crewai-expert
Guide complet pour construire des systèmes multi-agents avec CrewAI. Création d'agents spécialisés, définition de tâches, orchestration de crews et intégration d'outils personnalisés. Se déclenche avec "CrewAI", "crew", "multi-agent CrewAI", "agent CrewAI", "tâche CrewAI", "créer un crew", "équipe d'agents", "orchestration agents", "agents collaboratifs". Also triggers on "CrewAI crew", "build a crew of agents", "CrewAI tasks".
khalilbenaz · 已有静态检查记录
安装与使用
运行命令前先阅读来源与依赖说明。复制命令不会自动安装或执行。
npx skills add khalilbenaz/claude-skills-collection --skill crewai-expert技能说明
name: crewai-expert description: Guide complet pour construire des systèmes multi-agents avec CrewAI. Création d'agents spécialisés, définition de tâches, orchestration de crews et intégration d'outils personnalisés. Se déclenche avec "CrewAI", "crew", "multi-agent CrewAI", "agent CrewAI", "tâche CrewAI", "créer un crew", "équipe d'agents", "orchestration agents", "agents collaboratifs". Also triggers on "CrewAI crew", "build a crew of agents", "CrewAI tasks".
CrewAI Expert — Systèmes Multi-Agents Collaboratifs
Critères de décision — Quand utiliser CrewAI
| Situation | Recommandation |
|---|---|
| Tâche décomposable en sous-rôles distincts (chercheur, rédacteur, réviseur…) | ✅ CrewAI |
| Pipeline séquentiel simple (A → B → C) avec LLM unique | ⚠️ LangChain chain suffisante |
| Parallélisme massif ou orchestration conditionnelle complexe | ⚠️ LangGraph ou Temporal |
| Workflow métier avec mémoire partagée entre sessions | ✅ CrewAI + memory |
| Prototype rapide < 1 jour | ✅ CrewAI (API haut niveau) |
| Budget API serré, chaque token compte | ⚠️ Surveiller usage_metrics, limiter max_iter |
Workflow en étapes
1. Installation et structure du projet
pip install crewai==0.100.0 crewai-tools==0.20.0
# Avec CLI officielle (recommandé pour nouveaux projets)
pip install crewai[tools]
crewai create crew mon_projet
Structure recommandée :
mon_projet/
├── src/mon_projet/
│ ├── crew.py # définition du Crew principal
│ ├── agents.py # factory d'agents
│ ├── tasks.py # définition des tâches
│ └── tools/
│ └── custom_tool.py
├── .env # OPENAI_API_KEY, SERPER_API_KEY
├── pyproject.toml
└── README.md
Variables .env minimum :
OPENAI_API_KEY=sk-...
OPENAI_MODEL_NAME=gpt-4o
SERPER_API_KEY=... # si SerperDevTool
2. Définition des agents
Chaque agent = role + goal + backstory (les trois piliers du comportement).
from crewai import Agent
researcher = Agent(
role="Analyste Financier Senior",
goal="Extraire les indicateurs clés de {company} à partir de rapports publics",
backstory=(
"Vous êtes analyste financier avec 12 ans d'expérience chez un cabinet de conseil Tier-1. "
"Expert en lecture de bilans IFRS, vous détectez les signaux faibles que d'autres ignorent. "
"Vous citez toujours vos sources avec l'URL et la date."
),
llm="gpt-4o",
tools=[search_tool, scrape_tool],
allow_delegation=False, # évite les délégations involontaires en sequential
max_iter=5, # stoppe les boucles runaway
verbose=True,
)
Paramètres avancés utiles :
| Paramètre | Valeur par défaut | Usage |
|---|---|---|
max_iter | 25 | Limiter en production (5–10) |
max_rpm | None | Throttle appels API de cet agent |
allow_delegation | False | Activer seulement en process hiérarchique |
memory | False | Activer pour cohérence longue session |
cache | True | Désactiver si les outils doivent toujours être rappelés |
step_callback | None | Passer une fonction pour logger chaque action |
3. Création des outils custom
Option A — decorator @tool (simple, rapide) :
from crewai.tools import tool
@tool("Calculateur de marge brute")
def calculate_margin(revenue: float, cost: float) -> str:
"""Calcule la marge brute en pourcentage à partir du CA et du coût."""
if revenue == 0:
return "Erreur : CA ne peut pas être zéro."
margin = ((revenue - cost) / revenue) * 100
return f"Marge brute : {margin:.2f}%"
Option B — classe BaseTool (validation Pydantic, gestion d'erreurs robuste) :
from crewai.tools import BaseTool
from pydantic import BaseModel, Field
class SQLQueryInput(BaseModel):
query: str = Field(description="Requête SQL SELECT à exécuter")
class SQLTool(BaseTool):
name: str = "Outil SQL"
description: str = "Exécute une requête SQL en lecture seule sur la base de données."
args_schema: type[BaseModel] = SQLQueryInput
def _run(self, query: str) -> str:
# connexion + exécution
return results_as_str
Outils intégrés les plus utiles :
SerperDevTool— recherche GoogleScrapeWebsiteTool/SeleniumScrapingTool— scrapingFileReadTool/FileWriterTool— I/O fichiersCSVSearchTool/PDFSearchTool— RAG sur fichiersCodeInterpreterTool— exécution Python sandboxée
4. Définition des tâches
from crewai import Task
from pydantic import BaseModel
class AnalysisOutput(BaseModel):
company: str
revenue_2024: float
growth_rate: float
key_risks: list[str]
analysis_task = Task(
description=(
"Analysez les données financières publiques de {company} pour l'exercice 2024. "
"Cherchez les rapports annuels, communiqués de presse et données Boursorama. "
"Identifiez le CA, la croissance YoY, et les 3 principaux risques."
),
expected_output=(
"Un rapport JSON structuré avec : company, revenue_2024 (en M€), "
"growth_rate (en %), key_risks (liste de 3 phrases max chacune)."
),
agent=researcher,
output_pydantic=AnalysisOutput, # force la structure de sortie
output_file="analysis.json",
)
Chaîner les tâches avec context :
synthesis_task = Task(
description="Rédigez un executive summary à partir des analyses fournies pour {company}.",
expected_output="Executive summary de 300 mots max en français.",
agent=writer,
context=[analysis_task], # attend la complétion de analysis_task
)
5. Configuration et exécution du Crew
from crewai import Crew, Process
# Process séquentiel (défaut, déterministe)
crew = Crew(
agents=[researcher, writer, reviewer],
tasks=[analysis_task, writing_task, review_task],
process=Process.sequential,
verbose=True,
memory=True,
阅读完整来源 ↗