Tests und Lizenz im Detail

Das README widmet der Telemetrie einen eigenen Abschnitt: Das Framework sammelt anonyme Nutzungsdaten, darunter Python-Version, Betriebssystem, Anzahl der Agenten und Aufgaben sowie ob Agenten Speicher nutzen. Prompts, Aufgabenbeschreibungen und API-Antworten werden demnach nicht gesendet, sofern die share_crew-Funktion nicht aktiviert ist. Wer Telemetrie vollstaendig abschalten will, setzt die Umgebungsvariable OTEL_SDK_DISABLED=true.

Zur Entwicklung gehoeren Tests mit uv run pytest . und statische Typpruefung mit uvx mypy src, beide Befehle stehen im README. Die Dokumentation entsteht im docs/-Verzeichnis und wird mit Mintlify veroeffentlicht, versionierte Snapshots bleiben nach der Veroeffentlichung unveraenderlich. Beitraege laufen ueber Fork, Zweig und Pull-Request. Die MIT-Lizenz erlaubt Nutzung, Veraenderung, Verteilung und kommerziellen Einsatz ohne Copyleft-Pflichten, die Software wird ohne Gewaehrleistung bereitgestellt. Die Release-Historie ist dicht: 1.15.18 erschien am 27. August 2026, 1.15.17 am 20. August, 1.15.16 am 14. August. Mit 766 offenen Issues bei dieser Groesse ist ein aktives, aber auch auslastetes Issue-Management sichtbar.

Redaktionelles Fazit

crewAI eignet sich fuer Python-Teams, die zwischen autonomer Agentenzusammenarbeit und strikt kontrollierten Workflows waehlen wollen, und zwar mit demselben Werkzeugkasten. Wer strikte Nachvollziehbarkeit braucht, sollte vor dem Einsatz OTEL_SDK_DISABLED=true und die Telemetrie-Abschnitte im README pruefen und das Projekt crewai create crew <project_name> zuerst lokal durchlaufen lassen.

Offizielle Quellen

1. Official documentation
2. Official README
3. Project repository
4. Release notes