CrewAI Tutorial en Español: Crear Equipos de Agentes IA [2026]

1pip install crewai crewai-tools

1OPENAI_API_KEY=tu_clave_api_aqui
2OPENAI_MODEL_NAME=gpt-4-turbo

1crewai create-crew mi_primer_equipo
2cd mi_primer_equipo

1from crewai import Agent
2from crewai_tools import tool
3 
4# Crear un agente
5investigador = Agent(
6    role="Investigador Senior",
7    goal="Investigar y recopilr información verificada sobre temas específicos",
8    backstory="""Eres un investigador experimentado con 15 años en journalism.
9    Tienes acceso a fuentes confiables y sabes cómo verificar información.""",
10    verbose=True,
11    allow_delegation=False,
12    tools=[tool_busqueda],  # Herramientas disponibles
13)

1from crewai import Task
2 
3tarea_investigacion = Task(
4    description="Investiga sobre los últimos avances en IA generativa en 2026",
5    expected_output="Un informe detallado con 5 hallazgos clave",
6    agent=investigador,
7)

1from crewai import Crew, Process
2 
3equipo = Crew(
4    agents=[investigador, escritor, editor],
5    tasks=[tarea_investigacion, tarea_escritura, tarea_revision],
6    process=Process.sequential,  # O hierarchical
7    verbose=True,
8)
9 
10resultado = equipo.kickoff()
11print(resultado)

1from crewai_tools import tool
2 
3@tool("Buscar en Google")
4def buscar_google(query: str) -> str:
5    """Busca información en Google sobre un tema específico"""
6    import requests
7    # Implementación de búsqueda
8    return f"Resultados para: {query}"
9 
10@tool("Calcular ROI")
11def calcular_roi(inversion_inicial: float, ganancia: float) -> float:
12    """Calcula el retorno de inversión (ROI)"""
13    roi = ((ganancia - inversion_inicial) / inversion_inicial) * 100
14    return f"ROI: {roi:.2f}%"
15 
16# Asignar herramientas al agente
17agente_financiero = Agent(
18    role="Analista Financiero",
19    goal="Analizar rentabilidad de inversiones",
20    tools=[calcular_roi],
21    verbose=True,
22)

1from crewai import Agent
2from crewai_memory import EntityMemory, ShortTermMemory, LongTermMemory
3 
4agente_inteligente = Agent(
5    role="Consultor",
6    goal="Proporcionar asesoría personalizada",
7    memory=True,  # Habilita memoria por defecto
8    verbose=True,
9)
10 
11# Para proyectos avanzados:
12equipo = Crew(
13    agents=[agente1, agente2],
14    tasks=[tarea1, tarea2],
15    memory=EntityMemory(),  # Recuerda entidades y relaciones
16)

1from crewai import Crew, Process
2 
3equipo_secuencial = Crew(
4    agents=[investigador, escritor, revisor],
5    tasks=[tarea1, tarea2, tarea3],
6    process=Process.sequential,
7    verbose=True,
8)

1equipo_jerarquico = Crew(
2    agents=[manager, investigador, desarrollador],
3    tasks=[tarea1, tarea2, tarea3],
4    process=Process.hierarchical,
5    manager_llm=gpt4,
6    verbose=True,
7)

1from crewai import Agent, Task, Crew, Process
2from crewai_tools import tool
3import os
4from dotenv import load_dotenv
5 
6load_dotenv()
7 
8# Definir herramientas personalizadas
9@tool("Buscar información web")
10def buscar_web(tema: str) -> str:
11    """Simula búsqueda en internet sobre un tema"""
12    fuentes = {
13        "IA generativa": "ChatGPT, Claude, Gemini son los líderes del mercado en 2026",
14        "Python": "Python es el lenguaje #1 para IA y ciencia de datos",
15        "Agentes IA": "Los equipos multi-agente revolucionan la automatización",
16    }
17    return fuentes.get(tema, f"Información sobre {tema}")
18 
19@tool("Verificar hechos")
20def verificar_hechos(afirmacion: str) -> str:
21    """Verifica la precisión de una afirmación"""
22    return f"Afirmación verificada: {afirmacion}"
23 
24# Crear agentes
25investigador = Agent(
26    role="Investigador Senior",
27    goal="Investigar y recopilar información precisa sobre temas de IA",
28    backstory="""Eres un investigador especializado en inteligencia artificial.
29    Con 10 años de experiencia, sabes cómo encontrar y verificar información
30    de fuentes confiables. Tu objetivo es proporcionar datos precisos.""",
31    verbose=True,
32    tools=[buscar_web, verificar_hechos],
33)
34 
35escritor = Agent(
36    role="Escritor Técnico",
37    goal="Escribir artículos claros, técnicos y atractivos",
38    backstory="""Eres un escritor técnico experimentado que puede explicar
39    conceptos complejos de IA de manera comprensible. Tu prosa es clara,
40    bien estructurada y mantiene el interés del lector.""",
41    verbose=True,
42    allow_delegation=False,
43)
44 
45revisor = Agent(
46    role="Editor y Revisor",
47    goal="Asegurar la calidad, precisión y coherencia del contenido",
48    backstory="""Eres un editor experto con ojo para los detalles.
49    Revisas cada párrafo para asegurar claridad, gramática perfecta
50    y que el contenido sigue las mejores prácticas de periodismo.""",
51    verbose=True,
52    allow_delegation=False,
53)
54 
55# Crear tareas
56tarea_investigacion = Task(
57    description="""Investiga el estado actual de los agentes IA multi-agente en 2026.
58    Busca información sobre:
59    1. Las herramientas principales (CrewAI, AutoGen, LangGraph)
60    2. Casos de uso reales en empresas
61    3. Tendencias y predicciones
62 
63    Proporciona al menos 5 hallazgos clave verificados.""",
64    expected_output="Un informe detallado con investigación verificada",
65    agent=investigador,
66    tools=[buscar_web, verificar_hechos],
67)
68 
69tarea_escritura = Task(
70    description="""Usando la investigación proporcionada, escribe un artículo
71    de blog profesional sobre agentes IA. El artículo debe:
72    1. Tener una introducción atractiva
73    2. Explicar los conceptos clave de manera clara
74    3. Incluir ejemplos prácticos
75    4. Finalizar con conclusiones y predicciones
76 
77    Usa un tono profesional pero accesible.""",
78    expected_output="Un artículo completo listo para publicar",
79    agent=escritor,
80)
81 
82tarea_revision = Task(
83    description="""Revisa el artículo completo. Verifica:
84    1. Claridad y coherencia
85    2. Exactitud técnica de cada afirmación
86    3. Gramática y puntuación
87    4. Estructura y flujo lógico
88 
89    Proporciona un artículo final pulido.""",
90    expected_output="Artículo final revisado y listo para publicación",
91    agent=revisor,
92)
93 
94# Crear y ejecutar el equipo
95equipo_contenido = Crew(
96    agents=[investigador, escritor, revisor],
97    tasks=[tarea_investigacion, tarea_escritura, tarea_revision],
98    process=Process.sequential,
99    verbose=True,
100    memory=True,
101)
102 
103# Ejecutar el equipo
104resultado = equipo_contenido.kickoff(
105    inputs={
106        "tema": "Agentes IA Multi-Agente en 2026",
107        "audiencia": "Desarrolladores y profesionales de tecnología",
108    }
109)
110 
111print("=" * 80)
112print("RESULTADO FINAL DEL EQUIPO:")
113print("=" * 80)
114print(resultado)

1agente = Agent(
2    role="Especialista en [área específica]",  # Rol claro
3    goal="Lograr [objetivo medible]",  # Objetivo concreto
4    backstory="Soy un experto con [experiencia relevante]",  # Contexto
5)

1agente_tech = Agent(
2    role="Desarrollador",
3    tools=[herramienta_codigo, herramienta_testing],  # Solo lo necesario
4)

1# Prueba diferentes modelos LLM
2from langchain_openai import ChatOpenAI
3 
4gpt4 = ChatOpenAI(model="gpt-4-turbo", temperature=0.3)
5agente = Agent(llm=gpt4, ...)
6 
7# Ajusta la temperatura según necesites
8# 0.3 = Respuestas consistentes y precisas
9# 0.7 = Respuestas creativas y variadas

1equipo = Crew(
2    agents=[...],
3    tasks=[...],
4    verbose=True,  # Ver cada paso
5    output_file="resultados.txt",  # Guardar output
6)

1# Solución: Establecer límites de iteración
2tarea = Task(
3    description="...",
4    agent=agente,
5    expected_output="Respuesta concisa en máximo 5 párrafos",
6)

1# Solución: Asegurar que tools está definido correctamente
2agente = Agent(
3    tools=[herramienta1, herramienta2],
4    verbose=True,  # Ver qué herramientas se llaman
5)

1# Solución: Usar proceso jerárquico con límites
2equipo = Crew(
3    agents=[...],
4    tasks=[...],
5    process=Process.hierarchical,
6    max_iterations=5,  # Limitar iteraciones
7)