CrewAI

AI-agenterUppdaterad 14 november 2026

Python-ramverk med öppen källkod och hanterad plattform för att bygga crews av rollbaserade AI-agenter och köra dem som styrda affärsarbetsflöden.

IndataTextCodeAPIUtdataTextAutomationStructured Data

Vi kan få provision när du registrerar dig via våra länkar. Det påverkar inte våra recensioner.

Vad är CrewAI?

CrewAI är ett MIT-licensierat Python-ramverk, plus en kommersiell plattform som heter CrewAI AMP, för att orkestrera flera LLM-agenter som var och en får en roll, ett mål och en bakgrundshistoria och sedan delar upp ett jobb mellan sig. I stället för en enda jätteprompt som försöker researcha, skriva och granska på samma gång definierar du en researcher, en analytiker och en redaktör, ger var och en egna verktyg och en egen modell och låter dem skicka arbetet vidare i en sekventiell eller managerstyrd process. Flows lägger till händelsestyrd kontroll med tillstånd och förgreningar när du behöver deterministiska steg. Open source-repot har nästan 60 000 stjärnor på GitHub och får nya releaser nästan varje vecka. Den svaga punkten är felsökningen: när agenter fastnar i loopar eller i tysthet hoppar över ett verktygsanrop gör abstraktionen det svårt att se orsaken. Välj det om du skriver Python och vill ha prototyper med flera agenter igång på en eftermiddag.

Hur börjar man använda CrewAI?

  1. Du har två ingångar. Utvecklare installerar open source-CLI:t: se till att du kör Python 3.10 till 3.13, installera pakethanteraren uv och kör sedan uv tool install crewai. Om du helst slipper terminalen registrerar du dig för den kostnadsfria Basic-planen på app.crewai.com och öppnar Studio, den visuella editorn med en AI-copilot, där du beskriver arbetsflödet med vanliga ord och får en crew som du senare kan exportera till Python.

  2. Ditt första riktiga scenario på kodsidan börjar med crewai create crew my_project. Standardstrukturen använder numera JSON-filer: varje agent ligger i agents/*.jsonc, medan uppgifter och crew-inställningar finns i crew.jsonc. Lägg till flaggan --classic om du föredrar den äldre strukturen med agents.yaml, tasks.yaml och crew.py. Lägg din modellnyckel i .env, kör crewai install och sedan crewai run, så ber CLI:t dig om eventuella saknade platshållare för indata.

  3. Inställningarna som påverkar resultatet görs per agent: vilken LLM den använder, om resonemang och minne är påslagna, vilka verktyg och kunskapskällor den kommer åt och om den kör kod i en sandlåda. Modeller anges med en sträng av typen provider/model-id, och dokumentationen listar fler än 20 leverantörer, från OpenAI, Anthropic och Gemini till Bedrock, Groq och lokala Ollama. Ge den dyra modellen bara till agenten som behöver tungt resonemang och använd en billigare för sammanfattningar.

  4. När crewn fungerar lokalt pushar du projektet till GitHub och driftsätter det. Du kan klicka på Connect GitHub i AMP-panelen eller köra crewai login och crewai deploy create, som läser dina lokala miljövariabler och köar bygget; enligt dokumentationen tar en första driftsättning oftast ungefär en minut. Sedan får du en URL och en Bearer-token, och crewn svarar på endpointsen /inputs, /kickoff och /status, med flikarna Status, Run, Executions, Metrics och Traces i panelen.

Slutsats: bygg först en crew med två agenter och ett verktyg, läs dess trace från början till slut och lägg till fler agenter först därefter.

Vem passar det för?

Python-utvecklare

Du vill ha agenter som samarbetar utan att du behöver koppla ihop en tillståndsmaskin för hand. CrewAI ger dig roller, uppgifter och processer som färdiga byggstenar, så en pipeline för research och rapporter kräver några få filer i stället för ett eget orkestreringslager. Du har ändå kvar åtkomst på låg nivå när standardvalen står i vägen.

AI-ingenjörer på större företag

Dina piloter fungerar på en laptop men fastnar när säkerhetsavdelningen frågar om åtkomstkontroll och granskningsloggar. Enterprise-nivån lägger till SSO, rollbaserad åtkomst, maskering av personuppgifter och driftsättning i ditt eget VPC eller din egen infrastruktur. Det gör en demo till något som ett plattformsteam kan godkänna.

Automations- och driftteam

Du ersätter sköra RPA-skript eller långa manuella checklistor, till exempel leadberikning eller QA-granskning. Crews kan hämta data från flera interna system, göra bedömningar och lämna resultaten till ett steg där en människa godkänner. Räkna med att lägga tid på skyddsräcken innan det första arbetsflödet går live.

Tekniska grundare och konsulter

Du behöver visa en kund en fungerande prototyp med flera agenter den här veckan, inte nästa kvartal. CLI-strukturen och mallarna tar dig snabbt till en crew som körs, och den kostnadsfria planen låter dig hosta ett par automationer för en demo. Planera produktionsarkitekturen separat, eftersom 50 körningar i månaden tar slut fort.

Studenter och självlärda

Du vill öva praktiskt på agentdesign i stället för teori. CrewAI erbjuder kostnadsfria kurser på learn.crewai.com, och projektet uppger att fler än 100 000 utvecklare har certifierats genom dem. Exemplen är lättillgängliga, men dokumentationen förutsätter att du redan kan grundläggande Python.

Slutsats: CrewAI passar dig som kodar eller har ingenjörer i närheten; rena no-code-användare kommer tidigt att slå i taket för den kostnadsfria Studio-planen.

Priser för CrewAI

Prissättningen är uppdelad i två lager. Open source-ramverket är gratis under MIT-licensen, så den enda löpande kostnaden är fakturan från din LLM-leverantör och din egen hosting. Den hostade AMP-plattformen tar betalt per körning av arbetsflöden, och den officiella prissidan listar bara två nivåer per oktober 2026. Kom ihåg att varje agentsteg förbrukar LLM-tokens på ditt eget leverantörskonto, så en crew med fem agenter kan kosta flera gånger mer per körning än ett skript med en enda prompt.

Basic
$0/månad

Inkluderar Studio (den visuella editorn med AI-copilot), GitHub-integration, standardverktyg och triggers, tracing, OpenTelemetry, skyddsräcken, mänsklig inmatning i loopen (human-in-the-loop) och arbetsflödeschatt i Slack eller Teams. De hårda gränserna är 2 automationer och 50 körningar av arbetsflöden per månad, utan möjlighet att köpa extra körningar. Support ges bara via communityn.

Enterprise

Anpassat pris. Antalet körningar dimensioneras efter dina arbetsflöden med flexibel överförbrukning, och du kan driftsätta i CrewAI:s moln, ett dedikerat VPC eller din egen infrastruktur. Den lägger till enterprise-kopplingar, SSO med Microsoft Entra eller Okta, rollbaserad åtkomstkontroll, maskering av personuppgifter och policyer, dedikerad support via Slack eller Teams samt ett 45 dagar långt onboardingprogram. Forward-deployed engineering och utbildning säljs à la carte, och det finns en knapp för att begära en provperiod i stället för ett offentligt pris.

Slutsats: bygg prototyper på open source-ramverket eller Basic-planen, och prata med säljavdelningen först när du behöver SSO, privat driftsättning eller fler än 50 körningar i månaden.

Viktigaste funktionerna i CrewAI

Rollbaserade agenter definieras med roll, mål och bakgrundshistoria samt valfri modell, verktyg, minne och ett reglage för resonemang. Du kan skriva dem i YAML, JSON eller Python och blanda stilarna. Att hålla varje agent smal gör promptarna kortare och resultaten lättare att granska.

Crews och Flows täcker två typer av arbete

Crews låter agenter delegera och samarbeta kring öppna problem, medan Flows ger dig händelsestyrda steg med tillstånd, villkorliga förgreningar och enskilda LLM-anrop. Genom att kombinera dem kan du hålla de riskfyllda delarna deterministiska och bara lämna de luddiga delarna till agenterna.

Ett stort verktygsbibliotek ingår direkt och täcker webbsökning, interaktion med webbplatser, frågor mot vektordatabaser och kodkörning. Ramverket har förstklassigt stöd för MCP-servrar och inbyggda sandlådeverktyg för E2B och Daytona. Agenter kan anropa dina interna API:er utan att du skriver en egen adapter för vart och ett.

Minne och checkpoints gör att långa jobb inte börjar om från noll

Minnet lagrar och löser upp fakta mellan körningar, och checkpoints fångar tillståndet vid varje steg så att du kan spela upp, förgrena eller köra om en uppgift med andra indata. Det sparar tokens när ett långt arbetsflöde misslyckas nära slutet.

Flexibla modeller innebär att varje agent kan peka på en annan leverantör

OpenAI, Anthropic, Gemini, Azure, Bedrock och Snowflake Cortex använder inbyggda SDK:er, och resten, inklusive lokala Ollama-modeller, körs via LiteLLM. Du kan testa billigare modeller på agenter där lite står på spel utan att skriva om crewn.

Driftsättning och observerbarhet i AMP gör en crew till ett API

Du driftsätter från GitHub, Studio eller CLI:t och får sedan REST-endpoints, webhook-streaming, ett verktygsarkiv och traces av varje LLM- och verktygsanrop med kostnadsredovisning.

Slutsats: slå på tracing från första dagen, eftersom det är det snabbaste sättet att upptäcka en agent som fejkar ett verktygsresultat.

Styrningsfunktionerna i Enterprise-nivån omfattar SSO, RBAC, granskningsloggar, mänskliga godkännandesteg och runtime-hooks som lägger in maskering av personuppgifter och policykontroller i varje LLM- och verktygsanrop. Integrationer för utvärdering finns för Arize, Galileo, Datadog och Patronus. Det är just de delarna som compliance-team frågar om före produktion.

För- och nackdelar med CrewAI

Fördelar

Den mentala modellen är den största dragningskraften. Att beskriva arbete som ett team av specialister med tydliga uppgifter är lättare att resonera kring än en graf av noder, och recensenter på G2 berömmer gång på gång hur snabbt de får samarbetande agenter att köra. Du kan byta modell per agent, använda lokala modeller för integritetens skull och ha allt i vanlig Python under en MIT-licens utan inlåsning hos en leverantör. Projektet är mycket aktivt, med nya releaser nästan varje vecka, en stor community och kostnadsfria certifieringskurser. När du växer ur din laptop kan samma kod driftsättas på AMP med tracing och ett API på köpet. Börja med open source-versionen och gå över till AMP först när du behöver hosting eller styrning.

Nackdelar

Abstraktionen som gör demos snabba döljer också vad agenterna faktiskt gör. Användare rapporterar att agenter fastnar i loopar vid verktygsanvändning eller utbyten mellan agenter, vilket slösar tid och API-budget, och en välkänd bugg på GitHub visade att agenter hittade på verktygsobservationer i stället för att anropa verktyget. Ett öppet ärende påpekar att uppgifter som körs om kan köra verktyg med sidoeffekter igen, till exempel skicka ett mejl två gånger. Körningar med flera agenter mångdubblar också tokenkostnaderna, den kostnadsfria planen begränsar dig till 50 körningar och Enterprise-priserna är inte offentliga. Flera utvecklare tycker att dokumentationen är svårtillgänglig om de är nya inom agenter. Lägg till idempotenskontroller i alla verktyg som ändrar data och låt tracing vara påslaget.

Använd CrewAI om du vill…

  • Bygga pipelines för research och rapporter med flera agenter i Python.
  • Dela upp ett komplext jobb mellan specialiserade AI-agenter.
  • Snabbt ta fram prototyper av agentarbetsflöden med ett open source-ramverk.
  • Blanda olika LLM-leverantörer i ett och samma arbetsflöde.
  • Köra agenter på lokala modeller via Ollama.
  • Driftsätta crews som REST-API:er med inbyggd tracing.
  • Ersätta sköra RPA-skript med agenter som kan göra bedömningar.
  • Lägga till mänskliga godkännandesteg i automatiserade affärsprocesser.
  • Själv hosta styrda agenter i ditt eget VPC.

Alternativ till CrewAI

LangGraphOpenAI Agents SDKDifyRelevance AILindy

Recensioner av CrewAI

Utvecklare på G2 säger att det går snabbt att sätta upp samarbetande agenter och byta in olika modeller, men att agenter kan fastna i loopar vid verktygsanrop eller överlämningar och då bränna tid och API-krediter.

Flera recensenter gillar den rollbaserade strukturen för arbete i flera steg, men tycker att inlärningskurvan är brant och vill ha dokumentation som är vänligare mot dem som är nya inom agenter.

Studio-användare uppskattar att kunna bygga och testa arbetsflöden utan att skriva all kod, men klagar på fördröjningar i körningar med flera steg och på automationspriser som de anser är höga.

GitHub-användare har pekat på brister i tillförlitligheten, till exempel att agenter simulerar verktygsutdata i stället för att anropa verktyget och att omförsök kan upprepa sidoeffekter, vilket spelar roll vid användning i produktion.

På Hacker News säger vissa utvecklare att ramverkslager gör felsökning i produktion plågsam och föredrar tunna wrappers kring modellernas SDK:er, medan andra menar att ramverk lönar sig för komplexa, observerbara upplägg med flera modeller.

Vanliga frågor

Är CrewAI gratis?

Open source-ramverket är gratis under MIT-licensen, och du betalar bara för de LLM-API:er du anropar. Den hostade Basic-planen är också gratis men begränsad till 2 automationer och 50 körningar av arbetsflöden per månad.

Är CrewAI beroende av LangChain?

Nej. README-filen beskriver CrewAI som ett fristående Python-ramverk med egna byggstenar för agenter, uppgifter, crews, flows och verktyg.

Vilka LLM:er stöder CrewAI?

Dokumentationen listar fler än 20 leverantörer, bland annat OpenAI, Anthropic, Google Gemini, Azure, AWS Bedrock, Mistral, Groq och IBM watsonx. Lokala modeller fungerar via Ollama eller LM Studio.

Vilken Python-version behöver jag?

CrewAI kräver Python 3.10 eller senare och lägre än 3.14. Dokumentationen rekommenderar att du installerar det med pakethanteraren uv.

Samlar CrewAI in mina data?

Ramverket skickar anonym telemetri som versionsnummer, antal agenter och verktygsnamn, men som standard inte prompter eller uppgiftsresultat. Du kan stänga av det genom att sätta miljövariabeln OTEL_SDK_DISABLED till true.

Kan jag själv hosta CrewAI i produktion?

Ja. Du kan köra open source-ramverket på vilken infrastruktur som helst, och Enterprise-planen stöder driftsättning i ditt eget VPC eller i en on-premise-miljö med SSO och rollbaserad åtkomst.

Har CrewAI ett API?

Varje crew som driftsätts på AMP får en URL, en Bearer-token och REST-endpoints för att läsa obligatoriska indata, starta en körning och kontrollera dess status. Du kan också driftsätta om crews från CI med en personlig åtkomsttoken.

Vad kostar CrewAI Enterprise?

Enterprise-priserna baseras på offert och dimensioneras efter dina arbetsflöden, med flexibel överförbrukning för extra körningar. Du kan begära en provperiod från prissidan.

Redo att testa CrewAI?
Prova CrewAI