Construire un agent IA autonome avec CrewAI et Python en 2026

Vous allez construire un système de 3 agents IA autonomes qui collaborent pour analyser un sujet, rédiger un rapport et le vérifier — le tout en Python avec CrewAI 1.14.4 (MIT, gratuit). Le projet tourne en local en 20 minutes sur n'importe quel PC avec Python 3.10+. Documentation officielle CrewAI.

Ce que vous allez construire et pourquoi en 2026

Un crew de 3 agents (researcher, writer, reviewer) qui prend un sujet en entrée, fait une recherche web, rédige un article structuré et le corrige automatiquement. Tout se passe sur votre machine, sans serveur externe. Prérequis: Python 3.10 à 3.13 (pas 3.14), 4 Go RAM minimum, 2 Go d'espace disque. Temps estimé: 20 minutes sur Mac M1, 30 minutes sur Intel/Windows.

Installation: commandes exactes à copier

# Installer uv (gestionnaire de paquets Python recommandé)
curl -LsSf https://astral.sh/uv/install.sh | sh # Installer CrewAI CLI
uv tool install crewai # Vérifier l'installation
crewai --version # Créer le projet
crewai create crew mon-crew-ia
cd mon-crew-ia # Installer les dépendances du projet
crewai install

Résultat attendu: le dossier mon-crew-ia/ contient src/mon_crew_ia/ avec les fichiers agents.yaml, tasks.yaml, crew.py et main.py. Erreur courante: "crewai: command not found" → exécuter source ~/.bashrc (ou ~/.zshrc) pour recharger le PATH après l'installation de uv.

Configuration: les fichiers et variables à définir

Créez un fichier .env à la racine du projet avec vos clés API:

# Obligatoire — au moins un fournisseur LLM
OPENAI_API_KEY=sk-votre-cle-openai # Optionnel — pour la recherche web
SERPER_API_KEY=votre-cle-serper

La clé OpenAI est obligatoire car CrewAI utilise les modèles GPT par défaut. Le modèle par défaut est gpt-4o-mini (0,15 €/1M tokens input). Pour utiliser Mistral ou Claude, ajoutez dans agents.yaml: llm: mistral/mistral-large-latest ou llm: anthropic/claude-sonnet-4-20250514. La clé Serper (gratuite, 2 500 requêtes/mois sur serper.dev) active l'outil de recherche web.

Le code du projet: construire la fonctionnalité principale

Remplacez le contenu de src/mon_crew_ia/agents.yaml par la définition de vos 3 agents:

researcher: role: > Chercheur expert en analyse de sujet goal: > Trouver des informations précises et vérifiées sur le sujet donné backstory: > Tu es un chercheur méticuleux avec 10 ans d'expérience en analyse de données. Tu vérifies toujours tes sources et ne rapportes que des faits confirmés. llm: gpt-4o-mini writer: role: > Rédacteur technique expérimenté goal: > Transformer les recherches en article structuré et lisible backstory: > Tu es un rédacteur technique qui produit des textes clairs et précis. Tu structures toujours avec des titres H2/H3 et des listes à puces. llm: gpt-4o-mini reviewer: role: > Vérificateur qualité exigeant goal: > Corriger les erreurs factuelles et améliorer la clarté backstory: > Tu es un éditeur exigeant qui repère les incohérences, les phrases vagues et les erreurs de logique. Tu ne valides que ce qui est précis et sourcé. llm: gpt-4o-mini

Puis remplacez src/mon_crew_ia/tasks.yaml:

research_task: description: > Recherche des informations approfondies sur {topic}. Identifie au moins 5 sources fiables et extrais les points clés, les chiffres exacts et les citations. expected_output: > Un rapport de recherche structuré avec: - 5 points clés avec sources - Chiffres et statistiques vérifiés - Liste des sources consultées agent: researcher writing_task: description: > Rédige un article complet sur {topic} à partir du rapport de recherche. Structure avec des titres H2 et H3. Inclus des chiffres précis et des exemples concrets. expected_output: > Un article Markdown de 800 à 1200 mots avec: - Titre accrocheur - 3 sections H2 minimum - Chiffres et exemples concrets agent: writer review_task: description: > Vérifie l'article sur {topic}. Corrige les erreurs factuelles, supprime les phrases vagues, ajoute des précisions si nécessaire. expected_output: > L'article corrigé en Markdown, prêt à publier, avec toutes les erreurs corrigées et les imprécisions supprimées. agent: reviewer

Enfin, modifiez src/mon_crew_ia/crew.py pour ajouter l'outil de recherche:

from crewai import Agent, Crew, Process, Task
from crewai.project import CrewBase, agent, crew, task
from crewai_tools import SerperDevTool @CrewBase
class MonCrewIa: """Équipe d'agents IA pour la recherche et la rédaction""" agents_config = 'agents.yaml' tasks_config = 'tasks.yaml' @agent def researcher(self) -> Agent: return Agent( config=self.agents_config['researcher'], tools=[SerperDevTool()], verbose=True ) @agent def writer(self) -> Agent: return Agent( config=self.agents_config['writer'], verbose=True ) @agent def reviewer(self) -> Agent: return Agent( config=self.agents_config['reviewer'], verbose=True ) @task def research_task(self) -> Task: return Task(config=self.tasks_config['research_task']) @task def writing_task(self) -> Task: return Task(config=self.tasks_config['writing_task']) @task def review_task(self) -> Task: return Task(config=self.tasks_config['review_task']) @crew def crew(self) -> Crew: return Crew( agents=self.agents, tasks=self.tasks, process=Process.sequential, verbose=True )

Tester et valider que ça fonctionne

# Lancer le crew avec un sujet
crewai run

Le CLI vous demande Enter the topic — tapez un sujet, par exemple intelligence artificielle en France 2026. Résultat attendu dans le terminal: les 3 agents s'exécutent séquentiellement, chacun affiche ses pensées ([Agent]), et le résultat final est sauvegardé dans report.md. Si vous voyez "Error: No API key provided", vérifiez que .env est à la racine du projet et que OPENAI_API_KEY est renseigné. Si le crew est trop lent, passez les agents sur gpt-4o-mini (déjà par défaut) ou réduisez max_iter à 5 dans agents.yaml.

Déployer et utiliser en production

Pour exécuter le crew automatiquement (cron, CI/CD), créez un script run_crew.py:

from mon_crew_ia.crew import MonCrewIa def run(topic: str): result = MonCrewIa().crew().kickoff( inputs={'topic': topic} ) with open('output.md', 'w') as f: f.write(result.raw) print(f'Article généré: output.md') if __name__ == '__main__': import sys topic = sys.argv[1] if len(sys.argv) > 1 else 'intelligence artificielle' run(topic)

Lancez avec python run_crew.py "votre sujet ici". Pour Docker, le Dockerfile suivant fonctionne:

FROM python:3.12-slim
WORKDIR /app
COPY.
RUN pip install crewai crewai-tools
CMD ["python", "run_crew.py", "sujet par défaut"]

Pour mettre à jour CrewAI: uv tool install crewai --upgrade.

Aller plus loin: 3 extensions concrètes

1. Ajouter un agent traducteur — Créez un 4e agent dans agents.yaml avec le rôle Traducteur professionnel français-anglais, ajoutez une task translation_task dans tasks.yaml, et branchez-le après le reviewer avec Process.sequential. Coût estimé: +0,05 € par exécution.

2. Utiliser un LLM local avec Ollama — Installez Ollama (curl -fsSL https://ollama.com/install.sh | sh && ollama pull mistral:7b), puis changez le llm de chaque agent en ollama/mistral:7b dans agents.yaml. Coût: 0 €, mais nécessite 8 Go RAM minimum. Voir ollama.com.

3. Créer un Flow pour chaîner plusieurs crews — Utilisez le décorateur @start() et @listen() de CrewAI Flows pour enchaîner un crew de recherche puis un crew de rédaction: crewai create flow mon-flow. Voir docs.crewai.com/quickstart.