> ## Documentation Index > Fetch the complete documentation index at: https://docs.crewai.com/llms.txt > Use this file to discover all available pages before exploring further. # 크루 > crewAI 프레임워크에서 크루를 이해하고 다양한 속성과 기능을 활용하기. ## 개요 crewAI에서 crew는 일련의 작업을 달성하기 위해 함께 협력하는 에이전트들의 그룹을 나타냅니다. 각 crew는 작업 실행, 에이전트 간 협업, 그리고 전체 워크플로우에 대한 전략을 정의합니다. ## Crew 속성 | 속성 | 파라미터 | 설명 | | :-------------------------------- | :--------------------- | :--------------------------------------------------------------------------------------------------------------------------------- | | **Tasks** | `tasks` | crew에 할당된 작업들의 리스트. | | **Agents** | `agents` | crew의 일원이 되는 에이전트들의 리스트. | | **Process** *(선택사항)* | `process` | crew가 따르는 프로세스 플로우(예: 순차, 계층적). 기본값은 `sequential`. | | **Verbose** *(선택사항)* | `verbose` | 실행 중 로그의 상세도 설정. 기본값은 `False`. | | **Manager LLM** *(선택사항)* | `manager_llm` | 계층적 프로세스에서 매니저 에이전트가 사용하는 언어 모델. **계층적 프로세스를 사용할 때 필수.** | | **Function Calling LLM** *(선택사항)* | `function_calling_llm` | 전달 시, crew 전체의 모든 agent에 대해 도구의 function calling에 이 LLM을 사용. 각 agent마다 개별 LLM을 가질 수 있으며, 이 경우 crew의 function calling LLM을 오버라이드 함. | | **Config** *(선택사항)* | `config` | crew용으로 선택적인 구성 설정. `Json` 또는 `Dict[str, Any]` 형식 사용. | | **Max RPM** *(선택사항)* | `max_rpm` | 실행 중 crew가 준수하는 분당 최대 요청 수. 기본값은 `None`. | | **Memory** *(선택사항)* | `memory` | 실행 메모리(단기, 장기, 엔터티 메모리) 저장에 사용됨. | | **Cache** *(선택사항)* | `cache` | 도구 실행 결과를 캐시에 저장할지 여부. 기본값은 `True`. | | **Embedder** *(선택사항)* | `embedder` | crew에서 사용할 embedder 설정. 현재는 주로 메모리에서 사용. 기본값은 `{"provider": "openai"}`. | | **Step Callback** *(선택사항)* | `step_callback` | 각 agent의 단계가 끝난 후 호출되는 함수. agent의 작업 기록이나 기타 작업 수행에 사용 가능; agent별 `step_callback`을 오버라이드하지 않음. | | **Task Callback** *(선택사항)* | `task_callback` | 각 작업 완료 후 호출되는 함수. 작업 실행 후 모니터링이나 추가 작업에 유용. | | **Share Crew** *(선택사항)* | `share_crew` | 라이브러리 개선 및 모델 학습을 위해 crew 정보와 실행을 crewAI 팀에 공유할지 여부. | | **Output Log File** *(선택사항)* | `output_log_file` | `True`로 설정 시 로그를 현재 디렉터리에 logs.txt로 저장하거나 파일 경로 지정 가능. 파일명이 .json으로 끝나면 JSON 형식, 아니면 txt 형식으로 로그를 저장. 기본값은 `None`. | | **Manager Agent** *(선택사항)* | `manager_agent` | 매니저로 사용할 커스텀 agent를 설정. | | **Prompt File** *(선택사항)* | `prompt_file` | crew에서 사용할 prompt JSON 파일 경로. | | **Planning** *(선택사항)* | `planning` | Crew에 계획 수립 기능을 추가. 활성화하면 각 Crew 반복 전에 모든 Crew 데이터를 AgentPlanner로 전송하여 작업계획을 세우고, 이 계획이 각 작업 설명에 추가됨. | | **Planning LLM** *(선택사항)* | `planning_llm` | 계획 과정에서 AgentPlanner가 사용하는 언어 모델. | | **Knowledge Sources** *(선택사항)* | `knowledge_sources` | crew 수준에서 사용 가능한 지식 소스. 모든 agent가 접근 가능. | | **Stream** *(선택사항)* | `stream` | 스트리밍 출력을 활성화하여 crew 실행 중 실시간 업데이트를 받을 수 있습니다. 청크를 반복할 수 있는 `CrewStreamingOutput` 객체를 반환합니다. 기본값은 `False`. | **Crew Max RPM**: `max_rpm` 속성은 crew가 분당 처리할 수 있는 최대 요청 수를 설정하며, 개별 agent의 `max_rpm` 설정을 crew 단위로 지정할 경우 오버라이드합니다. ## 크루 생성하기 CrewAI에서 크루를 생성하는 주요 방법은 \*\*JSONC 구성(새 crew 권장)\*\*을 사용하는 방법과 클래식 프로젝트나 고급 사용 사례에서 **코드로 직접 정의**하는 방법입니다. ### JSONC 구성 (권장) `crewai create crew `으로 만든 새 프로젝트는 crew 수준 설정과 태스크를 `crew.jsonc`에 두고, 각 에이전트를 `agents/`의 별도 파일에 둡니다. `crewai run`은 `crew.jsonc` 또는 `crew.json`을 감지해 에이전트를 로드하고, 빠진 placeholder 값을 물은 뒤 crew를 시작합니다. ```jsonc crew.jsonc theme={null} { "name": "Market Research Crew", "agents": ["researcher", "analyst"], "tasks": [ { "name": "research", "description": "Research {topic} and collect the most relevant facts.", "expected_output": "Structured research notes about {topic}.", "agent": "researcher" }, { "name": "analysis", "description": "Analyze the research and write a concise report.", "expected_output": "A markdown report with findings and recommendations.", "agent": "analyst", "context": ["research"], "output_file": "output/report.md" } ], "process": "sequential", "verbose": true, "memory": true, "inputs": { "topic": "AI Agents" } } ``` `agents`의 각 문자열은 먼저 `agents/.jsonc`, 그 다음 `agents/.json`으로 해석됩니다. 계층형 crew는 `"process": "hierarchical"`와 `manager_llm` 또는 `manager_agent`를 사용하세요. 신뢰하는 출처의 JSON crew 프로젝트만 실행하세요. `custom:` 도구와 `{"python": "module.attribute"}` 참조는 crew 로드 시 로컬 Python 코드를 실행합니다. ### 클래식 YAML 구성 `crewai create crew --classic`으로 만든 클래식 프로젝트는 `crew.py`, `config/agents.yaml`, `config/tasks.yaml`, `@CrewBase`, `@agent`, `@task`, `@crew` 데코레이터를 사용합니다. 이 방식은 기존 Python/YAML 프로젝트와 Python 데코레이터 제어가 필요한 팀을 위해 계속 지원됩니다. 클래식 프로젝트를 만든 후, `CrewBase`를 상속받는 클래스에서 데코레이터를 이용해 agent, task, 그리고 crew 자체를 정의할 수 있습니다. #### 데코레이터가 적용된 예시 Crew 클래스 ```python code theme={null} from crewai import Agent, Crew, Task, Process from crewai.project import CrewBase, agent, task, crew, before_kickoff, after_kickoff from crewai.agents.agent_builder.base_agent import BaseAgent from typing import List @CrewBase class YourCrewName: """Description of your crew""" agents: List[BaseAgent] tasks: List[Task] # YAML 구성 파일 경로 # YAML로 정의된 에이전트와 태스크의 예시는 아래 링크를 참고하세요: # - Task: https://docs.crewai.com/concepts/tasks#yaml-configuration-recommended # - Agents: https://docs.crewai.com/concepts/agents#yaml-configuration-recommended agents_config = 'config/agents.yaml' tasks_config = 'config/tasks.yaml' @before_kickoff def prepare_inputs(self, inputs): # crew 시작 전에 입력값을 수정합니다 inputs['additional_data'] = "Some extra information" return inputs @after_kickoff def process_output(self, output): # crew가 종료된 후 출력값을 수정합니다 output.raw += "\nProcessed after kickoff." return output @agent def agent_one(self) -> Agent: return Agent( config=self.agents_config['agent_one'], # type: ignore[index] verbose=True ) @agent def agent_two(self) -> Agent: return Agent( config=self.agents_config['agent_two'], # type: ignore[index] verbose=True ) @task def task_one(self) -> Task: return Task( config=self.tasks_config['task_one'] # type: ignore[index] ) @task def task_two(self) -> Task: return Task( config=self.tasks_config['task_two'] # type: ignore[index] ) @crew def crew(self) -> Crew: return Crew( agents=self.agents, # @agent 데코레이터로 자동 수집 tasks=self.tasks, # @task 데코레이터로 자동 수집 process=Process.sequential, verbose=True, ) ``` 위 코드를 실행하는 방법: ```python code theme={null} YourCrewName().crew().kickoff(inputs={"any": "input here"}) ``` 태스크들은 정의된 순서대로 실행됩니다. `CrewBase` 클래스와 이 데코레이터들은 에이전트와 태스크의 수집을 자동화하여 수동으로 관리할 필요를 줄여줍니다. #### `annotations.py`의 데코레이터 개요 CrewAI는 `annotations.py` 파일에서 크루 클래스 내의 메서드를 특별히 처리하기 위해 사용하는 여러 데코레이터를 제공합니다: * `@CrewBase`: 클래스를 크루 기본 클래스로 표시합니다. * `@agent`: `Agent` 객체를 반환하는 메서드임을 나타냅니다. * `@task`: `Task` 객체를 반환하는 메서드임을 나타냅니다. * `@crew`: `Crew` 객체를 반환하는 메서드임을 나타냅니다. * `@before_kickoff`: (옵션) 크루가 시작되기 전에 실행될 메서드를 표시합니다. * `@after_kickoff`: (옵션) 크루가 종료된 후에 실행될 메서드를 표시합니다. 이러한 데코레이터들은 크루의 구조를 구성하는 데 도움이 되며, 에이전트와 태스크를 수동으로 나열하지 않아도 자동으로 수집할 수 있도록 해줍니다. ### 직접 코드 정의 (대안) 또는 YAML 구성 파일을 사용하지 않고 코드에서 직접 crew를 정의할 수 있습니다. ```python code theme={null} from crewai import Agent, Crew, Task, Process from crewai_tools import YourCustomTool class YourCrewName: def agent_one(self) -> Agent: return Agent( role="Data Analyst", goal="Analyze data trends in the market", backstory="An experienced data analyst with a background in economics", verbose=True, tools=[YourCustomTool()] ) def agent_two(self) -> Agent: return Agent( role="Market Researcher", goal="Gather information on market dynamics", backstory="A diligent researcher with a keen eye for detail", verbose=True ) def task_one(self) -> Task: return Task( description="Collect recent market data and identify trends.", expected_output="A report summarizing key trends in the market.", agent=self.agent_one() ) def task_two(self) -> Task: return Task( description="Research factors affecting market dynamics.", expected_output="An analysis of factors influencing the market.", agent=self.agent_two() ) def crew(self) -> Crew: return Crew( agents=[self.agent_one(), self.agent_two()], tasks=[self.task_one(), self.task_two()], process=Process.sequential, verbose=True ) ``` 위 코드를 실행하는 방법: ```python code theme={null} YourCrewName().crew().kickoff(inputs={}) ``` 이 예시에서: * 에이전트와 태스크는 데코레이터 없이 클래스 내에서 직접 정의됩니다. * 에이전트와 태스크 목록을 수동으로 생성하고 관리합니다. * 이 방식은 더 많은 제어를 제공하지만, 대규모 프로젝트의 경우 유지보수가 어려울 수 있습니다. ## Crew Output CrewAI 프레임워크에서 crew의 출력은 `CrewOutput` 클래스 내에 캡슐화되어 있습니다.\ 이 클래스는 crew 실행 결과를 구조화된 방식으로 접근할 수 있도록 하며, 원시 문자열, JSON, Pydantic 모델과 같은 다양한 형식을 포함합니다.\ `CrewOutput`에는 최종 task 출력 결과, 토큰 사용량, 그리고 개별 task 출력 결과가 포함됩니다. ### Crew 출력 속성 | 속성 | 매개변수 | 타입 | 설명 | | :--------------- | :------------- | :------------------------- | :--------------------------------------------- | | **Raw** | `raw` | `str` | crew의 원시 출력값입니다. 출력의 기본 형식입니다. | | **Pydantic** | `pydantic` | `Optional[BaseModel]` | crew의 구조화된 출력을 나타내는 Pydantic 모델 객체입니다. | | **JSON Dict** | `json_dict` | `Optional[Dict[str, Any]]` | crew의 JSON 출력을 나타내는 딕셔너리입니다. | | **Tasks Output** | `tasks_output` | `List[TaskOutput]` | crew 내 각 작업의 출력을 나타내는 `TaskOutput` 객체의 리스트입니다. | | **Token Usage** | `token_usage` | `Dict[str, Any]` | 실행 중 언어 모델의 성능에 대한 통찰을 제공하는 토큰 사용 요약 정보입니다. | ### Crew 출력 메서드 및 속성 | 메서드/속성 | 설명 | | :-------------- | :--------------------------------------------------------------- | | **json** | 출력 형식이 JSON인 경우 crew 출력의 JSON 문자열 표현을 반환합니다. | | **to\_dict** | JSON 및 Pydantic 출력을 사전으로 변환합니다. | | \***\*str\*\*** | crew 출력의 문자열 표현을 반환합니다. 우선순위는 Pydantic, 그 다음 JSON, 마지막으로 raw입니다. | ### Crew 출력 접근하기 crew가 실행된 후에는 `Crew` 객체의 `output` 속성을 통해 출력값에 접근할 수 있습니다. `CrewOutput` 클래스는 이 출력값을 다루고 표시하는 다양한 방법을 제공합니다. #### 예시 ```python Code theme={null} # Example crew execution crew = Crew( agents=[research_agent, writer_agent], tasks=[research_task, write_article_task], verbose=True ) crew_output = crew.kickoff() # Accessing the crew output print(f"Raw Output: {crew_output.raw}") if crew_output.json_dict: print(f"JSON Output: {json.dumps(crew_output.json_dict, indent=2)}") if crew_output.pydantic: print(f"Pydantic Output: {crew_output.pydantic}") print(f"Tasks Output: {crew_output.tasks_output}") print(f"Token Usage: {crew_output.token_usage}") ``` ## 크루 로그 접근하기 `output_log_file`을 `True(Boolean)` 또는 `file_name(str)`로 설정하면 크루 실행의 실시간 로그를 볼 수 있습니다. 이벤트 로그는 `file_name.txt`와 `file_name.json` 두 가지 형식 모두를 지원합니다. `True(Boolean)`로 설정할 경우에는 `logs.txt`로 저장됩니다. `output_log_file`이 `False(Boolean)` 또는 `None`으로 설정된 경우에는 로그가 저장되지 않습니다. ```python Code theme={null} # 크루 로그 저장하기 crew = Crew(output_log_file = True) # 로그는 logs.txt로 저장됩니다 crew = Crew(output_log_file = file_name) # 로그는 file_name.txt로 저장됩니다 crew = Crew(output_log_file = file_name.txt) # 로그는 file_name.txt로 저장됩니다 crew = Crew(output_log_file = file_name.json) # 로그는 file_name.json으로 저장됩니다 ``` ## 메모리 활용 crew는 메모리(단기, 장기 및 엔티티 메모리)를 활용하여 시간이 지남에 따라 실행 및 학습을 향상시킬 수 있습니다. 이 기능을 통해 crew는 실행 메모리를 저장하고 회상할 수 있어, 의사결정 및 작업 실행 전략에 도움이 됩니다. ## 캐시 활용 캐시는 도구 실행 결과를 저장하는 데 사용될 수 있으며, 동일한 작업을 반복 실행할 필요를 줄여 프로세스의 효율성을 높입니다. ## Crew 사용 메트릭 crew 실행 후, `usage_metrics` 속성에 접근하여 crew가 실행한 모든 작업에 대한 언어 모델(LLM) 사용 메트릭을 확인할 수 있습니다. 이를 통해 운영 효율성과 개선이 필요한 영역에 대한 인사이트를 얻을 수 있습니다. ```python Code theme={null} # Access the crew's usage metrics crew = Crew(agents=[agent1, agent2], tasks=[task1, task2]) crew.kickoff() print(crew.usage_metrics) ``` ## Crew 실행 프로세스 * **순차적 프로세스**: 작업이 하나씩 차례로 실행되어 linear flow의 작업 흐름을 제공합니다. * **계층적 프로세스**: 매니저 agent가 crew를 조정하여 작업을 위임하고 결과를 검증한 후 다음 단계로 이동합니다. **참고**: 이 프로세스에는 `manager_llm` 또는 `manager_agent`가 필요하며, 프로세스 flow 검증을 위해 필수적입니다. ### 크루 시작하기 크루가 구성되면, `kickoff()` 메서드를 사용하여 워크플로를 시작하세요. 이렇게 하면 정의된 프로세스 플로우에 따라 실행 과정이 시작됩니다. ```python Code theme={null} # Start the crew's task execution result = my_crew.kickoff() print(result) ``` ### Crew를 시작하는 다양한 방법 crew가 구성되면, 적절한 시작 방법으로 workflow를 시작하세요. CrewAI는 kickoff 프로세스를 더 잘 제어할 수 있도록 여러 방법을 제공합니다. #### 동기 메서드 * `kickoff()`: 정의된 process flow에 따라 실행 프로세스를 시작합니다. * `kickoff_for_each()`: 입력 이벤트나 컬렉션 내 각 항목에 대해 순차적으로 task를 실행합니다. #### 비동기 메서드 CrewAI는 비동기 실행을 위해 두 가지 접근 방식을 제공합니다: | 메서드 | 타입 | 설명 | | -------------------------- | ---------- | ------------------------------ | | `akickoff()` | 네이티브 async | 전체 실행 체인에서 진정한 async/await 사용 | | `akickoff_for_each()` | 네이티브 async | 리스트의 각 입력에 대해 네이티브 async 실행 | | `kickoff_async()` | 스레드 기반 | 동기 실행을 `asyncio.to_thread`로 래핑 | | `kickoff_for_each_async()` | 스레드 기반 | 리스트의 각 입력에 대해 스레드 기반 async | 고동시성 워크로드의 경우 `akickoff()` 및 `akickoff_for_each()`가 권장됩니다. 이들은 작업 실행, 메모리 작업, 지식 검색에 네이티브 async를 사용합니다. ```python Code theme={null} # Start the crew's task execution result = my_crew.kickoff() print(result) # Example of using kickoff_for_each inputs_array = [{'topic': 'AI in healthcare'}, {'topic': 'AI in finance'}] results = my_crew.kickoff_for_each(inputs=inputs_array) for result in results: print(result) # Example of using native async with akickoff inputs = {'topic': 'AI in healthcare'} async_result = await my_crew.akickoff(inputs=inputs) print(async_result) # Example of using native async with akickoff_for_each inputs_array = [{'topic': 'AI in healthcare'}, {'topic': 'AI in finance'}] async_results = await my_crew.akickoff_for_each(inputs=inputs_array) for async_result in async_results: print(async_result) # Example of using thread-based kickoff_async inputs = {'topic': 'AI in healthcare'} async_result = await my_crew.kickoff_async(inputs=inputs) print(async_result) # Example of using thread-based kickoff_for_each_async inputs_array = [{'topic': 'AI in healthcare'}, {'topic': 'AI in finance'}] async_results = await my_crew.kickoff_for_each_async(inputs=inputs_array) for async_result in async_results: print(async_result) ``` 이러한 메서드는 crew 내에서 task를 관리하고 실행하는 데 유연성을 제공하며, 동기 및 비동기 workflow 모두 필요에 맞게 사용할 수 있도록 지원합니다. 자세한 비동기 예제는 [Crew 비동기 시작](/ko/learn/kickoff-async) 가이드를 참조하세요. ### 스트리밍 Crew 실행 crew 실행을 실시간으로 확인하려면 스트리밍을 활성화하여 출력이 생성되는 대로 받을 수 있습니다: ```python Code theme={null} # 스트리밍 활성화 crew = Crew( agents=[researcher], tasks=[task], stream=True ) # 스트리밍 출력을 반복 streaming = crew.kickoff(inputs={"topic": "AI"}) for chunk in streaming: print(chunk.content, end="", flush=True) # 최종 결과 접근 result = streaming.result ``` 스트리밍에 대한 자세한 내용은 [스트리밍 Crew 실행](/ko/learn/streaming-crew-execution) 가이드를 참조하세요. ### 특정 Task에서 다시 실행하기 이제 CLI 명령어 `replay`를 사용하여 특정 task에서 다시 실행할 수 있습니다. CrewAI의 replay 기능을 사용하면 커맨드라인 인터페이스(CLI)를 통해 특정 task에서 다시 실행할 수 있습니다. `crewai replay -t ` 명령어를 실행하면 replay 과정에서 사용할 `task_id`를 지정할 수 있습니다. Kickoff은 이제 최신 kickoff에서 반환된 task output을 로컬에 저장하므로, 해당 지점부터 다시 실행할 수 있습니다. ### CLI를 사용하여 특정 작업에서 다시 실행하기 replay 기능을 사용하려면 다음 단계를 따라주세요: 1. 터미널 또는 명령 프롬프트를 엽니다. 2. CrewAI 프로젝트가 위치한 디렉터리로 이동합니다. 3. 아래 명령어를 실행합니다: 최신 kickoff 작업 ID를 확인하려면 다음을 사용하세요: ```shell theme={null} crewai log-tasks-outputs ``` 그런 다음, 특정 작업에서 다시 실행하려면 다음을 사용하세요: ```shell theme={null} crewai replay -t ``` 이 명령어들을 사용하면 이전에 실행된 작업의 컨텍스트를 유지하면서 최신 kickoff 작업부터 다시 실행할 수 있습니다.