CrewAI
#Définition CrewAI
CrewAI est un framework Python open source (licence MIT) conçu pour orchestrer des systèmes multi-agents LLM. Publié par João Moura en novembre 2023 sur GitHub, il a rapidement gagné une large communauté sur GitHub. Pour approfondir, consultez la page service Agents IA Nehos.
Pour être précis, Composants principaux : (1) Crew — classe orchestratrice qui regroupe agents, tasks et définit le process ; (2) Agent — objet paramétré avec role (intitulé), goal (objectif précis), backstory (contexte narratif favorisant la spécialisation), llm (modèle utilisé, ex. GPT-4o, Claude 3.5 Sonnet, Mistral Large), tools (liste de fonctions appelables) et verbose ; (3) Task — unité de travail avec description, expected_output et agent assigné ; (4) Tools — wrappers de fonctions Python (SerperDevTool pour la recherche web, FileReadTool, PDFSearchTool, custom tools via @tool decorator).
Deux process d'exécution : Process.sequential (exécution dans l'ordre de déclaration, sortie de chaque task passée en contexte à la suivante) et Process.hierarchical (un manager agent — généralement GPT-4o — planifie et délègue dynamiquement aux worker agents). Support natif du streaming, de la gestion de mémoire courte/longue terme (via intégrations vector store) et des callbacks. Compatible avec OpenAI, Anthropic, Mistral, Ollama (LLMs locaux) via LiteLLM.
La compréhension fine de CrewAI différencie les équipes qui livrent des résultats de celles qui accumulent de la dette.
#CrewAI expliqué simplement
Imaginez une agence de presse : un rédacteur en chef, un journaliste d'investigation, un analyste de données et un correcteur. Chacun a un rôle précis, des outils spécifiques et travaille sur une partie du projet. En fin de chaîne, l'article est assemblé. CrewAI réplique exactement ce modèle, mais avec des agents IA à la place des humains.
Vous définissez chaque 'collaborateur' : son rôle ('Analyste concurrentiel'), son objectif ('Identifier les 5 principaux concurrents et leurs prix'), son contexte ('Tu es un expert en veille stratégique B2B SaaS'), et ses outils (recherche web, lecture de fichiers CSV). Ensuite, vous définissez les tâches et l'ordre d'exécution.
Le framework s'occupe de passer les résultats d'un agent à l'autre. Résultat : un rapport complet en quelques minutes, sans intervention humaine à chaque étape. C'est simple à mettre en place — c'est exactement pourquoi CrewAI est populaire pour les prototypes.
Prenez un cas concret : une entreprise de 50 personnes qui accélère sa croissance. La différence entre théorie et terrain ? Les chiffres. Et les chiffres, on les a.
#Cas d'usage concrets
Exemple de situation : agence marketing B2B — automatisation de la veille concurrentielle hebdomadaire — Exemple de situation : une agence confie sa veille concurrentielle hebdomadaire à un Crew de 4 agents. (1) Un agent Recherche Web (SerperDevTool) collecte des URLs sur les concurrents, (2) un agent Extraction lit et résume chaque page, (3) un agent Analyse identifie les tendances tarifaires et le positionnement, (4) un agent Rédaction produit un rapport Markdown structuré. On compare le temps d'exécution et le coût en tokens avec le travail manuel, puis un humain relit le rapport.
Exemple de situation : cabinet RH — qualification automatisée de CV pour des postes tech — Exemple de situation : un cabinet RH utilise un Crew Sequential. Un agent Extraction parse les PDF de CV (PDFSearchTool), un agent Scoring les évalue selon une grille de critères définie (Python + LLM), et un agent Rédaction génère une fiche de synthèse par candidat avec score, points forts et lacunes. Le recruteur relit chaque fiche. On mesure le temps de présélection gagné pendant le pilote.
Exemple de situation : ESN — génération de propositions commerciales personnalisées — Exemple de situation : une ESN utilise un Crew Hierarchical piloté par un Manager Agent. Un agent Recherche Client analyse le site web et le LinkedIn du prospect, un agent Contexte Sectoriel identifie les enjeux du secteur, un agent Rédacteur produit une proposition Word personnalisée.
Le prototype se valide d'abord avec CrewAI, puis une migration vers LangGraph apporte l'état persistant nécessaire à la version production.
Exemple de situation : POC d'audit de conformité RGPD — agent multi-source — Exemple de situation : un POC de 3 agents. Un agent Collecte crawle la politique de confidentialité et les cookies du site audité, un agent Analyse vérifie la conformité point par point contre la checklist CNIL, un agent Rapport produit un rapport d'audit avec les non-conformités priorisées. La précision se mesure en comparant avec un audit manuel d'expert sur un jeu de test.
#CrewAI chez Nehos Groupe
Chez Nehos, on part du terrain. Notre service Agents IA Nehos couvre ce périmètre de A à Z.
Chaque mission démarre par un cadrage structuré : objectifs chiffrés, périmètre technique, jalons à 30/60/90 jours. On livre, on mesure, on itère. Pas de slides sans livrable.
#Termes associés
Ce concept ne vit pas isolé.
- LangGraph
- Agent IA
- Agentic AI
- MCP (Model Context Protocol)
- LLM (Large Language Model)
- Agents Autonomes
- Système Multi-Agents
- AI Orchestration
Chaque terme est défini dans notre glossaire avec la même approche : définition technique, vulgarisation, cas concrets et méthode Nehos.
Applications Concrètes
« Exemple de situation : une agence confie sa veille concurrentielle hebdomadaire à un Crew de 4 agents. (1) Un agent Recherche Web (SerperDevTool) collecte des URLs sur les concurrents, (2) un agent Extraction lit et résume chaque page, (3) un agent Analyse identifie les tendances tarifaires et le positionnement, (4) un agent Rédaction produit un rapport Markdown structuré. On compare le temps d'exécution et le coût en tokens avec le travail manuel, puis un humain relit le rapport. »
« Exemple de situation : un cabinet RH utilise un Crew Sequential. Un agent Extraction parse les PDF de CV (PDFSearchTool), un agent Scoring les évalue selon une grille de critères définie (Python + LLM), et un agent Rédaction génère une fiche de synthèse par candidat avec score, points forts et lacunes. Le recruteur relit chaque fiche. On mesure le temps de présélection gagné pendant le pilote. »
« Exemple de situation : une ESN utilise un Crew Hierarchical piloté par un Manager Agent. Un agent Recherche Client analyse le site web et le LinkedIn du prospect, un agent Contexte Sectoriel identifie les enjeux du secteur, un agent Rédacteur produit une proposition Word personnalisée. Le prototype se valide d'abord avec CrewAI, puis une migration vers LangGraph apporte l'état persistant nécessaire à la version production. »
« Exemple de situation : un POC de 3 agents. Un agent Collecte crawle la politique de confidentialité et les cookies du site audité, un agent Analyse vérifie la conformité point par point contre la checklist CNIL, un agent Rapport produit un rapport d'audit avec les non-conformités priorisées. La précision se mesure en comparant avec un audit manuel d'expert sur un jeu de test. »
Questions & réponses
Questions fréquentes sur CrewAI
CrewAI est opinionné et haut niveau : vous définissez des agents avec des rôles et des tâches, le framework gère l'orchestration. Prise en main en quelques heures, idéal pour prototyper rapidement. LangGraph est bas niveau et flexible : vous construisez un graphe orienté (nodes + edges) où chaque nœud est une fonction Python ou un appel LLM. Contrôle total sur l'état, les boucles, les conditions. Recommandation Nehos : CrewAI pour les POC en 1-2 semaines, LangGraph pour les systèmes en production nécessitant état persistant, reprise sur erreur et workflows complexes.
Pour des workflows relativement linéaires avec des volumes modérés : oui. Cas typiques : veille concurrentielle automatisée, qualification de leads, génération de rapports. Pour des systèmes nécessitant un état persistant complexe, des boucles conditionnelles fines, un debugging avancé ou une haute disponibilité (SLA > 99,5 %) : préférer LangGraph ou une architecture custom. La règle Nehos : prototyper avec CrewAI, décider de la migration selon la complexité réelle constatée.
CrewAI utilise LiteLLM en sous-couche, ce qui lui permet de supporter une large palette de modèles : GPT-4o et GPT-4o-mini (OpenAI), Claude 3.5 Sonnet et Claude 3 Haiku (Anthropic), Mistral Large et Mistral 7B (Mistral AI), Llama 3 via Ollama pour les déploiements on-premise, et tout modèle compatible OpenAI API. Chaque agent peut utiliser un LLM différent — stratégie courante : GPT-4o pour l'agent manager, Claude 3 Haiku pour les agents de traitement en volume afin de maîtriser les coûts.
CrewAI propose trois mécanismes de mémoire. (1) Short-term memory : contexte partagé dans la Crew, géré via embeddings en mémoire vive. (2) Long-term memory : persistance via SQLite ou vector store (Chroma, Qdrant, Pinecone) — à activer explicitement avec memory=True. (3) Entity memory : extraction et mémorisation d'entités nommées (personnes, entreprises, produits) pour cohérence inter-tasks. Pour les usages B2B avec historique client, la combinaison long-term memory + Qdrant est la plus répandue.
Le coût en tokens est le principal point de vigilance en production. Chaque agent reçoit l'output des agents précédents dans son contexte — le coût s'additionne. Un Crew de 4 agents sur un modèle de classe GPT-4o pour un rapport de veille consomme des dizaines de milliers de tokens en entrée et quelques milliers en sortie, pour un coût de l'ordre de quelques dizaines de centimes par exécution (à vérifier sur la grille tarifaire du fournisseur). Optimisation : utiliser un modèle léger (GPT-4o-mini, Claude Haiku) pour les agents de traitement et réserver le modèle le plus puissant à l'agent de synthèse finale.
Oui. Un Tool CrewAI est simplement une fonction Python décorée avec @tool ou une sous-classe de BaseTool. Exemple : un outil qui interroge votre CRM Salesforce via API REST, un outil qui exécute une requête SQL sur votre base PostgreSQL, ou un outil qui appelle votre API interne de gestion documentaire. La contrainte : le LLM doit pouvoir comprendre la description du tool (nom + description en langage naturel) pour décider quand l'utiliser — soigner ces descriptions est crucial.
Sequential : les agents s'exécutent dans l'ordre déclaré. L'output de chaque task est injecté comme contexte dans la task suivante. Simple, prévisible, facile à débugger. Adapté aux pipelines linéaires (recherche → analyse → rédaction). Hierarchical : un agent manager (nécessite un LLM capable de function calling, ex. GPT-4o) reçoit l'objectif global, planifie les sous-tâches et délègue aux agents worker. Plus flexible mais plus coûteux en tokens et plus difficile à débugger. À utiliser quand les sous-tâches dépendent des résultats intermédiaires et ne peuvent pas être prédéfinies statiquement.