Fundamentos de CrewAI, Agentes y Tareas

Intermedio⏱30 min📖6 min de lecturaLección 1 de 5

Fundamentos de CrewAI, Agentes y Tareas

Aprende qué es CrewAI, cómo definir agentes y tareas, y cómo ejecutar un crew con manejo básico de salida en Python.

CrewAI es un framework de orquestración multi-agente que permite definir agentes de IA basados en roles, asignarles tareas y ejecutarlos como un crew coordinado. Está construido sobre grandes modelos de lenguaje (LLMs) y proporciona una API Pythonica limpia para componer flujos de trabajo multi-agente sofisticados.

¿Qué es CrewAI?

CrewAI proporciona tres abstracciones principales que trabajan juntas para crear sistemas multi-agente:

Agent: Una entidad de IA con un rol, objetivo e historia específicos. Los agentes usan LLMs para razonar, tomar decisiones y ejecutar tareas.
Task: Una unidad de trabajo asignada a un agente, con descripción, salida esperada y herramientas o dependencias de contexto opcionales.
Crew: El orquestador que ensambla agentes y tareas, gestiona el flujo de ejecución y devuelve los resultados finales.

python

from crewai import Agent, Task, Crew

# Las tres clases principales trabajan juntas
agent = Agent(role="Analista", goal="Analizar datos", backstory="Experto en datos.")
task = Task(description="Analizar datos de ventas del Q1.", expected_output="Informe.", agent=agent)
crew = Crew(agents=[agent], tasks=[task])
result = crew.kickoff()

Los agentes de CrewAI típicamente usan grandes modelos de lenguaje (LLMs) para razonar, ejecutar tareas y colaborar. El framework abstrae la complejidad de la ingeniería de prompt, llamadas a herramientas y razonamiento en múltiples pasos.

ℹ️Nota

CrewAI está diseñado para orquestración multi-agente basada en roles. Si necesitas un bucle de agente único con llamadas a herramientas, LangGraph o una cadena simple de LangChain puede ser más apropiada. CrewAI brilla cuando tienes múltiples agentes especializados que necesitan colaborar, delegar y pasar contexto entre sí.

La Clase Agent

Cada agente en CrewAI es una instancia de la clase Agent. Como mínimo, proporcionas un role y un goal:

python

from crewai import Agent

# Un agente mínimo — role y goal son obligatorios
investigador = Agent(
    role="Analista de Investigación",
    goal="Encontrar las últimas tendencias en agentes de IA",
    backstory="Eres un analista senior en una empresa de investigación tecnológica.",
)

Parámetros principales:

Parámetro	Obligatorio	Propósito
`role`	Sí	El cargo/función del agente: guía la personalidad del LLM
`goal`	Sí	Lo que el agente pretende lograr: enfoca el razonamiento
`backstory`	No	Narrativa contextual para la personalidad del agente
`tools`	No	Lista de herramientas que el agente puede usar
`memory`	No	Activa memoria entre tareas en una ejecución
`verbose`	No	Activa registro paso a paso

💡Consejo

El parámetro role es el atributo más influyente para moldear el comportamiento del agente. Un rol como "Desarrollador Python Senior" produce salidas dramáticamente diferentes que "Revisor de Código Junior": incluso con el mismo goal. Sé específico: incluye senioridad, dominio y especialización.

python

# Compara estos dos agentes — mismo goal, roles diferentes
junior = Agent(
    role="Desarrollador Junior",
    goal="Revisar el pull request y sugerir mejoras",
    backstory="Estás aprendiendo mejores prácticas en Python.",
)

senior = Agent(
    role="Ingeniero Principal Senior",
    goal="Revisar el pull request y sugerir mejoras",
    backstory="Tienes 15 años de experiencia en sistemas distribuidos.",
)

La Clase Task

Una Task describe lo que debe hacerse y qué agente debe hacerlo:

python

from crewai import Task

tarea_investigacion = Task(
    description="Busca en la web avances recientes en sistemas multi-agente.",
    expected_output="Una lista de 5 avances clave con fuentes.",
    agent=investigador,
)

Las tareas también pueden definir context de otras tareas, tools y funciones callback. El campo expected_output es extremadamente importante: le dice tanto al agente como al framework lo que constituye una finalización exitosa.

python

# Una tarea con contexto de otra tarea
tarea_a = Task(
    description="Recopila datos trimestrales de ingresos.",
    expected_output="Tabla de datos brutos.",
    agent=agent_a,
)

tarea_b = Task(
    description="Analiza los datos de ingresos e identifica tendencias.\n\nDatos:\n{context}",
    expected_output="3 tendencias clave con evidencia de soporte.",
    agent=agent_b,
    context=[tarea_a],
)

⚠️Advertencia

El orden de las tareas importa. En un proceso secuencial, las tareas se ejecutan en el orden en que se definen en la lista. Si la tarea B depende de la salida de la tarea A, la tarea A debe aparecer antes que la tarea B en la lista tasks. No ordenar las tareas correctamente resulta en contexto vacío o incorrecto.

Parámetro de Task	Obligatorio	Propósito
`description`	Sí	Instrucciones para el agente
`expected_output`	No	Cómo se ve el éxito
`agent`	Sí	Qué agente ejecuta esta tarea
`context`	No	Lista de tareas cuyas salidas se pasan
`tools`	No	Herramientas específicas para esta tarea
`callback`	No	Función llamada al completar la tarea

La Clase Crew

Un Crew une agentes y tareas y controla la ejecución:

python

from crewai import Crew

crew = Crew(
    agents=[investigador],
    tasks=[tarea_investigacion],
    verbose=True,  # imprime logs paso a paso
)

resultado = crew.kickoff()  # ejecuta el crew
print(resultado)

kickoff() devuelve la salida final como una cadena (por defecto) o como un objeto CrewOutput.

python

# Crew con múltiples agentes
crew_multi_agente = Crew(
    agents=[investigador, analista, redactor],
    tasks=[tarea_investigacion, tarea_analisis, tarea_informe],
    verbose=True,
)

⚠️Advertencia

Siempre establece verbose=True durante el desarrollo. Sin esto, depurar fallos en el razonamiento del agente o en la ejecución de tareas se vuelve significativamente más difícil porque ningún paso intermedio se registra.

Diagrama de Clases Principal

💡 Tip: Use Ctrl + Mouse Wheel to zoom, or click the fullscreen icon

Flujo Agente → Tarea → Crew

💡 Tip: Use Ctrl + Mouse Wheel to zoom, or click the fullscreen icon

El agente se asigna a una tarea, la tarea pertenece a un crew, y crew.kickoff() ejecuta todo. Durante la ejecución, cada agente recibe su descripción de tarea, realiza razonamiento LLM y devuelve resultados en secuencia.

Secuencia de Ejecución

💡 Tip: Use Ctrl + Mouse Wheel to zoom, or click the fullscreen icon

Crew Mínimo Completo

python

from crewai import Agent, Task, Crew

# 1. Definir agente
resumidor = Agent(
    role="Resumidor de Contenido",
    goal="Resumir artículos técnicos en 3 puntos clave",
    backstory="Eres un editor que destila temas complejos.",
)

# 2. Definir tarea
tarea = Task(
    description="Resume el artículo sobre la arquitectura de CrewAI.",
    expected_output="3 puntos concisos.",
    agent=resumidor,
)

# 3. Ensamblar y ejecutar crew
crew = Crew(
    agents=[resumidor],
    tasks=[tarea],
    verbose=True,
)

output = crew.kickoff()
print(f"Resultado:\n{output}")

Crew de Investigación Multi-Agente

Aquí hay un ejemplo más realista con tres agentes trabajando juntos:

python

from crewai import Agent, Task, Crew

# --- Agente de Investigación ---
investigador = Agent(
    role="Especialista en Investigación de IA",
    goal="Encontrar los últimos desarrollos en sistemas multi-agente",
    backstory=(
        "Eres un investigador nivel PhD en un laboratorio de IA de primer nivel. "
        "Lees artículos académicos y blogs técnicos a diario "
        "y puedes sintetizar información compleja rápidamente."
    ),
    verbose=True,
)

# --- Agente de Análisis ---
analista = Agent(
    role="Analista de Datos",
    goal="Extraer patrones e ideas clave de los datos de investigación",
    backstory=(
        "Eres un analista de datos senior con formación en estadística. "
        "Conviertes información bruta en ideas estructuradas."
    ),
    verbose=True,
)

# --- Agente de Redacción ---
redactor = Agent(
    role="Redactor Técnico",
    goal="Crear una publicación de blog clara y atractiva a partir de hallazgos",
    backstory=(
        "Eres un redactor técnico profesional que explica "
        "conceptos complejos de IA a una audiencia amplia."
    ),
    verbose=True,
)

# --- Tareas ---
datos_investigacion = Task(
    description=(
        "Investiga los últimos desarrollos en sistemas multi-agente de IA. "
        "Enfócate en artículos publicados en 2025-2026. Cubre: "
        "(1) nuevas arquitecturas, (2) paradigmas de uso de herramientas, "
        "(3) patrones de colaboración."
    ),
    expected_output="Un resumen estructurado de 5 desarrollos clave con citas.",
    agent=investigador,
)

analisis = Task(
    description="Analiza los datos de investigación e identifica las 3 tendencias principales.",
    expected_output="3 declaraciones de tendencias, cada una con evidencia de soporte y evaluación de impacto.",
    agent=analista,
    context=[datos_investigacion],
)

publicacion_blog = Task(
    description=(
        "Escribe una publicación de blog de 500 palabras sobre las tendencias "
        "encontradas en la investigación. Hazla accesible para ingenieros de ML. "
        "Usa el análisis como material fuente.\n\n"
        "Investigación:\n{context}"
    ),
    expected_output="Una publicación de blog pulida en formato markdown.",
    agent=redactor,
    context=[analisis],
)

# --- Crew ---
crew = Crew(
    agents=[investigador, analista, redactor],
    tasks=[datos_investigacion, analisis, publicacion_blog],
    verbose=True,
)

resultado = crew.kickoff()
print(str(resultado))

Manejo Básico de Salida

crew.kickoff() devuelve un objeto CrewOutput. Puedes acceder a:

Método / Atributo	Descripción
`.raw`	Salida bruta en cadena de la tarea final
`.json_dict`	Salida analizada como JSON (si es válido)
`.str()`	Representación legible como cadena
`str(resultado)`	Igual que `.str()`
`resultado.usage`	Metadatos de uso de tokens (entrada/salida)

python

output = crew.kickoff()

# Acceder a texto bruto
print(output.raw)

# Acceder a uso de tokens
print(f"Tokens usados: {output.usage}")

# Convertir a cadena explícitamente
informe = str(output)

# Intentar análisis JSON
if output.json_dict:
    for clave, valor in output.json_dict.items():
        print(f"{clave}: {valor}")

Agente vs Tarea vs Crew: Responsabilidades

Aspecto	Agent	Task	Crew
Propósito	Quién realiza el trabajo	Qué trabajo hacer	Cómo se orquesta
Obligatorio	`role`, `goal`	`description`, `agent`	`agents`, `tasks`
Opcional	`backstory`, `tools`, `memory`	`expected_output`, `tools`, `context`	`verbose`, `process`, `memory`
Ejecuta	Razonamiento LLM	Invoca agente	Llama a `kickoff()`
Salida	Parte del resultado de la tarea	`CrewOutput` final	`CrewOutput`
Configuración	Identidad y capacidades	Instrucciones y dependencias	Orquestación y ejecución

Cuándo Usar Cada Clase

Escenario	Usa
Definir la personalidad y herramientas de un especialista	`Agent`
Especificar un trabajo con salida esperada	`Task`
Orquestar múltiples agentes entre tareas	`Crew`
Ejecutar todo el flujo de trabajo	`crew.kickoff()`