Ce que vous saurez faire à la fin
- Installer et configurer CrewAI avec Claude (claude-sonnet-4-6) via litellm en moins de 15 minutes
- Créer une équipe de 3 agents spécialisés (Researcher, Analyst, Writer) avec rôles, objectifs et backstories réalistes
- Définir des tasks séquentielles produisant un rapport de marché structuré
- Lancer une étude de marché complète sur un secteur sénégalais (mobile money, logistique, agro-business)
- Estimer le coût d’une exécution Crew et optimiser la consommation de tokens (cache, contexte)
Durée : 3h. Pré-requis : Python 3.10+, clé API Anthropic, 5 000 FCFA de crédit pour les premiers tests, connexion stable, éditeur VS Code.
Étape 1 — Pourquoi CrewAI plutôt qu’un seul agent ?
Un agent unique répond bien à une question simple. Pour une étude de marché complète (collecte, analyse SWOT, rédaction d’un rapport pour un dirigeant de PME à Dakar), l’agent unique perd le fil : il oublie les sources, mélange les chiffres, produit un texte décousu. CrewAI résout ce problème en répartissant la charge cognitive entre plusieurs agents spécialisés qui se passent leurs résultats. Pour une PME sénégalaise, cela signifie un livrable propre en moins d’une heure pour un coût compris entre 800 et 3 000 FCFA selon la profondeur.
Étape 2 — Installation et configuration
python -m venv crewai-env
source crewai-env/bin/activate # Linux/Mac
# crewai-env\Scripts\activate # Windows
pip install crewai==0.80.0 crewai-tools litellm anthropic python-dotenv
pip install duckduckgo-search beautifulsoup4
# Vérification
python -c "import crewai; print(crewai.__version__)"Créez un fichier .env à la racine pour stocker vos clés sans les exposer dans le code source :
ANTHROPIC_API_KEY=sk-ant-api03-VOTRE_CLE
SERPER_API_KEY=optionnel_pour_recherche_webÉtape 3 — Configurer Claude comme LLM via litellm
CrewAI utilise litellm comme couche d’abstraction. Pour pointer vers Claude, on précise le préfixe anthropic/ devant le nom du modèle. C’est la méthode officielle recommandée depuis CrewAI 0.70.
import os
from dotenv import load_dotenv
from crewai import Agent, Task, Crew, Process, LLM
load_dotenv()
# Configuration Claude pour toute la Crew
claude_llm = LLM(
model="anthropic/claude-sonnet-4-6",
temperature=0.3,
max_tokens=4096,
api_key=os.getenv("ANTHROPIC_API_KEY")
)
# Pour les tâches plus simples (résumés), Haiku suffit
claude_haiku = LLM(
model="anthropic/claude-haiku-4-5",
temperature=0.2,
max_tokens=2048
)Étape 4 — Définir l’agent Researcher
Le Researcher cherche les informations brutes : taille de marché, acteurs clés, réglementation OHADA. On lui donne un rôle, un objectif et une backstory qui orientent son style.
from crewai_tools import SerperDevTool, WebsiteSearchTool
search_tool = SerperDevTool() # nécessite SERPER_API_KEY
researcher = Agent(
role="Analyste de marché Afrique de l'Ouest",
goal="Collecter des données factuelles et chiffrées sur le marché {sujet} au Sénégal",
backstory=(
"Tu es un consultant basé à Dakar, 10 ans d'expérience auprès "
"de PME sénégalaises. Tu connais les sources locales : ANSD, BCEAO, "
"DPEE, presse spécialisée (Jeune Afrique, Financial Afrik). "
"Tu cites toujours tes sources et donnes des chiffres en FCFA."
),
tools=[search_tool],
llm=claude_llm,
verbose=True,
allow_delegation=False,
max_iter=5
)Étape 5 — Définir l’agent Analyst
analyst = Agent(
role="Analyste stratégique senior",
goal="Transformer les données brutes en analyse SWOT exploitable par un dirigeant de PME",
backstory=(
"Diplômé HEC Paris, ancien consultant McKinsey Casablanca. "
"Tu maîtrises le cadre OHADA, la fiscalité sénégalaise (TVA 18%, "
"IS 30%) et les contraintes de financement local (taux BCEAO, "
"garanties DER). Tu produis des analyses concises, actionnables."
),
llm=claude_llm,
verbose=True,
allow_delegation=False,
max_iter=3
)Étape 6 — Définir l’agent Writer
writer = Agent(
role="Rédacteur de rapports exécutifs",
goal="Rédiger un rapport de 3 pages clair, structuré, en français professionnel",
backstory=(
"Tu rédiges depuis 8 ans pour des dirigeants ouest-africains. "
"Style direct, phrases courtes, pas de jargon. Tu structures "
"toujours : résumé exécutif, contexte, analyse, recommandations, "
"annexes. Tu utilises FCFA et formats locaux (1 234 567 FCFA)."
),
llm=claude_llm,
verbose=True,
allow_delegation=False
)Étape 7 — Créer les tasks séquentielles
task_recherche = Task(
description=(
"Recherche complète sur le marché {sujet} au Sénégal en 2026 (informations vérifiées en avril 2026, susceptibles d'évoluer). "
"Inclus : taille du marché en FCFA, principaux acteurs (Wave, Orange "
"Money, YAS Money (ex-Free Money) pour mobile money), parts de marché, réglementation "
"BCEAO/ARTP, tendances 2024-2026. Cite tes sources."
),
expected_output="Document brut de 800-1200 mots avec chiffres et sources",
agent=researcher
)
task_analyse = Task(
description=(
"À partir du document de recherche, produis une analyse SWOT "
"(Forces, Faiblesses, Opportunités, Menaces) pour une PME sénégalaise "
"qui veut entrer sur ce marché avec 50 millions FCFA de capital. "
"Identifie 3 segments porteurs et 3 risques majeurs."
),
expected_output="Analyse SWOT structurée + 3 recommandations stratégiques",
agent=analyst,
context=[task_recherche]
)
task_redaction = Task(
description=(
"Rédige un rapport exécutif de 3 pages destiné au DG d'une PME "
"à Dakar. Structure : 1) Résumé exécutif (200 mots), 2) Marché "
"et acteurs, 3) Analyse SWOT, 4) Recommandations chiffrées en FCFA, "
"5) Plan d'action 90 jours. Format Markdown."
),
expected_output="Rapport Markdown complet, prêt à imprimer",
agent=writer,
context=[task_recherche, task_analyse],
output_file="rapport_marche.md"
)Étape 8 — Assembler et lancer la Crew
crew = Crew(
agents=[researcher, analyst, writer],
tasks=[task_recherche, task_analyse, task_redaction],
process=Process.sequential,
verbose=True,
memory=True, # mémoire partagée entre agents
cache=True # cache des résultats d'outils
)
if __name__ == "__main__":
resultat = crew.kickoff(inputs={"sujet": "mobile money"})
print("\n===== RAPPORT FINAL =====")
print(resultat)
print(f"\nTokens utilisés : {crew.usage_metrics}")Étape 9 — Sequential vs Hierarchical : quel process choisir ?
CrewAI propose deux modes d’orchestration. Le tableau suivant aide à choisir selon le cas d’usage PME.
Critère | Sequential | Hierarchical
---------------------|---------------------|----------------------
Complexité | Faible à moyenne | Élevée
Coût tokens | 800 à 3 000 FCFA | 3 000 à 12 000 FCFA
Manager LLM | Non | Oui (claude-opus-4-7)
Cas d'usage PME | Étude marché, audit | Plan stratégique 5 ans
Temps d'exécution | 2 à 5 minutes | 8 à 20 minutes
Fiabilité résultat | Très bonne | Variable (manager)Pour 90 % des cas PME, le mode Sequential suffit largement.
Étape 10 — Optimiser le coût avec le prompt caching
Claude propose un cache de prompts qui réduit le coût de 90 % sur les tokens répétés. Pour CrewAI, on l’active via le paramètre cache_control dans les backstories longues réutilisées.
from anthropic import Anthropic
# Wrapper personnalisé pour activer le cache
class CachedClaudeLLM(LLM):
def __init__(self, *args, **kwargs):
super().__init__(*args, **kwargs)
self.extra_headers = {"anthropic-beta": "prompt-caching-2024-07-31"}
# Économie typique sur une étude marché : 2 100 FCFA → 600 FCFAÉtape 11 — Ajouter un outil maison (calculateur FCFA)
from crewai.tools import tool
@tool("Convertisseur FCFA")
def convertir_fcfa(montant: float, devise_source: str) -> str:
"""Convertit un montant vers FCFA. Devises : EUR, USD, GBP."""
taux = {"EUR": 655.957, "USD": 605.0, "GBP": 770.0}
if devise_source not in taux:
return f"Devise {devise_source} non supportée"
fcfa = montant * taux[devise_source]
return f"{montant} {devise_source} = {fcfa:,.0f} FCFA".replace(",", " ")
# Ajout à l'analyste
analyst.tools = [convertir_fcfa]Étape 12 — Lancer en production avec logging
import logging
from datetime import datetime
logging.basicConfig(
filename=f"crew_run_{datetime.now():%Y%m%d_%H%M}.log",
level=logging.INFO,
format="%(asctime)s | %(levelname)s | %(message)s"
)
try:
resultat = crew.kickoff(inputs={"sujet": "logistique urbaine Dakar"})
logging.info(f"Succès. Tokens: {crew.usage_metrics}")
except Exception as e:
logging.error(f"Échec Crew : {e}")
raiseÉtape 13 — Cas d’usage concret : marché de la logistique à Dakar
En lançant crew.kickoff(inputs={« sujet »: « livraison du dernier kilomètre Dakar »}), on obtient en 4 minutes un rapport identifiant Yobante Express, Paps, Kamtar comme acteurs principaux, un marché estimé à 18 milliards FCFA avec une croissance de 22 %/an, et trois opportunités : zones péri-urbaines (Pikine, Guédiawaye), niche froid pour pharmacies, et white-label pour e-commerçants Jumia. Coût total de l’exécution : 1 850 FCFA.
Étape 14 — Déploiement : passer du notebook à un service
from fastapi import FastAPI, BackgroundTasks
from pydantic import BaseModel
app = FastAPI()
class DemandeEtude(BaseModel):
sujet: str
email_client: str
@app.post("/etude")
async def lancer_etude(demande: DemandeEtude, bg: BackgroundTasks):
bg.add_task(executer_crew, demande.sujet, demande.email_client)
return {"statut": "lancé", "delai": "5 minutes"}
def executer_crew(sujet: str, email: str):
resultat = crew.kickoff(inputs={"sujet": sujet})
# envoi email avec rapport en pièce jointe
envoyer_rapport(email, resultat)Erreurs classiques à éviter
- Erreur : oublier le préfixe anthropic/ dans le nom du modèle. CrewAI bascule alors sur OpenAI par défaut et plante avec une erreur cryptique de clé API manquante.
- Erreur : backstories trop longues sans cache. Une backstory de 500 mots par agent multipliée par 10 itérations coûte 8 fois plus cher que nécessaire. Activez le prompt caching.
- Erreur : allow_delegation=True par défaut. Les agents se passent les questions à l’infini. Désactivez-le sauf besoin explicite.
- Erreur : pas de max_iter. Un agent peut boucler 25 fois sur le même outil et brûler 15 000 FCFA en une exécution.
- Erreur : ignorer crew.usage_metrics. Sans tracking, vous découvrez la facture mensuelle Anthropic en panique.
- Erreur : verbose=True en production. Logs énormes, risque de fuite de données clients dans les fichiers texte.
Checklist déploiement CrewAI Claude
✓ Python 3.10+ et venv isolé créé
✓ crewai 0.80+ et litellm installés
✓ Clé ANTHROPIC_API_KEY dans .env (pas en dur)
✓ Modèle préfixé anthropic/claude-sonnet-4-6
✓ Chaque agent a role, goal, backstory clairs
✓ max_iter défini sur chaque agent (3 à 5)
✓ allow_delegation=False sauf besoin
✓ Tasks chaînées via context=[task_precedente]
✓ Process.sequential pour 90% des cas
✓ memory=True et cache=True activés
✓ Prompt caching pour backstories longues
✓ Logging fichier avec rotation quotidienne
✓ Suivi crew.usage_metrics après chaque run
✓ Budget mensuel Anthropic configuré dans console
✓ Tests sur 3 sujets différents avant productionPourquoi les agents multi-IA en 2026
Un agent IA seul est limite : il execute une tache en quelques secondes, sans memoire entre sessions, sans capacite a coordonner avec d autres systemes. Les architectures multi-agents changent l equation en faisant collaborer plusieurs agents specialises, chacun jouant un role precis dans un workflow plus large. CrewAI (crewai.com), framework open-source publie en 2024 et largement adopte en 2026, est l outil de reference pour orchestrer ces equipes d agents.
Cas d usage classique : la recherche marche. Un agent collecte les donnees publiques (sites web, communiques, base de donnees publiques). Un deuxieme agent analyse la concurrence (positionnement, prix, fonctionnalites). Un troisieme synthese et formule des recommandations. Un quatrieme redige le rapport final. Chacun fait sa partie mieux qu un agent unique qui tenterait tout.
L architecture CrewAI en pratique
Le framework expose quatre concepts. Un Agent est un role specialise avec son backstory, ses outils, et son modele LLM. Une Task est une mission specifique assignee a un agent (avec description et output attendu). Une Crew est le groupe d agents qui collaborent. Un Process est l ordre d execution (sequentiel, hierarchique, ou parallele).
Avec Claude comme moteur LLM, un workflow de recherche marche prend une forme typique : 4 agents (collecteur, analyste concurrentiel, synthetiseur, redacteur) executant 4-6 taches en sequence, en 5-15 minutes pour une etude classique. Le rendu est un rapport Markdown de 5-10 pages, structure et source.
Pourquoi Claude comme moteur
Trois raisons font de Claude un excellent moteur pour CrewAI. Premiere : la finesse stylistique produit des syntheses lisibles directement sans relecture lourde. Deuxieme : la fiabilite factuelle reduit les hallucinations qui sont multipliees par le nombre d agents dans un systeme multi-IA. Troisieme : la fenetre de contexte 200k permet de passer le rapport de l agent precedent en entier a l agent suivant sans decoupage.
Les alternatives sont GPT-4 (excellent en code et raisonnement structure), Gemini (multimodal natif, utile si la recherche inclut des PDF et des images), ou un modele open-source via Ollama pour les usages totalement confidentiels.
Limites et garde-fous
Coup en API. Une crew de 4 agents qui s echangent des messages peut consommer 50 000 a 200 000 tokens par execution complete. A 3-15 USD par million de tokens output sur Claude Sonnet, une execution coute entre 0,30 et 3 USD. Pour des executions repetees automatisees, le budget doit etre dimensionne.
Hallucinations en cascade. Quand un agent base sa reponse sur la sortie d un autre agent, une erreur du premier se propage. La parade : faire valider par un humain la sortie de chaque agent critique, ou ajouter un agent verificateur qui croise les affirmations.
Latence cumulee. Quatre agents qui s executent en sequence prennent 4 fois plus de temps qu un agent unique. Pour des cas de production qui exigent < 2 secondes, le multi-agent n est pas adapte — privilegier un agent unique avec un long prompt structure.
Cas d usage qui justifient un multi-agent
Recherche concurrentielle. Comme decrit plus haut. Output : rapport structure de 5-10 pages, en 10-20 minutes, pour 1-3 USD.
Generation d offre commerciale. Un agent comprend le brief, un autre cherche les references comparables, un troisieme structure la proposition, un quatrieme redige et un dernier relit. Output : devis client, en 5 minutes.
Pipeline de production de contenu. Idee + recherche + outline + draft + revision + SEO. 6 agents qui se passent le sujet. Output : article blog publiable.
Triage de tickets support. Agent classifieur + agent rechercheur dans la KB + agent redacteur de reponse + agent escalation. Output : reponse client envoyee ou ticket priorise pour humain.
Audit de code. Agent qui lit le code + agent qui cherche les vulnerabilites + agent qui propose les fixes + agent qui ecrit le rapport. Cas plus exotique mais qui marche pour des codebases modestes.
FAQ
CrewAI vs LangChain Agents vs AutoGen ?
CrewAI privilegie la simplicite et la lisibilite (definition declarative des roles, peu de boilerplate). LangChain Agents offre plus de flexibilite mais a plus de bugs et une API plus mouvante. AutoGen (Microsoft) est plus orientee recherche et conversations multi-agents. Pour un premier projet d agents, CrewAI est le choix le plus pragmatique.
Faut-il forcement utiliser Claude comme moteur ?
Non. CrewAI supporte tout LLM compatible avec LiteLLM (Claude, GPT, Gemini, Mistral, Llama via Ollama). La pratique est d utiliser Claude pour les agents qui ont besoin de finesse (redacteur, synthetiseur) et un modele plus rapide / moins cher pour les agents simples (classificateur, extracteur).
Comment debugger une crew qui produit des resultats incoherents ?
Activer le mode verbose dans CrewAI affiche tous les echanges entre agents. Outils complementaires : Langfuse (langfuse.com) ou Helicone (helicone.ai) pour la trace persistante des appels, indispensable pour analyser les patterns d echec en production.
Quand un agent unique avec un long prompt suffit ?
Quand la tache se decompose en moins de 3 etapes claires, l agent unique avec un prompt structure (avec des sections : analyser, lister, synthetiser, conclure) est plus rapide et moins cher. Le multi-agent paye lorsque chaque etape demande un raisonnement substantiel et benefice d un focus dedie.
References
- CrewAI documentation — docs.crewai.com
- Anthropic API — docs.anthropic.com
- LangChain Agents — python.langchain.com/docs/concepts/agents
- AutoGen (Microsoft) — microsoft.github.io/autogen
- LiteLLM — docs.litellm.ai
- Langfuse — langfuse.com