CrewAI

AI-agenterOpdateret 14. november 2026

Open source Python-framework og administreret platform til at bygge crews af rollebaserede AI-agenter og køre dem som styrede forretningsworkflows.

InputTextCodeAPIOutputTextAutomationStructured Data

Vi kan modtage en provision, når du tilmelder dig via vores links. Det påvirker ikke vores anmeldelser.

Hvad er CrewAI?

CrewAI er et MIT-licenseret Python-framework, plus en kommerciel platform kaldet CrewAI AMP, til at orkestrere flere LLM-agenter, som hver får en rolle, et mål og en baggrundshistorie og derefter deler en opgave mellem sig. I stedet for én kæmpe prompt, der prøver at researche, skrive og gennemgå på én gang, definerer du en researcher, en analytiker og en redaktør, giver hver af dem sine egne værktøjer og sin egen model og lader dem sende arbejdet videre i en sekventiel eller manager-styret proces. Flows tilføjer hændelsesdrevet styring med state og forgreninger, når du har brug for deterministiske trin. Open source-repoet har tæt på 60.000 stjerner på GitHub og udgiver nye versioner næsten hver uge. Det svage punkt er fejlfinding: når agenter kører i ring eller i stilhed springer et værktøjskald over, gør abstraktionen det svært at se årsagen. Vælg det, hvis du skriver Python og vil have multiagent-prototyper kørende på en eftermiddag.

Sådan kommer du i gang med CrewAI

  1. Du har to indgange. Udviklere installerer open source-CLI’en: sørg for, at du kører Python 3.10 til 3.13, installer pakkehåndteringen uv, og kør så uv tool install crewai. Hvis du helst ikke vil røre en terminal, så opret dig til den gratis Basic-plan på app.crewai.com og åbn Studio, den visuelle editor med en AI-copilot, hvor du beskriver workflowet med almindelige ord og får en crew, som du senere kan eksportere til Python.

  2. Dit første rigtige scenarie på kodesiden starter med crewai create crew my_project. Standardskabelonen bruger nu JSON-filer: hver agent ligger i agents/*.jsonc, mens opgaver og crew-indstillinger ligger i crew.jsonc. Tilføj flaget --classic, hvis du foretrækker den ældre struktur med agents.yaml, tasks.yaml og crew.py. Læg din modelnøgle i .env, kør crewai install og derefter crewai run, så beder CLI’en dig om eventuelle manglende input-pladsholdere.

  3. De indstillinger, der former resultaterne, gælder per agent: hvilken LLM den bruger, om reasoning og hukommelse er slået til, hvilke værktøjer og vidensskilder den har adgang til, og om den kører kode i en sandbox. Modeller angives med en provider/model-id-streng, og dokumentationen nævner mere end 20 udbydere, fra OpenAI, Anthropic og Gemini til Bedrock, Groq og lokal Ollama. Giv kun den dyre model til den agent, der har brug for tung reasoning, og brug en billigere til opsummering.

  4. Når crew’en opfører sig ordentligt lokalt, så push projektet til GitHub og deploy det. Du kan klikke på Connect GitHub i AMP-dashboardet eller køre crewai login og crewai deploy create, som læser dine lokale miljøvariabler og sætter buildet i kø; ifølge dokumentationen tager en første deployment normalt omkring et minut. Derefter får du en URL og et Bearer-token, og crew’en svarer på endpoints /inputs, /kickoff og /status, med fanerne Status, Run, Executions, Metrics og Traces i dashboardet.

Konklusion: byg først en crew med to agenter og ét værktøj, læs dens trace fra ende til anden, og tilføj først derefter flere agenter.

Hvem er det til?

Python-udviklere

Du vil have agenter, der samarbejder, uden at du skal bygge en tilstandsmaskine i hånden. CrewAI giver dig roller, opgaver og processer som færdige byggeklodser, så en pipeline til research og rapportering kræver nogle få filer i stedet for et skræddersyet orkestreringslag. Du beholder stadig adgang på lavt niveau, når standardindstillingerne står i vejen.

AI-ingeniører i større virksomheder

Dine piloter virker på en bærbar, men går i stå, når sikkerhedsafdelingen spørger til adgangskontrol og audit trails. Enterprise-niveauet tilføjer SSO, rollebaseret adgang, maskering af PII og deployment i din egen VPC eller infrastruktur. Det gør en demo til noget, et platformsteam kan godkende.

Automatiserings- og driftsteams

Du er ved at erstatte skrøbelige RPA-scripts eller lange manuelle tjeklister, for eksempel til berigelse af leads eller QA-gennemgang. Crews kan hente data fra flere interne systemer, udøve dømmekraft og sende resultaterne videre til et trin med menneskelig godkendelse. Regn med at bruge tid på guardrails, før det første workflow går live.

Tekniske stiftere og konsulenter

Du skal vise en kunde en fungerende multiagent-prototype i denne uge, ikke i næste kvartal. CLI-skabelonen og templates får dig hurtigt frem til en kørende crew, og den gratis plan lader dig hoste et par automatiseringer til en demo. Planlæg din produktionsarkitektur separat, for 50 kørsler om måneden forsvinder hurtigt.

Studerende og selvstuderende

Du vil have praktisk øvelse i agentdesign frem for teori. CrewAI har gratis kurser på learn.crewai.com, og projektet oplyser, at mere end 100.000 udviklere er blevet certificeret gennem dem. Eksemplerne er lette at gå til, men dokumentationen forudsætter, at du allerede kan grundlæggende Python.

Konklusion: CrewAI passer til folk, der koder eller har udviklere tæt på; rene no-code-brugere rammer hurtigt grænserne for den gratis Studio-plan.

Priser på CrewAI

Priserne er delt i to lag. Open source-frameworket er gratis under MIT-licensen, så de eneste driftsomkostninger er regningen fra din LLM-udbyder og din egen hosting. Den hostede AMP-platform tager betaling for workflow-kørsler, og den officielle prisside viser kun to niveauer pr. oktober 2026. Husk, at hvert agenttrin bruger LLM-tokens på din egen udbyderkonto, så en crew med fem agenter kan koste flere gange mere per kørsel end et script med én enkelt prompt.

Basic
$0/måned

Omfatter Studio (den visuelle editor med AI-copilot), GitHub-integration, standardværktøjer og triggere, tracing, OpenTelemetry, guardrails, human-in-the-loop-input og workflow-chat i Slack eller Teams. De faste grænser er 2 automatiseringer og 50 workflow-kørsler om måneden, uden mulighed for at købe ekstra kørsler. Support foregår kun via fællesskabet.

Enterprise

Efter aftale. Kørsler dimensioneres efter dine workflows med fleksibelt overforbrug, og du kan deploye på CrewAI cloud, en dedikeret VPC eller din egen infrastruktur. Den tilføjer enterprise-connectors, SSO med Microsoft Entra eller Okta, rollebaseret adgangskontrol, maskering af PII og politikker, dedikeret support via Slack eller Teams og et onboardingprogram på 45 dage. Forward-deployed engineering og træning sælges à la carte, og der er en Request trial-knap i stedet for en offentlig pris.

Konklusion: lav prototyper på open source-frameworket eller Basic-planen, og tal først med salg, når du har brug for SSO, privat deployment eller mere end 50 kørsler om måneden.

Vigtigste funktioner i CrewAI

Rollebaserede agenter defineres med en rolle, et mål og en baggrundshistorie plus en valgfri model, værktøjer, hukommelse og en reasoning-kontakt. Du kan skrive dem i YAML, JSON eller Python og blande stilarterne. Når hver agent holdes snæver, bliver prompts kortere og output lettere at efterprøve.

Crews og Flows dækker to slags arbejde

Crews lader agenter uddelegere og samarbejde om åbne problemer, mens Flows giver dig hændelsesdrevne trin med state, betingede forgreninger og enkeltstående LLM-kald. Når du kombinerer dem, kan du holde de risikable dele deterministiske og kun overlade de uklare dele til agenter.

Et stort værktøjsbibliotek følger med fra start og dækker websøgning, interaktion med websites, forespørgsler til vektordatabaser og kodekørsel. Frameworket har førsteklasses understøttelse af MCP-servere og indbyggede sandbox-værktøjer til E2B og Daytona. Agenter kan kalde dine interne API’er, uden at du skal skrive en særlig adapter til hver enkelt.

Hukommelse og checkpointing forhindrer lange jobs i at starte forfra

Hukommelsen gemmer og slår fakta op på tværs af kørsler, og checkpointing gemmer tilstanden ved hvert trin, så du kan afspille, forgrene eller køre en opgave igen med andre input. Det sparer tokens, når et langt workflow fejler tæt på slutningen.

Fleksible modeller betyder, at hver agent kan pege på en anden udbyder

OpenAI, Anthropic, Gemini, Azure, Bedrock og Snowflake Cortex bruger native SDK’er, og resten, inklusive lokale Ollama-modeller, kører via LiteLLM. Du kan teste billigere modeller på agenter med lav risiko uden at skrive crew’en om.

AMP-deployment og observability gør en crew til et API

Du deployer fra GitHub, Studio eller CLI’en og får så REST-endpoints, webhook-streaming, et værktøjsrepository og traces af hvert LLM- og værktøjskald med omkostningsopgørelse.

Konklusion: slå tracing til fra første dag, for det er den hurtigste måde at fange en agent, der forfalsker et værktøjsresultat.

Governance-funktionerne i Enterprise-niveauet omfatter SSO, RBAC, audit trails, trin med menneskelig godkendelse og runtime-hooks, der indsætter maskering af PII og politiktjek i hvert LLM- og værktøjskald. Integrationer til evaluering dækker Arize, Galileo, Datadog og Patronus. Det er de dele, compliance-teams spørger til før produktion.

Fordele og ulemper ved CrewAI

Fordele

Den mentale model er den største attraktion. Det er lettere at tænke i arbejde som et team af specialister med klare opgaver end i en graf af noder, og anmeldere på G2 roser gang på gang, hvor hurtigt de får samarbejdende agenter op at køre. Du kan skifte model per agent, bruge lokale modeller af hensyn til privatlivet og holde alt i almindelig Python under en MIT-licens uden leverandørbinding. Projektet er meget aktivt, med nye versioner næsten hver uge, et stort fællesskab og gratis certificeringskurser. Når du vokser ud af den bærbare, kan den samme kode deployes til AMP med tracing og et API tilknyttet. Start med open source-versionen, og gå først over til AMP, når du har brug for hosting eller governance.

Ulemper

Den abstraktion, der gør demoer hurtige, skjuler også, hvad agenterne faktisk gør. Brugere rapporterer, at agenter kører i ring under værktøjsbrug eller udveksling mellem agenter, hvilket spilder tid og API-budget, og en kendt fejl på GitHub viste agenter, der fandt på falske værktøjsobservationer i stedet for at kalde værktøjet. Et åbent issue påpeger, at opgaver, der forsøges igen, kan køre værktøjer med sideeffekter igen, for eksempel så en e-mail sendes to gange. Kørsler med flere agenter ganger desuden tokenomkostningerne op, den gratis plan begrænser dig til 50 kørsler, og Enterprise-priserne er ikke offentlige. Flere udviklere synes, at dokumentationen er tung at komme igennem, hvis de er nye i agenter. Tilføj idempotens-tjek til alle værktøjer, der ændrer data, og hold tracing slået til.

Brug CrewAI, hvis du vil…

  • Bygge multiagent-pipelines til research og rapportering i Python.
  • Dele én kompleks opgave ud på specialiserede AI-agenter.
  • Lave hurtige prototyper af agent-workflows med et open source-framework.
  • Blande forskellige LLM-udbydere i ét workflow.
  • Køre agenter på lokale modeller via Ollama.
  • Deploye crews som REST API’er med indbygget tracing.
  • Erstatte skrøbelige RPA-scripts med agenter, der kan udøve dømmekraft.
  • Tilføje trin med menneskelig godkendelse til automatiserede forretningsprocesser.
  • Selv hoste styrede agenter i din egen VPC.

Alternativer til CrewAI

LangGraphOpenAI Agents SDKDifyRelevance AILindy

Anmeldelser af CrewAI

Udviklere på G2 siger, at det går hurtigt at sætte samarbejdende agenter op og skifte til andre modeller, men at agenter kan køre i ring under værktøjskald eller overdragelser og brænde tid og API-kreditter af.

Flere anmeldere kan lide den rollebaserede struktur til arbejde i flere trin, men kalder læringskurven stejl og ønsker dokumentation, der er venligere over for folk, som er nye i agenter.

Studio-brugere sætter pris på at kunne bygge og teste workflows uden at skrive al koden, men klager over forsinkelser i kørsler med flere trin og over priser på automatiseringer, som de finder høje.

GitHub-brugere har påpeget huller i pålideligheden, for eksempel agenter, der simulerer værktøjsoutput i stedet for at kalde værktøjet, og genforsøg, der kan gentage sideeffekter, hvilket har betydning i produktion.

På Hacker News siger nogle udviklere, at framework-lag gør fejlfinding i produktion smertefuld, og foretrækker tynde wrappers omkring modellernes SDK’er, mens andre siger, at frameworks betaler sig ved komplekse, observerbare opsætninger med flere modeller.

Ofte stillede spørgsmål

Er CrewAI gratis?

Open source-frameworket er gratis under MIT-licensen, og du betaler kun for de LLM-API’er, du kalder. Den hostede Basic-plan er også gratis, men begrænset til 2 automatiseringer og 50 workflow-kørsler om måneden.

Er CrewAI afhængig af LangChain?

Nej. README-filen beskriver CrewAI som et selvstændigt Python-framework med sine egne byggeklodser til agenter, opgaver, crews, flows og værktøjer.

Hvilke LLM’er understøtter CrewAI?

Dokumentationen nævner mere end 20 udbydere, herunder OpenAI, Anthropic, Google Gemini, Azure, AWS Bedrock, Mistral, Groq og IBM watsonx. Lokale modeller fungerer via Ollama eller LM Studio.

Hvilken Python-version skal jeg bruge?

CrewAI kræver Python 3.10 eller nyere og under 3.14. Dokumentationen anbefaler at installere det med pakkehåndteringen uv.

Indsamler CrewAI mine data?

Frameworket sender anonym telemetri som versionsnumre, antal agenter og værktøjsnavne, men som standard ikke prompts eller output fra opgaver. Du kan slå det fra ved at sætte miljøvariablen OTEL_SDK_DISABLED til true.

Kan jeg selv hoste CrewAI i produktion?

Ja. Du kan køre open source-frameworket på enhver infrastruktur, og Enterprise-planen understøtter deployment i din egen VPC eller on-premise-miljø med SSO og rollebaseret adgang.

Har CrewAI et API?

Hver crew, der deployes til AMP, får en URL, et Bearer-token og REST-endpoints til at læse påkrævede input, starte en kørsel og tjekke dens status. Du kan også deploye crews igen fra CI med et personligt adgangstoken.

Hvad koster CrewAI Enterprise?

Enterprise-priser gives efter tilbud og dimensioneres efter dine workflows, med fleksibelt overforbrug for ekstra kørsler. Du kan anmode om en prøveperiode fra prissiden.

Klar til at prøve CrewAI?
Prøv CrewAI