CrewAI

CrewAI هو إطار عمل Python لتنسيق فرق من وكلاء الذكاء الاصطناعي حيث يحمل كل منهم دورًا وهدفًا وخلفية درامية محددة. أسسه João Moura، مدير هندسة الذكاء الاصطناعي السابق في Clearbit، وانطلق المشروع بهدوء على GitHub في نوفمبر 2023 ووصل إلى ما يقرب من 48,000 نجمة في غضون عامين ونصف. وهو مرخص بموجب MIT، ومستقل تمامًا عن LangChain، ويعمل على Python 3.10 إلى 3.13. يحل إطار العمل مشكلة محددة: بدلاً من كتابة كود تنسيق مخصص لكل سير عمل ذكاء اصطناعي متعدد الخطوات، يحدد المطورون الوكلاء كأدوار مسماة بمسؤوليات ويتركون إطار العمل يتعامل مع تفويض المهام، ومشاركة الذاكرة، وتمرير المخرجات بينهم.

تتكون البنية الأساسية من طبقتين. تتعامل Crews مع التعاون المستقل القائم على الأدوار حيث يقسم الوكلاء العمل ديناميكيًا. وتضيف Flows تحكمًا حتميًا قائمًا على الأحداث لسير العمل الذي يحتاج إلى تسلسل دقيق، أو تفرع مشروط، أو نقاط تحقق تتطلب تدخلًا بشريًا. اعتبارًا من الإصدار v1.14 (أبريل 2026)، يدعم CrewAI عمليات نقاط التحقق (checkpoint) والتفرع (fork) للوكلاء الذين يعملون لفترات طويلة، مع تحسن بنسبة 29% في التشغيل البارد (cold-start)، وتوافق أصلي مع OpenRouter و DeepSeek و Ollama و vLLM و Cerebras و Dashscope إلى جانب OpenAI و Anthropic، وخلفية ذاكرة Qdrant Edge لذاكرة الوكيل المستمرة. يوفر CrewAI Studio المرافق محررًا مرئيًا بدون كود لبناء الفرق (crews) دون كتابة كود Python مباشرة.

ما يفعله CrewAI فعليًا في أبريل 2026

ينظم نموذج CrewAI الوكلاء حول ثلاث خصائص محددة: الدور (ما هو الوكيل)، والهدف (ما يحاول تحقيقه)، والخلفية الدرامية (السياق الذي يشكل أسلوب تفكيره). يتم تعيين المهام للوكلاء بشكل صريح، ويمكن تكوين الوكلاء لاستخدام الأدوات (البحث في الويب، استعلامات قواعد البيانات، تنفيذ التعليمات البرمجية، استدعاءات API) مع قيام إطار العمل بتوجيه المخرجات من وكيل إلى آخر. يمكن تشغيل Crews بشكل تسلسلي (ينهي وكيل عمله قبل أن يبدأ التالي) أو هرمي (يفوض وكيل مدير المهام للعمال). تُضاف Flows كطبقة فوق Crews، مما يسمح بمشغلات قائمة على الأحداث، ومنطق مشروط، وتحكم دقيق في الحالة دون التخلي عن تجريد الأدوار.

قدم إصدار v1.12.0 ميزة Agent Skills، وهي وحدة قابلة للتركيب لسلوكيات الوكيل القابلة لإعادة الاستخدام، و Qdrant Edge لذاكرة المتجهات المضمنة. أضاف تحديث يناير 2026 اتصالاً أصليًا من وكيل إلى وكيل (A2A) مع آليات تحديث الاستطلاع (poll) والبث (stream) والدفع (push)، بالإضافة إلى ملاحظات التدخل البشري الشاملة لـ Flows. على جانب المؤسسات، يقدم CrewAI امتثال SOC 2، وتسجيل الدخول الأحادي (SSO) عبر Microsoft Entra و Okta، والتحكم في الوصول القائم على الأدوار، وشهادة FedRAMP High عند الطلب، وإخفاء معلومات تحديد الهوية الشخصية (PII) للصناعات الخاضعة للتنظيم. يتكامل المحرر المرئي Studio مع GitHub، ويدعم Gmail و Slack و Notion و HubSpot و Salesforce و Microsoft Teams كموصلات مدمجة، ويعمل على سحابة CrewAI المستضافة أو سحابة خاصة (VPC).

"يجعل CrewAI من السهل والسريع تطوير مسارات عمل الذكاء الاصطناعي متعددة الوكلاء البسيطة والمعقدة على حد سواء.". Andrew Ng، مستثمر ومؤسس مشارك لـ Coursera، 22 أكتوبر 2024 (بيان صحفي لـ GlobeNewswire)

موقع CrewAI مقارنة بـ AutoGen و LangGraph

تتخذ أطر العمل الثلاثة المهيمنة مفتوحة المصدر ومتعددة الوكلاء مناهج مختلفة جوهريًا لنفس المشكلة: كيفية تنسيق وكلاء ذكاء اصطناعي متعددين نحو هدف مشترك.

AutoGen (Microsoft، الآن AG2): يصمم AutoGen تفاعلات الوكلاء كمحادثات. الوكلاء هم كيانات "قابلة للمحادثة" تمرر الرسائل ذهابًا وإيابًا في دردشات جماعية، مع ظهور استدعاءات الأدوات من الحوار بدلاً من تعيينها مسبقًا. هذه البنية الحوارية مرنة وطبيعية لمهام البحث أو العصف الذهني ولكنها تخلق تعقيدًا متزايدًا عند التوسع. يُصنف AutoGen بدرجة منخفضة من حيث الجاهزية للإنتاج لأنه يفتقر إلى أدوات المراقبة المدمجة، وميزات الأمان، وضمانات التنفيذ الحتمية. تتعامل طبقة Core الخاصة به مع المراسلة القائمة على الأحداث، بينما تجلس AgentChat فوقها كواجهة عالية المستوى، لكن الفجوة بين النموذج الأولي والإنتاج واسعة. بالمقارنة مع CrewAI، يتطلب AutoGen المزيد من التنسيق اليدوي ويوفر بنية جاهزة أقل لمسارات العمل التسلسلية أو الهرمية.

LangGraph (LangChain): ينفذ LangGraph آلة حالة قائمة على الرسم البياني. يحدد المطورون مسارات العمل كعقد (خطوات معالجة) وحواف (انتقالات)، مع كائنات حالة مكتوبة تستمر عبر الرسم البياني ووظائف تقليل (reducer functions) للتعامل مع تحديثات الحالة المتزامنة. لا يقوم بتجريد قرارات البنية: يجب تحديد كل فرع، وحلقة، ومسار استرداد بشكل صريح. يؤتي هذا التفصيل ثماره في مسارات العمل التي تحتاج إلى منطق تفرع دقيق، أو استرداد من الأعطال، أو تنفيذ دائم عبر آفاق زمنية طويلة. يمتلك LangGraph حاليًا 28,200 نجمة على GitHub مقابل 47,800 لـ CrewAI، مما يعكس صعوبة الإعداد الأعلى للتعريف الصريح للرسم البياني. بالنسبة للمطورين الذين يحتاجون إلى تحكم دقيق في الحالة ويشعرون بالراحة في كتابة المزيد من الأكواد النمطية، يوفر LangGraph تسامحًا أفضل مع الأخطاء مقارنة بنموذج CrewAI عالي المستوى. أما بالنسبة للفرق التي تريد تشغيل شيء ما في يوم واحد، فإن CrewAI أسرع في إنشاء النماذج الأولية.

"من أجل النمذجة الأولية السريعة ونشر شيء ما بسرعة، ربما يكون CrewAI هو الخيار الأفضل المتاح حاليًا."، softmaxdata.com، الدليل الشامل للأطر الوكلاء في عام 2026

التقسيم العملي: CrewAI لمسارات عمل الأعمال المنظمة حيث تكون الأدوار واضحة وسرعة التطوير مهمة؛ LangGraph للمسارات المعقدة التي تحتاج إلى إدارة حالة حتمية؛ AutoGen لأنظمة الوكلاء المتعددين الحوارية أو الموجهة نحو البحث حيث يقود الحوار العملية.

كيف يبدو واقع حلقة الوكيل

بناء فريق (crew) وظيفي هو أمر سريع حقًا. يستغرق تحديد ثلاثة وكلاء بأدوار ومهام أقل من 50 سطرًا من كود Python؛ يتعامل إطار العمل مع مشاركة الذاكرة، وتمرير المخرجات، وتوجيه الأدوات تلقائيًا. ينتج نمط الدور/الهدف/الخلفية الدرامية سلوك وكيل متماسكًا بشكل مدهش لمسارات العمل المنظمة، ويجعل تجريد Flows من العملي مزج التحكم الحتمي مع تفكير الوكيل المستقل في نفس المسار.

يبدأ الاحتكاك عند التوسع. يرث الوكلاء مخرجات بعضهم البعض دون تحقق مدمج، مما يعني أن هلوسة وكيل واحد تتضاعف عند تمريرها إلى التالي. وجد Ondřej Popelka، عند الكتابة عن استخدام CrewAI لمعالجة قاعدة بيانات تحتوي على 7 ملايين صف، أنه بدون بنية Flows دقيقة، استقرت معدلات النجاح في المكونات المتكررة عند 1%. بعد إعادة الهيكلة لتوفير البيانات بشكل تدريجي من خلال Flows بدلاً من ترك الوكلاء يجلبونها بأنفسهم، وصل إلى 90%. الدرس المستفاد: "أدى التحول من تولي الوكلاء لجميع عمليات معالجة البيانات إلى توفير البيانات ذات الصلة بشكل تدريجي من خلال CrewAI Flows إلى تحسين معدلات النجاح من 1% إلى 90%." هذا تحسن حقيقي، لكنه تطلب هندسة كبيرة للوصول إليه.

التسجيل (Logging) هو نقطة احتكاك أخرى. لا تعمل وظائف الطباعة والتسجيل القياسية في Python بشكل نظيف داخل مهام CrewAI، مما يجعل من الصعب تتبع حالات الفشل في عمليات تشغيل الوكلاء المتعددين في بيئة الإنتاج دون أدوات مخصصة. يتراوح زمن انتقال التنفيذ في الفرق المعقدة عادةً بين 2-5 دقائق لكل تشغيل، مما يستبعد التطبيقات في الوقت الفعلي أو المواجهة للمستخدم. تعد تجاوزات نافذة السياق موضوعًا متكررًا لمسارات العمل كثيفة البيانات، نظرًا لأن الأنظمة متعددة الوكلاء كثيرة الكلام بطبيعتها ولا يقوم CrewAI بتقليل استخدام الرموز بين الوكلاء بشكل صارم.

يضيف نموذج التسعير السحابي اعتبارًا منفصلاً. يتم تحديد سقف لعمليات التنفيذ على المنصة المستضافة لكل فئة، مع جدار صلب عند حدود الفئة (يلزم الترقية، ولا توجد رسوم إضافية لكل تنفيذ في الخطط الأقل تتجاوز معدل $0.50/تنفيذ). بالنسبة لمسارات العمل ذات أنماط التنفيذ المتقطعة أو غير المتوقعة، يتطلب تخطيط التكلفة عناية.

لمن تم بناء CrewAI

يناسب CrewAI مطوري Python الذين يرغبون في الانتقال من برنامج نصي لنموذج لغوي كبير (LLM) واحد إلى نظام منسق متعدد الوكلاء دون تعلم نظرية الرسم البياني أو كتابة طبقة تنسيق مخصصة. يعمل بشكل جيد للفرق التي تبني أدوات داخلية، أو مسارات بيانات، أو أتمتة أبحاث، أو مسارات عمل محتوى، أو أتمتة عمليات المكاتب الخلفية حيث تكون بنية المهام واضحة نسبيًا ومتطلبات زمن الانتقال فضفاضة. يتوافق تجريد الأدوار بشكل طبيعي مع كيفية تقسيم الفرق البشرية للعمل، مما يسهل التفكير فيما يفعله كل وكيل وتسليم البنية إلى الزملاء الذين لا يكتبون كود LLM بأنفسهم.

تستفيد فرق المؤسسات من العرض الشامل: إطار العمل مفتوح المصدر للتطوير، و CrewAI Studio للتكرار المرئي، والطبقة السحابية للمؤسسات (Enterprise) للنشر مع SSO و RBAC وشهادات الامتثال. أفادت الشركة أن ما يقرب من 60% من شركات Fortune 500 كانت تستخدم إطار العمل مفتوح المصدر بحلول أواخر عام 2025، مع توقيع 150 عميلًا سحابيًا تجريبيًا للمؤسسات في الأشهر الستة الأولى بعد إطلاق أكتوبر 2024.

ما لا يمثله CrewAI

لا يعد CrewAI مناسبًا لتطبيقات الإنتاج المواجهة للمستخدم والتي تحتاج إلى أوقات استجابة أقل من ثانية أو صحة مخرجات مضمونة. حلقة الوكيل غير حتمية، ويختلف وقت التنفيذ بشكل غير متوقع، ولا توجد طبقة مدمجة للتحقق من الحقيقة. وكما عبر أحد تحليلات الممارسين: "في اللحظة التي يسأل فيها شخص ما: 'هل يمكنك ضمان أن هذا سيعمل في كل مرة؟' هنا تصبح المحادثة غير مريحة." إذا كان سير عملك يتطلب اتفاقية مستوى الخدمة (SLA)، فيجب أن تكون هناك بوابة مراجعة بشرية أو كود تحقق حتمي في المراحل النهائية للوكلاء، وليس بداخلهم.

كما أنه غير مناسب للفرق التي تقوم بتشغيل نماذج صغيرة مفتوحة المصدر محليًا. تواجه النماذج التي تقل عن 7 مليارات معلمة تقريبًا صعوبة في موثوقية استدعاء الوظائف في آلية أدوات CrewAI، مما يحد من عمليات النشر ذاتية الاستضافة للنماذج القادرة مثل Llama 3.1 70B أو Mistral Large أو نماذج API المستضافة. سيصل المستخدمون غير التقنيين تمامًا إلى طريق مسدود دون معرفة بـ Python، حتى مع الواجهة المرئية لـ Studio. وبالنسبة لمسارات العمل التي تحتاج حقًا إلى تفرع مشروط دقيق مع استرداد من الأعطال، فإن وضوح LangGraph يعد خيارًا معماريًا أفضل على الرغم من منحنى التعلم الأكثر حدة.