CrewAI — framework multi-Agent basé sur les rôles (guide 2026)
CrewAI modélise les équipes d’AI Agents comme des équipes humaines — des rôles nommés, des tâches définies et des transferts explicites. Le framework multi-Agent de niveau production le plus populaire en 2026.
Why CrewAI
CrewAI est le chemin le plus rapide entre « idée d’agent » et « équipe d’agents en production ». Déclarez vos Agents (role, goal, backstory), déclarez vos tâches (description, agent, expected_output), regroupez-les dans un Crew, appelez kickoff(). Aucune définition de graphe, aucune configuration de bus de messages — l’abstraction correspond directement à « qui fait quoi et passe la main à qui ».
Le compromis, c’est le parti pris. CrewAI est résolument basé sur les rôles et linéaire au niveau des tâches : vous ne construirez pas facilement un débat libre ni une boucle d’Agents au tour par tour à la manière des échecs. Pour des pipelines aux rôles stables et au workflow clair (recherche → rédaction → critique → publication), le framework vous accélère. Pour des patterns multi-Agents exploratoires, AutoGen ou LangGraph offrent plus de flexibilité au prix de davantage de code.
CrewAI a atteint ~30K étoiles GitHub et une adoption en entreprise en 2025 parce qu’il a choisi les bons défauts : processus hiérarchique ou séquentiel, agent manager optionnel, utilisation native d’outils, plug-in mémoire. C’est ce que la plupart des équipes devraient évaluer en premier et n’abandonner que pour une raison précise.
Quick Start — 3-Agent Research Crew
Les trois Agents s’exécutent séquentiellement — la sortie du chercheur alimente le rédacteur, qui alimente l’éditeur. Passez à process=Process.hierarchical pour ajouter un agent manager qui décide dynamiquement de l’attribution des tâches. allow_delegation=True permet à un Agent de déléguer des sous-tâches à un autre membre de l’équipe.
# pip install crewai crewai-tools
import os
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool
os.environ["OPENAI_API_KEY"] = "sk-..."
os.environ["SERPER_API_KEY"] = "..."
search = SerperDevTool()
researcher = Agent(
role="Senior research analyst",
goal="Find authoritative facts on a given topic",
backstory="A 10-year industry analyst with an allergy to unsourced claims.",
tools=[search],
allow_delegation=False,
verbose=True,
)
writer = Agent(
role="Technical writer",
goal="Turn research notes into a crisp 300-word brief",
backstory="Writes for developers who hate fluff.",
allow_delegation=False,
)
editor = Agent(
role="Editor",
goal="Enforce brevity and factual accuracy",
backstory="Former tech-book editor. Cuts 30% of every draft.",
allow_delegation=True,
)
research_task = Task(description="Research the state of multi-agent frameworks in 2026.",
agent=researcher, expected_output="A bullet list with citations.")
draft_task = Task(description="Draft a 300-word brief from the research.",
agent=writer, expected_output="A short brief.")
edit_task = Task(description="Edit and finalize the brief.",
agent=editor, expected_output="The final 300-word brief.")
crew = Crew(
agents=[researcher, writer, editor],
tasks=[research_task, draft_task, edit_task],
process=Process.sequential,
verbose=True,
)
print(crew.kickoff())Fonctionnalités clés
Abstraction rôle + tâche
Agent(role, goal, backstory) + Task(description, agent, expected_output) déclaratifs — correspond directement à la façon dont les humains décrivent une équipe.
Processus séquentiel + hiérarchique
process=sequential exécute les tâches dans l’ordre. process=hierarchical insère un agent manager qui choisit la prochaine tâche et la délègue. À choisir selon le degré de fixité de votre workflow.
Intégrations d’outils
crewai-tools fournit SerperDev, ScrapeWebsite, FileRead, la recherche CSV/JSON et des wrappers d’outils personnalisés. Les Agents déclarent tools=[...] ; le LLM décide quand les appeler.
Mémoire prête à l’emploi
Activez crew.memory=True pour la mémoire à court terme (par exécution) et à long terme (entre exécutions) via mem0 ou ChromaDB. Personnalisation immédiate pour les workflows récurrents.
Sources de connaissances
Les Agents peuvent puiser dans des objets Knowledge (PDF, URL, CSV) au lieu de ne dépendre que d’appels d’outils en direct. Utile quand vous voulez des réponses ancrées sans donner à chaque Agent l’accès au web.
CrewAI Flows
Primitive de workflow de plus haut niveau (à partir de 2025) pour une orchestration déterministe. Combine des crews avec des branches conditionnelles, des routeurs et de la persistance. Comble l’écart avec un contrôle de style LangGraph.
Comparaison
| Coordination Model | Ease of Start | Production Features | Best Fit | |
|---|---|---|---|---|
| CrewAIcelui-ci | Role + task | High (10-min quick start) | Memory, tools, Flows | Pipelines with stable roles |
| AutoGen | Conversation loop | Medium | Rich; more moving parts | Research, open-ended tasks |
| LangGraph | Graph / state machine | Medium-Low | Strong (checkpoints, HITL) | Complex production flows |
| OpenAI Swarm / Agents SDK | Handoff via tool calls | High (minimal) | Light | OpenAI-first, simple flows |
Cas d'usage
01. Pipelines de production de contenu
Chercheur → rédacteur → éditeur est le cas d’usage canonique de CrewAI. L’abstraction par rôles élimine le prompt engineering qui serait sinon dispersé dans un unique méga-prompt.
02. Notes de recherche automatisées
Briefs quotidiens/hebdomadaires sur les concurrents, les tendances de marché ou des sujets techniques. Un crew collecte, synthétise et livre un rapport formaté à l’heure prévue.
03. Analytique multi-étapes
Génération SQL → exécution de requête → création de graphique → explication narrative. Chaque étape devient un Agent dédié avec les bons outils ; la chaîne de sortie est explicite.
Tarification et licence
CrewAI OSS : sous licence MIT. Gratuit en self-hosting. Tout ce qui figure dans le quick start est inclus dans le paquet open-source.
CrewAI Enterprise : plateforme managée avec interface web, tableaux de bord d’observabilité, SSO entreprise et SOC 2. Voir crewai.com pour les tarifs en vigueur.
Réalité des coûts : les appels LLM représentent l’essentiel de la facture. Un crew de 3 Agents qui effectue 10 appels d’outils coûte ~0,10-0,50 $ par exécution sur gpt-4o-mini ; des ordres de grandeur plus sur Opus/4o pour du raisonnement lourd. Budgétez avec le modèle que vous utiliserez réellement.
Assets associés sur TokRepo
CrewAI Flows — Event-Driven Multi-Agent Orchestration
CrewAI Flows is the event-driven orchestration layer on top of Crews. Decorators @start, @listen, @router build a typed state machine for multi-agent.
CrewAI — Multi-Agent Orchestration in Python
Python framework for orchestrating role-playing AI agents that collaborate on complex tasks. Define agents with roles, goals, and tools, then let them work together autonomously. 25,000+ stars.
CrewAI — Multi-Agent Orchestration Framework
Build teams of autonomous AI agents that collaborate on complex tasks. Define roles, assign tasks, and let crews work together.
Phoenix Tracing Quickstart — OpenInference Tracer Setup
Phoenix instruments OpenAI, Anthropic, LangChain, LlamaIndex, CrewAI via OpenInference. Local UI or Arize cloud. No per-call code changes.
Questions fréquentes
CrewAI vs LangGraph ?+
Des paris différents. CrewAI : basé sur les rôles, rapide à mettre en production, moins de fonctionnalités de contrôle de flux. LangGraph : machine d’état, mise en place plus lourde, checkpoints et HITL de niveau production. Par défaut, choisissez CrewAI ; basculez vers LangGraph quand vous avez besoin d’un flux de contrôle déterministe ou d’une persistance d’état intégrée.
CrewAI fonctionne-t-il avec des LLMs locaux ?+
Oui. Définissez un endpoint compatible OpenAI via l’argument llm= sur Agent — pointez vers Ollama, LiteLLM, vLLM ou tout serveur compatible. Fonctionne avec Anthropic, Google Gemini, AWS Bedrock et Azure via des intégrations natives.
Les Agents CrewAI peuvent-ils appeler des outils personnalisés ?+
Oui. Enveloppez une fonction Python avec le décorateur @tool (crewai_tools) et passez-la via tools=[...]. Le LLM de l’Agent décide quand l’invoquer et avec quels arguments. Pour des intégrations de style MCP, CrewAI fournit des adaptateurs.
En quoi le processus hiérarchique diffère-t-il du séquentiel ?+
Séquentiel : les tâches s’exécutent dans l’ordre déclaré ; la sortie de la tâche N devient le contexte de la tâche N+1. Hiérarchique : un agent manager (modèle de classe GPT-4 recommandé) lit les tâches et l’équipe disponibles, attribue le travail dynamiquement, examine les sorties et décide des étapes suivantes. Le séquentiel est prévisible ; le hiérarchique est flexible mais nécessite plus d’appels LLM.
CrewAI est-il prêt pour la production ?+
Oui — en production dans de nombreuses entreprises depuis 2024. Surveillez les changelogs pendant le développement rapide en 0.x/1.x pour les ajustements d’API ; en production, épinglez les versions et mettez à jour de manière réfléchie.
Quelle est la relation entre les crews et les Flows ?+
Les crews coordonnent un ensemble d’Agents pour une tâche délimitée. Les Flows sont des workflows de plus haut niveau qui peuvent orchestrer plusieurs crews avec routage conditionnel, persistance et étapes human-in-loop. Utilisez un seul crew pour des pipelines simples ; combinez plusieurs crews via un Flow pour des applications multi-étapes.