CrewAI: запускаем команду из 5 ИИ-агентов для анализа рынка

Введение

В 2024 году индустрия восхищалась одиночными ИИ-агентами, которые могли выполнять простые задачи: написать текст, найти информацию в Google или ответить в чате. Но в 2025 году парадигма сменилась. Наступила эра Multi-Agent Systems (Многоагентных систем). Оказалось, что если разделить сложную задачу на роли и заставить несколько нейросетей "общаться" друг с другом, качество результата возрастает экспоненциально.

Безусловным лидером среди фреймворков для оркестрации таких команд стал CrewAI. Написанный на Python, он позволяет буквально за пару десятков строк кода создать цифровой отдел сотрудников. В этой статье мы шаг за шагом разберем, как запустить команду из 5 специализированных ИИ-агентов для глубокого конкурентного анализа рынка.

Что такое CrewAI и почему не LangChain?

Многие разработчики начинают свой путь с LangChain. Это мощный, но излишне перегруженный абстракциями инструмент. CrewAI пошел по другому пути: он предлагает предельно понятную концепцию, имитирующую реальную корпоративную структуру. В CrewAI есть три главных понятия (сущности):

1. Agent (Агент): Цифровой сотрудник. У него есть Роль (Role), Глобальная цель (Goal) и Предыстория (Backstory), которая задает его "характер" и экспертизу.
2. Task (Задача): Конкретное поручение. Содержит описание (Description) и ожидаемый результат (Expected Output).
3. Crew (Команда): Сущность, объединяющая агентов и задачи. Она управляет процессом их взаимодействия: последовательно или иерархически (когда назначен "Менеджер").

Архитектура нашей ИИ-Команды (The Crew)

Допустим, наша бизнес-задача: "Провести конкурентный анализ рынка онлайн-школ по Data Science, выявить их слабые стороны и предложить маркетинговую стратегию для нашего нового курса". Один промпт в ChatGPT выдаст поверхностный результат. Поэтому мы создаем 5 агентов:

• 🕵️‍♂️ Market Researcher (Исследователь): Ищет актуальные статьи, отзывы и сайты конкурентов в интернете (имеет доступ к инструментам поиска Web Search Tool).
• 📊 Data Analyst (Аналитик): Получает сырые данные от Исследователя, структурирует их, выделяет слабые и сильные стороны конкурентов, собирает цены.
• 💡 Strategy Planner (Стратег): На основе данных Аналитика разрабатывает 3 варианта уникального торгового предложения (УТП) и каналы продаж.
• ✍️ Copywriter (Копирайтер): Превращает стратегию в черновик поста для блога и текст для лендинга.
• 👔 Chief Manager (Менеджер): Проверяет работу всех агентов. Если Копирайтер написал "воду", Менеджер отправляет задачу на доработку.

Пишем код на Python

Для начала установим библиотеку: pip install crewai duckduckgo-search. Мы будем использовать базовый поиск и модель от OpenAI (gpt-4o) для простоты, хотя CrewAI отлично работает с локальными моделями через Ollama или Groq.

from crewai import Agent, Task, Crew, Process
from langchain_openai import ChatOpenAI
from langchain_community.tools import DuckDuckGoSearchRun

# Инициализация инструмента поиска
search_tool = DuckDuckGoSearchRun()

# Создание Агента 1: Исследователь
researcher = Agent(
    role='Market Researcher',
    goal='Собрать актуальную информацию о конкурентах в нише онлайн-школ Data Science',
    backstory='Вы — дотошный исследователь. Вы умеете находить скрытую информацию, отзывы и прайс-листы.',
    verbose=True,
    allow_delegation=False,
    tools=[search_tool]
)

# Создание Агента 2: Стратег
strategist = Agent(
    role='Business Strategist',
    goal='Найти "голубой океан" и разработать УТП на основе собранных данных',
    backstory='Вы — топовый маркетолог и стратег с 15-летним опытом запуска IT-курсов.',
    verbose=True,
    allow_delegation=False
)

# ... (аналогично создаются остальные агенты) ...

# Создание Задач
task1 = Task(
    description='Найдите топ-5 конкурентов на рынке курсов Data Science, их цены и главные жалобы студентов из отзывов.',
    expected_output='Структурированный отчет по 5 конкурентам (цена, плюсы, минусы).',
    agent=researcher
)

task2 = Task(
    description='Проанализируйте отчет Researcher-а и напишите маркетинговую стратегию отстройки от этих конкурентов.',
    expected_output='Документ со Стратегией: 3 УТП и 2 канала первоочередного трафика.',
    agent=strategist
)

# Формируем Команду
project_crew = Crew(
    agents=[researcher, strategist],
    tasks=[task1, task2],
    process=Process.sequential # Задачи выполняются строго по очереди
)

# Запуск!
result = project_crew.kickoff()
print("######################")
print("ФИНАЛЬНЫЙ РЕЗУЛЬТАТ:")
print(result)
        

Интеграция CrewAI с n8n и реальными процессами

Сам по себе скрипт на ноутбуке — это хорошо, но бизнесу нужна автоматизация. Как "подружить" CrewAI с другими инструментами?

Самый правильный паттерн в 2025 году — обернуть ваш Python-скрипт с CrewAI в микросервис (через FastAPI или Flask) или запустить сервер развертывания (например, CrewAI Enterprise). Тогда в платформе n8n вы просто настраиваете Webhook.

Сценарий может выглядеть так:

1. Клиент заполняет бриф (Форма на сайте -> Тикет в Jira).
2. Webhook из Jira передает данные клиента в n8n.
3. n8n делает HTTP-запрос (POST) к вашему FastAPI-серверу с CrewAI, передавая параметры: ниша, бюджет, конкуренты.
4. ИИ-команда CrewAI 10-15 минут "варит" данные, гуглит, пишет и проверяет тексты.
5. Как только скрипт отрабатывает, ответ возвращается в n8n, который мгновенно генерирует PDF с отчетом и отправляет его в персональный канал клиента в Slack.

Заключение

Переход от одиночных LLM-запросов к взаимодействующим командам агентов (CrewAI) снижает количество галлюцинаций нейросетей на 80%. Агенты проверяют друг друга (перекрестное ревью), используют независимые инструменты и сохраняют контекст на длинных дистанциях. Внедрив CrewAI в связке с n8n, вы фактически нанимаете бесконечно масштабируемое аналитическое агентство, работающее со скоростью мысли.