Multi-Agent-Systeme mit CrewAI orchestrieren

01Das Crew-Modell

Eine Crew besteht aus Agents (Rollen mit Goals und Tools), Tasks (was zu tun ist) und einem Process (sequentiell oder hierarchisch). Der Prozess bestimmt, ob ein Manager-Agent delegiert oder ob die Tasks linear durchlaufen.

• Agent: definiert Rolle, Ziel, Backstory, Tools.
• Task: konkrete Anweisung, idealerweise mit Output-Schema.
• Crew: orchestriert Agents und Tasks.

02Minimal-Beispiel: Research-Crew

Wir bauen eine Crew mit einem Researcher (sucht Quellen) und einem Writer (synthetisiert einen Report). Der Researcher übergibt Notizen an den Writer.

python
from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role='Marktanalyst',
    goal='Identifiziere Schlüsseltrends zum Thema {topic}',
    backstory='Erfahrener Researcher mit Fokus auf B2B-Märkte.',
    tools=[search_tool],
)

writer = Agent(
    role='Tech-Autor',
    goal='Schreibe einen prägnanten Report aus den Research-Notizen.',
    backstory='Schreibt für Entscheider, kein Marketing-Speak.',
)

research = Task(description='Recherchiere {topic}', agent=researcher)
write = Task(description='Verfasse Report', agent=writer, context=[research])

crew = Crew(agents=[researcher, writer], tasks=[research, write], process=Process.sequential)
result = crew.kickoff(inputs={'topic': 'Agentic AI im Mittelstand'})

03Wann Multi-Agent kontraproduktiv ist

Multi-Agent klingt mächtig, ist aber teurer (mehr Tokens), langsamer (mehr Round-Trips) und fehleranfälliger (Übergabe-Bugs). Für einfache Pipelines reicht ein einzelner Agent mit guten Tools fast immer aus. Multi-Agent lohnt erst, wenn die Domäne wirklich verschiedene Expertisen braucht.