Tutorial CrewAI: Membangun Multi-Agent AI Framework

# CrewAI - Framework AI Multi-Agen ## Daftar Isi 1. [Pendahuluan](#pendahuluan) 2. [Prasyarat](#prasyarat) 3. [Instalasi dan Pengaturan](#instalasi-dan-pengaturan) 4. [Konsep Dasar](#konsep-dasar) 5...

By Ruby Abdullah · · tutorial
CrewAIMulti-AgentAI AgentLLMAutomationPython

CrewAI - Framework AI Multi-Agen

Daftar Isi

  • Pendahuluan
  • Prasyarat
  • Instalasi dan Pengaturan
  • Konsep Dasar
  • Membuat Agen
  • Mendefinisikan Tugas
  • Orkestrasi Crew
  • Integrasi Tool
  • Eksekusi Sekuensial vs Paralel
  • Memori dan Manajemen Konteks
  • Delegasi Antar Agen
  • Studi Kasus: Tim Agen Riset
  • Studi Kasus: Tim Agen Pemrograman
  • Praktik Terbaik
  • Kesimpulan

  • Pendahuluan

    CrewAI adalah framework mutakhir untuk mengorkestrasi agen AI otonom yang bekerja bersama sebagai tim kolaboratif. Terinspirasi dari dinamika tim di dunia nyata, framework ini memungkinkan pengembang membuat sistem multi-agen yang canggih di mana setiap agen memiliki peran, keahlian, dan seperangkat alat yang spesifik.

    Fitur utama CrewAI:

    • Agen berbasis peran: Definisikan agen dengan peran, tujuan, dan latar belakang spesifik
    • Manajemen tugas: Buat tugas terstruktur dengan output yang diharapkan dan dependensi
    • Orkestrasi fleksibel: Mode eksekusi sekuensial, paralel, dan hierarkis
    • Ekosistem tool: Kumpulan tool bawaan yang kaya plus pembuatan tool kustom
    • Sistem memori: Memori jangka pendek, jangka panjang, dan entitas untuk persistensi konteks
    • Delegasi: Agen dapat mendelegasikan tugas ke agen lain saat diperlukan

    Sistem multi-agen mengungguli pendekatan agen tunggal untuk tugas kompleks karena memungkinkan spesialisasi, pemrosesan paralel, dan pemecahan masalah kolaboratif — mirip seperti tim manusia.

    Dalam tutorial ini, Anda akan belajar cara membuat agen, mendefinisikan tugas, mengorkestrasi crew, mengintegrasikan tool, dan membangun aplikasi multi-agen dunia nyata.


    Prasyarat

    • Python 3.10 atau lebih tinggi
    • Kunci API OpenAI (atau penyedia LLM lain yang didukung)
    • Pemahaman dasar tentang Large Language Models (LLM)
    • Keakraban dengan pola async Python (untuk eksekusi paralel)


    Instalasi dan Pengaturan

    # Instal CrewAI dengan semua tool
    

    pip install crewai[tools]

    Atau instalasi minimal

    pip install crewai

    Atur variabel lingkungan

    export OPENAIAPIKEY="kunci-openai-api-anda"

    Opsional: untuk penyedia LLM lain

    export ANTHROPICAPIKEY="kunci-anthropic-anda"

    Verifikasi instalasi:

    import crewai
    

    print(f"Versi CrewAI: {crewai.version}")

    from crewai import Agent, Task, Crew

    print("Semua komponen inti berhasil diimpor")


    Konsep Dasar

    CrewAI dibangun di atas tiga abstraksi inti:

  • Agent: Entitas otonom dengan peran, tujuan, latar belakang, dan tool
  • Task: Pekerjaan spesifik dengan deskripsi, output yang diharapkan, dan agen yang ditugaskan
  • Crew: Orkestrator yang mengelola agen dan mengkoordinasikan eksekusi tugas
  • from crewai import Agent, Task, Crew, Process
    
    

    Crew paling sederhana

    agen = Agent(

    role="Agen Penyambut",

    goal="Menyambut pengguna dengan hangat",

    backstory="Anda adalah agen ramah yang menyambut pengguna.",

    verbose=True,

    )

    tugas = Task(

    description="Sambut pengguna dan doakan hari yang produktif.",

    expectedoutput="Pesan sambutan yang hangat dan personal.",

    agent=agen,

    )

    crew = Crew(

    agents=[agen],

    tasks=[tugas],

    process=Process.sequential,

    verbose=True,

    )

    hasil = crew.kickoff()

    print(hasil)


    Membuat Agen

    Agen adalah pekerja inti dalam CrewAI. Setiap agen harus memiliki peran dan bidang keahlian yang jelas.

    from crewai import Agent
    

    from crewaitools import SerperDevTool, WebsiteSearchTool

    Agen analis riset

    analisriset = Agent(

    role="Analis Riset Senior",

    goal="Menemukan dan menganalisis tren dan perkembangan terbaru "

    Artikel Terkait

    AutoGen: Framework Multi-Agent Conversation dari Microsoft

    AutoGen: Framework Multi-Agent Conversation dari Microsoft AutoGen adalah framework open-source dari Microsoft Research ...

    Tutorial Phidata (Agno): Framework AI Agent yang Simpel dan Powerful

    Tutorial Phidata (Agno): Framework AI Agent yang Simpel dan Powerful Membangun AI agent yang cerdas dan otonom kini sema...

    Tutorial Lengkap LangGraph: Membangun AI Agents yang Kompleks

    Tutorial Lengkap LangGraph: Membangun AI Agents yang Kompleks LangGraph adalah library dari LangChain untuk membangun st...

    Tutorial TRL: Post-Training LLM dengan SFT, DPO, dan Reward Modeling

    Post-Training LLM dengan TRL: SFT, Reward Modeling, dan DPO Setelah sebuah base language model selesai dipretraining, mo...