[AI] 🤝 CrewAI: 멀티 에이전트 AI 협업 프레임워크 완벽 가이드

1사용자 입력 (목표)
2        ↓
3    Crew 오케스트레이터
4   ┌────┴────┐
5Agent A    Agent B    Agent C
6(리서처)   (작가)     (검수자)
7   └────┬────┘
8    최종 결과물

1from crewai_tools import SerperDevTool, ScrapeWebsiteTool, WebsiteSearchTool
2
3search_tool = SerperDevTool()      # Google 검색
4scrape_tool = ScrapeWebsiteTool()  # 웹 페이지 스크래핑
5rag_tool    = WebsiteSearchTool()  # 웹 콘텐츠 RAG 검색

1pip install crewai
2pip install 'crewai[tools]'   # 기본 도구 모음 포함

1OPENAI_API_KEY=sk-...
2SERPER_API_KEY=...             # SerperDevTool 사용 시 필요

 1import os
 2from dotenv import load_dotenv
 3from crewai import Agent, Task, Crew, Process
 4from crewai_tools import SerperDevTool, ScrapeWebsiteTool
 5
 6load_dotenv()
 7os.environ["OPENAI_MODEL_NAME"] = "gpt-4o"
 8
 9# ── Tools ────────────────────────────────────────
10search_tool = SerperDevTool()
11scrape_tool = ScrapeWebsiteTool()
12
13# ── Agents ───────────────────────────────────────
14researcher = Agent(
15    role="시니어 리서처",
16    goal="주어진 주제에 대해 웹에서 최신 정보를 수집하고 핵심 인사이트를 정리한다",
17    backstory="다양한 기술 문서와 블로그를 분석하여 최고의 리서치 결과를 만드는 전문가",
18    tools=[search_tool, scrape_tool],
19    allow_delegation=False,
20    verbose=True,
21)
22
23editor = Agent(
24    role="IT 블로거 / 에디터",
25    goal="리서치 결과를 바탕으로 읽기 쉽고 실용적인 블로그 글을 작성한다",
26    backstory="개발자 독자를 위해 명확하고 유익한 기술 콘텐츠를 작성하는 전문 블로거",
27    verbose=True,
28)
29
30# ── Tasks ────────────────────────────────────────
31research_task = Task(
32    description="""'{topic}'에 관한 최신 정보를 웹에서 검색하고 분석하세요.
33    핵심 개념, 주요 기능, 실제 활용 사례를 정리하세요.""",
34    agent=researcher,
35    expected_output="주제의 핵심 내용, 주요 기능, 활용 사례를 포함한 리서치 보고서",
36)
37
38writing_task = Task(
39    description="""리서치 결과를 바탕으로 '{topic}'에 대한 블로그 포스트를 작성하세요.
40    도입부, 주요 3개 섹션, 실용적 예시, 결론으로 구성하세요.""",
41    agent=editor,
42    expected_output="마크다운 형식의 블로그 포스트 (도입부, 3개 섹션, 결론 포함)",
43    context=[research_task],       # 리서치 결과를 컨텍스트로 전달
44    output_file="output_blog.md",
45)
46
47# ── Crew ─────────────────────────────────────────
48crew = Crew(
49    agents=[researcher, editor],
50    tasks=[research_task, writing_task],
51    process=Process.sequential,
52    verbose=True,
53)
54
55result = crew.kickoff(inputs={"topic": "CrewAI 멀티 에이전트 프레임워크"})
56print(result.raw)

1crew = Crew(
2    agents=[researcher, editor, reviewer],
3    tasks=[research_task, writing_task, review_task],
4    process=Process.sequential,
5)

1research_task → writing_task → review_task
2    (출력)  →   (컨텍스트)  →   (컨텍스트)

1from langchain_openai import ChatOpenAI
2
3crew = Crew(
4    agents=[researcher, editor, reviewer],
5    tasks=[complex_task],
6    process=Process.hierarchical,
7    manager_llm=ChatOpenAI(model="gpt-4o"),  # 매니저 LLM 지정
8)

1Manager Agent (자동 생성)
2  ├── researcher 에게 조사 위임
3  ├── editor 에게 작성 위임
4  └── 결과 검수 후 최종 승인

 1researcher = Agent(
 2    role="리서처",
 3    goal="정보 수집",
 4    backstory="...",
 5    memory=True,           # 메모리 활성화
 6)
 7
 8crew = Crew(
 9    agents=[researcher],
10    tasks=[task],
11    memory=True,           # Crew 레벨 메모리 활성화
12)

 1from crewai.tools import tool
 2
 3@tool('naver_news_search')
 4def search_naver_news(query: str) -> str:
 5    """네이버 뉴스 API에서 최신 기사 URL을 검색합니다."""
 6    import requests
 7    # 실제 API 호출 구현
 8    response = requests.get(
 9        "https://openapi.naver.com/v1/search/news.json",
10        params={"query": query, "display": 5},
11        headers={
12            "X-Naver-Client-Id": os.getenv("NAVER_CLIENT_ID"),
13            "X-Naver-Client-Secret": os.getenv("NAVER_CLIENT_SECRET"),
14        }
15    )
16    items = response.json().get("items", [])
17    return "\n".join(item["link"] for item in items)

1researcher:
2  role: 시니어 리서처
3  goal: 주어진 주제의 최신 정보를 수집하고 핵심 인사이트를 정리한다
4  backstory: 다양한 기술 문서를 분석하여 최고의 리서치 결과를 만드는 전문가
5
6editor:
7  role: IT 블로거 에디터
8  goal: 리서치 결과를 읽기 쉬운 블로그 글로 작성한다
9  backstory: 개발자 독자를 위해 명확한 기술 콘텐츠를 작성하는 전문 블로거

 1research_task:
 2  description: "{topic}"에 관한 최신 정보를 수집하고 핵심 내용을 정리하세요.
 3  expected_output: 핵심 개념, 주요 기능, 활용 사례를 포함한 리서치 보고서
 4  agent: researcher
 5
 6writing_task:
 7  description: 리서치 결과를 바탕으로 "{topic}" 블로그 포스트를 작성하세요.
 8  expected_output: 마크다운 블로그 포스트
 9  agent: editor
10  context:
11    - research_task

 1from crewai import Agent, Task, Crew, Process
 2from crewai.project import CrewBase, agent, task, crew
 3
 4@CrewBase
 5class BlogCrew:
 6    agents_config = 'config/agents.yaml'
 7    tasks_config  = 'config/tasks.yaml'
 8
 9    @agent
10    def researcher(self) -> Agent:
11        return Agent(config=self.agents_config['researcher'], tools=[search_tool])
12
13    @agent
14    def editor(self) -> Agent:
15        return Agent(config=self.agents_config['editor'])
16
17    @task
18    def research_task(self) -> Task:
19        return Task(config=self.tasks_config['research_task'])
20
21    @task
22    def writing_task(self) -> Task:
23        return Task(config=self.tasks_config['writing_task'])
24
25    @crew
26    def crew(self) -> Crew:
27        return Crew(
28            agents=self.agents,
29            tasks=self.tasks,
30            process=Process.sequential,
31        )

 1from crewai import Agent, Task, Crew, Process
 2from crewai.tools import tool
 3
 4@tool('fetch_article')
 5def fetch_article(url: str) -> str:
 6    """주어진 URL의 기사 본문을 추출합니다."""
 7    from newspaper import Article
 8    article = Article(url)
 9    article.download()
10    article.parse()
11    return article.text
12
13# Agents
14searcher = Agent(
15    role="뉴스 검색 전문가",
16    goal="사용자 질문에 맞는 최신 뉴스 URL을 수집한다",
17    backstory="다양한 뉴스 소스에서 정확한 기사를 찾는 리서치 전문가",
18    tools=[search_tool],
19)
20
21analyzer = Agent(
22    role="콘텐츠 분석가",
23    goal="기사 URL에서 본문을 추출하고 핵심 내용을 분석한다",
24    backstory="복잡한 기사를 빠르게 파악하고 핵심을 추출하는 분석가",
25    tools=[fetch_article],
26)
27
28answerman = Agent(
29    role="최종 응답 작성자",
30    goal="분석된 정보를 바탕으로 사용자에게 명확한 답변을 제공한다",
31    backstory="복잡한 정보를 쉽고 정확하게 전달하는 커뮤니케이션 전문가",
32)
33
34# Tasks
35search_task = Task(
36    description="'{query}'에 관한 최신 뉴스 기사 URL 5개를 수집하세요.",
37    agent=searcher,
38    expected_output="관련 뉴스 기사 URL 목록 (최소 5개)",
39)
40
41analysis_task = Task(
42    description="수집된 URL에서 기사 본문을 추출하고 핵심 내용을 정리하세요.",
43    agent=analyzer,
44    expected_output="각 기사의 핵심 내용 요약",
45    context=[search_task],
46)
47
48answer_task = Task(
49    description="분석 결과를 바탕으로 '{query}'에 대한 종합 답변을 작성하세요.",
50    agent=answerman,
51    expected_output="출처와 근거를 포함한 명확한 답변",
52    context=[analysis_task],
53)
54
55# Crew 실행
56crew = Crew(
57    agents=[searcher, analyzer, answerman],
58    tasks=[search_task, analysis_task, answer_task],
59    process=Process.sequential,
60)
61
62result = crew.kickoff(inputs={"query": "2026년 AI Agent 트렌드"})
63print(result.raw)

1from langchain_anthropic import ChatAnthropic
2
3agent = Agent(
4    role="분석가",
5    goal="...",
6    backstory="...",
7    llm=ChatAnthropic(model="claude-sonnet-4-6"),
8)