2. CrewAI 핵심 개념 (Agent, Task, Crew)

CrewAI 핵심 개념 Lab 실습

이 실습 문서는 CrewAI 라이브러리의 핵심 개념을 초급자도 이해할 수 있도록 안내합니다. 두 가지 파트로 구성되어 있으며, VS Code에서 실행 가능한 Python 코드 예제(02-1.hello_crewai.py와 02-2.researcher_writer.py)를 단계별로 설명합니다. 1부에서는 CrewAI의 기본 구조(Agent, Task, Crew 등)를 이해하고, 2부에서는 두 에이전트가 협업하여 작업을 수행하는 예제를 실습합니다. 각 파트별로 목표, 사전 요구사항, 코드 및 상세 설명, 실행 방법, 예상 출력 예시를 포함하고 있으니 차례대로 따라해 보세요.

1부: CrewAI 구조 이해 (Hello CrewAI 예제)

설명: 첫 번째 실습에서는 CrewAI의 기본 구성요소를 파악하고, 간단한 "Hello World"에 해당하는 환영 인사말을 생성해봅니다. 하나의 AI 에이전트가 하나의 작업(Task)을 수행하도록 설정하고, CrewAI를 통해 실행 및 결과를 출력합니다.

목표

• CrewAI의 핵심 구성 요소인 Agent(에이전트), Task(태스크), **Crew(크루)**의 역할과 상호 관계 이해
• 단일 에이전트를 사용한 간단한 환영 인사 메시지 생성 실습
• CrewAI 코드 실행 흐름(kickoff -> 결과 출력) 경험

사전 요구사항

• Python 3.x 개발 환경 (예: VS Code)
• CrewAI 라이브러리 및 필요 패키지 설치: pip install crewai python-dotenv
• OpenAI API 키 발급 및 환경 설정:
  • OpenAI 계정을 통해 API 키를 준비합니다.
  • 프로젝트 디렉토리에 .env 파일을 만들고 다음과 같이 키를 저장합니다. 예시:

    OPENAI_API_KEY=sk-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
    

  • (python-dotenv 패키지가 .env 파일로부터 키를 불러오는 데 사용됩니다.)
• 인터넷 연결 (OpenAI API 호출을 위해 필요)

코드 및 상세 설명

이제 02-1.hello_crewai.py 코드의 주요 부분을 살펴보면서 CrewAI의 구조를 이해해보겠습니다.

1) 초기 설정 및 Agent 생성

먼저 필요한 라이브러리를 임포트하고, 환경 변수(.env 파일)를 로드한 후 **에이전트(Agent)**를 생성합니다:

# 필요한 라이브러리 임포트
from crewai import Agent, Task, Crew, Process  # CrewAI 핵심 클래스들
from dotenv import load_dotenv
import os

# 0. 환경 변수 로드 (.env에서 OPENAI_API_KEY 불러오기)
load_dotenv()  # .env 파일에 정의된 환경변수를 로드합니다.
# OPENAI_API_KEY가 환경변수로 설정되었다면, openai 패키지가 이를 자동으로 사용합니다.

# 1. Agent 생성: role, goal, backstory 설정
agent = Agent(
    role="AI 어시스턴트",            # 에이전트의 역할
    goal="사용자에게 간단한 환영 인사를 제공",  # 에이전트가 달성할 목표
    backstory="당신은 친절한 AI 비서로, 언제나 정중하고 도움이 되는 인사를 건넵니다."  # 에이전트의 성격/배경
)

설명: 먼저 crewai 패키지에서 Agent, Task, Crew, Process 클래스를 가져옵니다. .env 파일에 저장된 OpenAI API 키를 load_dotenv()로 불러와 환경변수로 등록합니다. 이렇게 하면 CrewAI가 내부적으로 OpenAI의 API를 사용할 때 해당 키를 자동으로 참조할 수 있습니다.

그 다음, Agent 객체를 생성합니다. Agent는 AI 모델의 역할을 정의한 것으로, 사람으로 치면 팀의 한 구성원입니다. 위 코드에서는 하나의 agent를 만들며 세 가지 속성을 설정했습니다:

• role: 에이전트의 역할이나 직책을 나타냅니다. 여기서는 "AI 어시스턴트"로 지정하여 이 에이전트를 “AI 비서” 역할로 설정했습니다.
• goal: 에이전트가 궁극적으로 달성해야 할 목표입니다. 예제에서는 "사용자에게 간단한 환영 인사를 제공"으로 설정하여, 이 에이전트의 목표는 사용자에게 환영 메시지를 만드는 것임을 명시했습니다.
• backstory: 에이전트의 배경 이야기나 성격을 서술합니다. 이는 에이전트의 말투나 행동 방식에 영향을 주는 설정입니다. "친절한 AI 비서로, 언제나 정중하고 도움이 되는 인사"라고 넣어주어, 이 에이전트가 항상 친절하고 정중한 톤으로 인사말을 건네도록 유도했습니다.

즉, Agent는 AI 언어 모델에게 “너는 이런 역할이고, 이런 목표와 성격을 가졌다”라고 프롬프트를 설정하는 것과 비슷합니다. 이렇게 Agent를 정의하면, 이후에 이 Agent는 자신에게 주어진 목표와 성격에 맞춰 응답을 생성하게 됩니다.

2) Task 생성 (작업 지시)

이제 해당 에이전트에게 수행시킬 **태스크(Task)**를 정의해보겠습니다. 태스크는 구체적으로 어떤 작업 지시를 내릴지와 그 기대 결과물이 무엇인지를 포함합니다:

# 2. Task 생성: description, expected_output, agent 지정
task = Task(
    description="사용자에게 환영 인사 한 마디를 작성하세요.",   # 에이전트가 수행할 작업 내용
    expected_output="한 줄의 따뜻한 환영 메시지",            # 기대하는 출력 결과물
    agent=agent                                    # 이 태스크를 수행할 에이전트
)

설명: Task 객체를 생성하며 세 가지 주요 요소를 설정했습니다:

• description: 에이전트에게 줄 작업 지시를 서술합니다. 여기서는 "사용자에게 환영 인사 한 마디를 작성하세요."라고 명령하여, 에이전트가 해야 할 일은 "사용자에게 보내는 환영 인사말 한 줄 쓰기"가 됩니다. 이 설명은 결국 AI 모델에게 전달되는 프롬프트의 핵심 내용입니다.
• expected_output: 기대하는 출력 결과 형태를 묘사합니다. "한 줄의 따뜻한 환영 메시지"라고 작성하여, 결과가 어떻게 나오길 바라는지를 인간이 이해할 수 있게 메모해둔 것입니다. 이 필드는 주로 개발자나 사용자가 결과물을 예상하는 데 도움을 주며, CrewAI는 이 정보를 참고하여 에이전트의 응답을 평가하거나 체크할 수 있습니다. (즉, 한 줄로 된 따뜻한 톤의 메시지를 기대한다는 뜻입니다.)
• agent: 이 작업을 누가 수행할지를 지정합니다. 앞서 만든 agent를 할당함으로써, 해당 작업은 우리가 정의한 "AI 어시스턴트" 에이전트가 수행하게 됩니다.

정리하면, Task는 "어떤 작업을, 어떤 에이전트가, 어떤 형태의 결과를 목표로 수행할 것인가"를 캡슐화한 것입니다. 이번 태스크는 단순히 환영 인사를 작성하는 것이며, 우리의 에이전트에게 그 임무를 부여했습니다.

3) Crew 생성 (에이전트와 태스크로 크루 구성)

이제 **Crew(크루)**를 만들어보겠습니다. Crew는 말 그대로 하나 이상의 에이전트와 하나 이상의 태스크를 묶어 하나의 팀이나 프로젝트로 구성한 것입니다. Crew 객체에는 작업을 수행할 에이전트 목록, 해결해야 할 태스크 목록, 그리고 태스크들을 어떻게 진행할지 결정하는 프로세스(Process) 전략이 포함됩니다:

# 3. Crew 생성: 에이전트와 태스크를 크루로 구성 (순차 프로세스 설정)
crew = Crew(
    agents=[agent],               # 크루에 속한 에이전트 목록 (여기서는 1개)
    tasks=[task],                 # 크루가 수행할 태스크 목록 (여기서는 1개)
    process=Process.sequential,   # 순차적 진행 방식으로 태스크 실행
    verbose=True                  # 실행 중 상세한 로그 출력 여부
)

설명: Crew 객체를 생성하면서 다음과 같이 설정했습니다:

• agents=[agent]: 이 Crew에 소속된 에이전트 리스트를 지정합니다. 현재 예제에서는 에이전트 하나만 있기 때문에 [agent]로 리스트를 구성했습니다. (만약 여러 Agent를 만들었다면 여기에 모두 추가하여 팀을 꾸릴 수 있습니다.)
• tasks=[task]: Crew가 수행할 태스크들의 리스트입니다. 마찬가지로 이번에는 하나의 작업만 있으므로 [task]로 설정했습니다. CrewAI에서는 주어진 tasks를 적절히 분배하여 수행하게 됩니다.
• process=Process.sequential: 프로세스는 Crew가 태스크를 실행하는 방식이나 전략을 정의합니다. Process.sequential로 지정하면 태스크들을 순차적으로 실행합니다. 즉, tasks 리스트에 주어진 순서대로 하나씩 차례로 수행합니다. (참고로 CrewAI에는 이 외에도 평행(병렬) 실행이나 기타 고급 전략이 있을 수 있지만, 이 실습에서는 가장 기본인 순차 실행을 사용합니다.)
• verbose=True: 실행 과정을 자세히 출력할지 여부입니다. True로 설정하면 에이전트가 작업을 수행하면서 주고받는 메시지나 내부 로그를 콘솔에 상세히 출력합니다. 초급자 학습에서는 이 옵션을 켜 두어 에이전트에게 어떤 프롬프트가 전달되고, 어떤 응답이 오는지 확인하는 것이 도움이 됩니다. (불필요한 로그를 보고 싶지 않다면 False로 끌 수 있습니다.)

이렇게 Crew를 구성하면, 이제 CrewAI는 **어떤 에이전트(들)**이 **어떤 태스크(들)**를 어떤 **방식(프로세스)**으로 수행해야 하는지를 모두 알게 됩니다. 하나의 Crew는 팀 프로젝트와 유사하며, kickoff를 호출하면 이 정의된 계획에 따라 작업이 이루어집니다.

4) Crew 실행 및 결과 출력

마지막으로, Crew를 실행하여 에이전트가 실제로 태스크를 수행하도록 하고, 그 최종 결과물을 출력해보겠습니다:

# 4. Crew 실행: kickoff() 메서드로 태스크 수행 시작
result = crew.kickoff()

# 5. 실행 결과 출력
print("최종 결과:", result)

설명: crew.kickoff()를 호출하면 앞서 설정한 대로 CrewAI가 에이전트에게 태스크를 할당하여 수행을 시작합니다. kickoff는 말 그대로 팀의 작업을 시작하는 명령이며, 이 함수가 끝나면 모든 태스크의 처리가 완료됩니다.

이 예제에서는 태스크가 하나뿐이므로 crew.kickoff()의 반환값 result는 곧 그 태스크의 출력 결과가 됩니다. 이어서 print("최종 결과:", result)를 통해 최종 산출물을 콘솔에 표시합니다.

Note: CrewAI에서 kickoff()의 반환 타입은 여러 태스크가 있는 경우 모든 태스크의 결과를 포함한 객체일 수 있습니다. 하지만 단일 태스크의 경우 편의상 해당 작업의 결과 문자열로 간주되어 출력됩니다. (만약 복수 태스크인 경우 result.tasks_output과 같은 속성으로 각 결과에 접근할 수 있습니다. 이는 2부 실습에서 다룹니다.)

이제 코드 설명이 모두 끝났습니다. 정리하면, 1부 실습 코드의 흐름은 다음과 같습니다:

1. OpenAI API 키 설정 등 환경 준비 (dotenv 이용)
2. Agent 정의 – AI 모델의 역할/목표/성격 설정 (예: 친절한 AI 어시스턴트)
3. Task 정의 – 수행할 작업 내용과 기대 결과, 담당 에이전트 지정 (예: 환영 인사 작성)
4. Crew 구성 – 에이전트와 태스크를 모아 팀을 만들고, 순차 실행 프로세스 설정
5. Crew 실행 – kickoff()로 태스크 수행 시작, 완료 후 결과 획득
6. 결과 출력 – 최종 생성된 환영 인사 메시지를 화면에 출력

이 코드를 실행함으로써 CrewAI의 가장 기본적인 동작 방식을 체험해볼 수 있습니다.

실행 방법

이제 VS Code에서 02-1.hello_crewai.py 스크립트를 실행해보겠습니다:

1. 위에서 준비한 .env 파일이 현재 프로젝트 디렉토리에 존재하고 OPENAI_API_KEY가 올바르게 설정되어 있는지 확인합니다.
2. VS Code에서 해당 Python 파일을 엽니다. (또는 터미널에서 python 02-1.hello_crewai.py 명령을 사용할 수도 있습니다.)
3. 실행: VS Code의 'Run' 기능을 사용하거나 터미널에서 파일을 실행합니다.
4. 콘솔에 verbose 로그와 함께 최종 결과가 출력됩니다. verbose=True로 설정했으므로 에이전트가 어떤 프롬프트를 받고 어떤 응답을 생성하는지 과정이 쭉 나타날 것입니다. 로그의 마지막 부분에 최종 결과: 라는 문구와 함께 에이전트가 생성한 환영 메시지가 표시됩니다.

TIP: 만약 실행했는데 OPENAI API 키 관련 오류가 발생한다면, .env 파일에 키가 제대로 입력되었는지 확인하세요 (파일 인코딩은 일반 텍스트여야 하고, "OPENAI_API_KEY=" 앞에 불필요한 공백이나 따옴표가 없어야 합니다).

예상 출력 예시

정상적으로 실행되었다면, 콘솔 맨 마지막 줄에 아래처럼 환영 인사 한 줄이 출력됩니다 (내용은 매번 조금씩 다를 수 있습니다):

최종 결과: 안녕하세요! CrewAI 실습에 오신 것을 환영합니다 😊

위와 같이 에이전트가 친절한 인사말을 한 줄 생성하여 출력하는 것을 확인할 수 있습니다.
(예시에서는 "안녕하세요! CrewAI 실습에 오신 것을 환영합니다 😊"라고 나왔지만, OpenAI의 AI 모델 특성상 표현은 다소 랜덤하게 바뀔 수 있습니다. 예를 들어 "최종 결과: 반갑습니다! 즐거운 경험 되시길 바랍니다."와 같이 나올 수도 있습니다. 중요한 점은 정중하고 따뜻한 환영 메시지 한 문장이면 목표를 달성한 것입니다.)

이로써 1부 실습을 통해 CrewAI의 기본 구조—Agent, Task, Crew가 어떻게 연계되고 동작하는지—를 경험해보았습니다.

---

2부: 간단한 에이전트 협업 예제 (Researcher & Writer 시나리오)

설명: 두 번째 실습에서는 멀티 에이전트 협업의 개념을 배웁니다. 두 명의 에이전트(역할이 다른 AI)와 두 개의 태스크를 만들어, 한 에이전트의 결과를 다른 에이전트가 이어받아 사용하는 연계 작업을 수행해볼 것입니다. 이 예제 시나리오는 "AI 연구원" 에이전트가 정보를 조사하면, "기술 작가" 에이전트가 그 정보를 바탕으로 요약 정리를 작성하는 흐름입니다.

목표

• 둘 이상의 에이전트를 CrewAI로 구성하고 역할 분담시키는 방법 이해
• 이전 작업 결과를 다음 작업에 활용하는 태스크간 컨텍스트 연계 사용법 학습
• 멀티에이전트 시스템의 이점 (전문성 분담, 협업을 통한 결과 도출) 체험

사전 요구사항

• 1부 실습과 동일합니다:
  • Python 3.x, CrewAI 라이브러리 설치, OpenAI API 키 (.env 설정) 등이 이미 준비되었다고 가정합니다.
  • 만약 별도로 이 부분만 실행한다면, 앞서 언급한 환경 설정 단계를 다시 확인하세요. (특히 .env 설정과 pip install crewai python-dotenv 등이 완료되어야 합니다.)

코드 및 상세 설명

이제 02-2.researcher_writer.py 코드를 단계별로 살펴보면서, 두 에이전트가 순차적으로 협업하는 방법을 알아보겠습니다.

1) 환경 설정 (.env 로 OpenAI 키 로드)

import os
from dotenv import load_dotenv
from crewai import Agent, Task, Crew, Process

# 1. .env 파일에서 OpenAI API 키 불러오기
load_dotenv()
openai_api_key = os.getenv('OPENAI_API_KEY')
if openai_api_key is None:
    raise EnvironmentError("OPENAI_API_KEY is not set in .env file. Please add your OpenAI API key to .env.")

설명: 1부와 마찬가지로 필요한 패키지를 임포트한 후, .env 파일에서 OpenAI API 키를 불러옵니다. 여기서는 불러온 키를 openai_api_key 변수에 저장하고, 만약 키가 설정되어 있지 않을 경우 EnvironmentError를 일으켜 실행을 중단하도록 했습니다. 이 부분은 사용자의 환경 설정 실수를 확인하기 위한 코드입니다. (.env에 키가 없으면 친절한 안내 메시지를 주면서 종료합니다.)

이 확인을 통과했다면 API 키 준비는 완료된 것이므로, 다음 단계로 넘어갑니다.

2) 에이전트 정의 (연구원과 작가 역할)

이번에는 두 개의 Agent를 정의합니다. 각 에이전트는 서로 다른 역할과 목표를 가지고 있으며, 협업을 위해 순차적으로 사용될 예정입니다:

# 2. 에이전트 정의 (연구원, 작가)
researcher = Agent(
    role="AI Researcher",
    goal="멀티 에이전트 시스템의 주요 장점을 3가지 조사하여 설명합니다.",
    backstory="다년간 AI 트렌드를 연구해온 전문가입니다."
)
writer = Agent(
    role="Technical Writer",
    goal="연구 결과를 바탕으로 간략한 결론을 작성합니다.",
    backstory="복잡한 정보를 쉽게 요약하는 작문 전문가입니다."
)

설명: 두 개의 Agent 객체, researcher와 writer를 생성했습니다. 각 에이전트의 **역할(role)**과 목표(goal), **배경(backstory)**을 살펴보면:

• researcher 에이전트:
  • role: "AI Researcher" – AI 연구원 역할입니다.
  • goal: "멀티 에이전트 시스템의 주요 장점을 3가지 조사하여 설명합니다." – 목표는 "멀티 에이전트 시스템의 주요 장점 3가지를 조사하여 설명"하는 것입니다. 이 목표는 에이전트가 수행할 작업의 방향성을 나타냅니다.
  • backstory: "다년간 AI 트렌드를 연구해온 전문가입니다." – 이 에이전트는 다년간 AI 분야를 연구한 전문가라는 배경을 부여했습니다. 따라서 말투나 접근 방식이 전문적이고 조사에 능숙한 캐릭터로 행동할 것입니다.
• writer 에이전트:
  • role: "Technical Writer" – 기술 전문 작가 또는 문서 작성자 역할입니다.
  • goal: "연구 결과를 바탕으로 간략한 결론을 작성합니다." – 목표는 "위 연구 결과를 토대로 짧은 결론을 작성"하는 것입니다. 즉, 앞의 연구원이 조사한 내용을 받아 요약 정리하는 역할입니다.
  • backstory: "복잡한 정보를 쉽게 요약하는 작문 전문가입니다." – 오랜 작문 경험을 지닌 전문가로 설정하여, 복잡한 내용을 쉽게 풀어서 요약해주는 성향을 갖습니다.

이처럼 두 에이전트는 서로 다른 전문성을 가지도록 구성되었습니다. 연구원 에이전트는 조사를 잘 하는 캐릭터, 작가 에이전트는 요약하고 글을 잘 쓰는 캐릭터로 만든 것입니다. 실제로 AI 모델이 이러한 설정을 얼마나 정확히 따르는지는 프롬프트 설계에 달려 있지만, CrewAI는 이러한 정보를 토대로 에이전트별로 컨텍스트를 구분해주고 각자 역할에 충실하도록 도와줍니다.

3) 태스크 정의 및 연계 설정

이제 앞서 만든 두 에이전트에게 각각 할 일을 부여하는 Task를 정의합니다. 첫 번째 태스크는 연구원 에이전트가 수행할 "조사" 작업이고, 두 번째 태스크는 작가 에이전트가 수행할 "작성" 작업입니다. 특히 두 번째 태스크에는 첫 번째 태스크의 결과를 참고하도록 컨텍스트를 전달합니다:

# 3. 태스크 정의 (조사 태스크, 작성 태스크)
research_task = Task(
    description="멀티 에이전트 시스템의 주요 장점 3가지를 조사하고 각 장점을 간략히 설명하세요.",
    expected_output="3가지 장점에 대한 간단한 설명 (bullet point 목록)",
    agent=researcher
)
write_task = Task(
    description="위 조사 결과를 참고하여, 멀티 에이전트 시스템의 장점에 대한 짧은 결론을 작성하세요.",
    expected_output="3~4문장으로 구성된 결론 단락",
    agent=writer,
    context=[research_task]  # 이전 태스크의 결과를 활용
)

설명: 두 개의 Task 객체를 정의하였습니다:

• research_task:
  • 설명(description): "멀티 에이전트 시스템의 주요 장점 3가지를 조사하고 각 장점을 간략히 설명하세요."
    → 연구원 에이전트에게 주어진 작업 지시입니다. 멀티 에이전트 시스템(복수의 AI 에이전트로 구성된 시스템)의 핵심 장점 세 가지를 찾아 각각에 대해 간략한 설명을 하라는 요구사항입니다.
  • 기대 출력(expected_output): "3가지 장점에 대한 간단한 설명 (bullet point 목록)"
    → 결과는 3개의 주요 장점을 찾아 간단히 설명하는 것이므로, bullet point 목록 형태로 3줄 정도 나오길 기대한다는 뜻입니다. (예: "- 병렬 처리로 인한 속도 향상", "- 전문성 분담을 통한 높은 품질" 등)
  • 담당 에이전트(agent): researcher
    → 이 태스크는 앞서 정의한 AI 연구원 역할의 에이전트에게 할당되었습니다.
• write_task:
  • 설명(description): "위 조사 결과를 참고하여, 멀티 에이전트 시스템의 장점에 대한 짧은 결론을 작성하세요."
    → 두 번째 작업 지시로, 작성자 에이전트에게 주는 명령입니다. "위 조사 결과"라고 되어 있는데, 이는 첫 번째 태스크(조사 결과)를 참고하여 결론을 쓰라는 의미입니다. 즉, writer 에이전트는 researcher 에이전트가 찾아낸 내용을 보고 종합 정리를 해야 합니다.
  • 기대 출력(expected_output): "3~4문장으로 구성된 결론 단락"
    → 결과물은 3~4문장 정도의 하나의 단락으로 된 결론 요약이어야 합니다. 조사된 장점을 기반으로 간략히 전체 요지를 정리한 글이 나오길 기대합니다.
  • 담당 에이전트(agent): writer
    → 이 태스크는 기술 작가 역할의 에이전트에게 할당했습니다.
  • 컨텍스트(context): [research_task]
    → 중요: 이 부분은 첫 번째 태스크와 두 번째 태스크를 연결하는 핵심입니다. context=[research_task]로 설정하면, CrewAI는 write_task를 수행할 때 이전에 수행된 research_task의 결과를 컨텍스트로 제공합니다. 쉽게 말해, writer 에이전트에게 "앞서 연구원이 이런 내용을 조사해놨으니 참고해"라고 알려주고 그 정보를 입력으로 넘겨주는 것입니다.
  • CrewAI 내부적으로는 research_task가 완료된 후 그 **output(출력)**을 write_task의 입력 프롬프트에 포함시켜 줄 것입니다. 따라서 writer 에이전트는 따로 웹검색을 하거나 빈 종이에서 시작할 필요 없이, researcher의 결과를 받아 보고 그것을 요약하는 작업을 하게 됩니다.

이러한 방식으로 Task 간의 의존성을 설정하면, 멀티에이전트 협업이 가능해집니다. 하나의 에이전트가 생산한 정보나 결과를 다른 에이전트가 활용하여 이어서 작업함으로써, 각자의 전문성을 살리면서도 흐름 있는 작업 수행을 할 수 있습니다.

4) Crew 생성 (에이전트 팀 구성 및 프로세스 설정)

두 에이전트와 두 태스크를 모두 정의했으니, 이를 종합하여 하나의 Crew로 구성합니다. 1부에서는 에이전트도 하나, 태스크도 하나였지만 이제는 여러 구성원이 있으므로 Crew 설정에 각각 리스트를 넘겨줍니다:

# 4. 크루 생성 (순차적 프로세스 설정)
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,
    verbose=True
)

설명: Crew 객체를 생성하는 것은 1부와 기본적으로 동일하지만, 이번에는 두 명의 에이전트와 두 개의 태스크가 목록으로 전달됩니다:

• agents=[researcher, writer]: 이 Crew에는 researcher 에이전트와 writer 에이전트, 두 AI 에이전트가 속해 있습니다. CrewAI는 이 목록을 보고 어떤 에이전트들이 협동하는 팀인지를 파악합니다.
• tasks=[research_task, write_task]: 해결해야 할 작업으로 두 개의 태스크를 넣었습니다. 리스트의 순서가 중요합니다. 현재 Process.sequential 설정이므로 리스트에 나열된 순서대로 작업이 진행됩니다. 즉, research_task를 먼저 수행하고, 완료되면 write_task를 수행하는 순서입니다.
• process=Process.sequential: 순차 처리 프로세스를 사용합니다. 첫 번째 태스크부터 차례로 두 번째 태스크까지 진행합니다. (만약 병렬 처리 등을 원한다면 다른 프로세스를 선택할 수 있지만, 이 예제에서는 순차가 자연스럽습니다. 조사 후 작성이므로 순서가 중요하기 때문입니다.)
• verbose=True: 1부와 마찬가지로 작업 진행 중의 상세 로그를 출력합니다. 두 에이전트 간 주고받는 내용이나 컨텍스트 전달 과정을 콘솔에서 확인할 수 있습니다. (두 개의 에이전트가 있으므로 verbose 출력에는 어떤 에이전트가 응답했는지 등을 구분하여 표시될 것입니다.)

이로써 Crew 구성은 완료되었습니다. CrewAI는 이제 "researcher와 writer라는 두 에이전트에게, 먼저 research_task를 하고 나서 write_task를 하라"는 시나리오를 인지하게 되었습니다.

5) Crew 실행 및 결과 출력

마지막으로, Crew를 실행하여 실제로 두 에이전트가 순차적으로 협업을 수행하게 하고, 각 태스크의 결과를 출력해보겠습니다:

# 5. 크루 실행 및 결과 출력
crew_output = crew.kickoff()

# 6. 각 태스크의 결과를 순차적으로 출력
for idx, task_output in enumerate(crew_output.tasks_output, start=1):
    print(f"\n[Task {idx} Output]\n{task_output}\n")

설명: crew.kickoff()를 호출하여 크루를 실행합니다. 이제 researcher 에이전트가 첫 번째 태스크(조사)를 수행하고, 완료되면 writer 에이전트가 두 번째 태스크(결론 작성)를 수행하게 됩니다. crew.kickoff()의 반환값을 이번에는 crew_output 변수에 저장했는데, 이 객체는 모든 태스크의 실행 결과를 담고 있는 구조입니다.

이 crew_output에는 각 태스크의 출력물이 순서대로 저장되어 있습니다. 이를 출력하기 위해 crew_output.tasks_output 리스트를 활용했습니다. tasks_output은 태스크 리스트와 동일한 순서로 결과를 가지고 있으므로, enumerate를 사용하여 [Task 1 Output], [Task 2 Output] 형태로 라벨을 붙여가며 콘솔에 출력합니다.

print(f"\n[Task {idx} Output]\n{task_output}\n") 부분은 보기 좋게 개행과 라벨을 넣어 출력하는 역할을 합니다:

• Task 1 Output 섹션에는 researcher 에이전트가 조사한 3가지 장점 목록이 출력될 것이고,
• Task 2 Output 섹션에는 writer 에이전트가 작성한 결론 단락이 출력될 것입니다.

결국 사용자(우리)는 두 단계의 결과물을 모두 확인함으로써, 에이전트들이 협업하여 작업을 완수한 최종 산출물을 얻게 됩니다.

코드의 흐름을 요약하면 다음과 같습니다:

1. 두 에이전트 정의 – (researcher, writer) 각기 다른 역할과 목표 설정
2. 두 태스크 정의 – (research_task: 조사, write_task: 작성) 및 태스크 간 context 연결 설정
3. Crew 구성 – 두 에이전트와 두 태스크를 하나의 크루로 묶고 순차 실행 설정
4. Crew 실행 – kickoff()로 먼저 researcher가 조사 수행 → 그 결과를 바탕으로 writer가 결론 작성
5. 결과 출력 – 각 태스크의 출력물을 순서대로 표시 (조사 결과 목록 + 결론 글)

이 과정을 통해 멀티 에이전트 시스템의 이점을 실감할 수 있습니다. 한 에이전트가 찾은 정보를 다른 에이전트가 활용함으로써, 혼자 할 때보다 효율적이고 전문화된 결과를 얻을 수 있습니다.

실행 방법

이제 2부의 코드를 실제로 실행해봅시다:

1. VS Code에서 02-2.researcher_writer.py 파일을 엽니다.
2. 1부 실습에서 .env 설정과 패키지 설치를 이미 완료했다면 곧바로 실행하면 됩니다. (만약 환경 설정이 안 되어 있다면 먼저 사전 요구사항의 내용을 충족시켜야 합니다.)
3. 실행: 이전과 마찬가지로 VS Code에서 Run하거나 터미널에서 python 02-2.researcher_writer.py를 실행합니다.
4. 콘솔에 verbose 로그가 쭉 출력되고, 이어서 각 태스크의 결과가 [Task 1 Output], [Task 2 Output] 섹션으로 나타날 것입니다.

verbose 로그를 켜 두었으므로 researcher 에이전트가 OpenAI API를 통해 정보를 찾아내는 과정, writer 에이전트가 결론을 작성하는 과정에서 주고받는 프롬프트와 응답 내용이 자세히 나타날 것입니다. 이러한 로그는 두 에이전트가 어떻게 협업하는지 이해하는 데 도움이 됩니다. (예를 들어, writer 에이전트의 프롬프트에 researcher의 결과가 포함되어 전달되는 것을 볼 수 있습니다.)

모든 작업이 끝나면 마지막에 우리가 print한 깔끔한 결과 요약이 등장합니다.

예상 출력 예시

아래는 실행 후 콘솔에 표시될 예상 결과물 예시입니다 (실제 출력은 매번 달라질 수 있지만, 형태는 유사할 것입니다):

[Task 1 Output]
- 작업 병렬화로 인한 **처리 속도 향상**  
  여러 에이전트가 동시에 작업을 수행하여 전체 작업 시간이 단축됩니다.
- **전문성 분담**을 통한 **성과 향상**  
  각 에이전트가 잘하는 분야의 작업을 맡아 전반적인 결과 품질이 높아집니다.
- **높은 유연성**과 **견고성**  
  한 에이전트의 실패나 한계가 있어도 다른 에이전트들이 보완하여 안정적으로 작업을 마칠 수 있습니다.

[Task 2 Output]
요약하면, 멀티 에이전트 시스템은 개별 에이전트의 강점을 모아 더욱 **효율적이고 견고한 결과**를 도출합니다. 여러 에이전트가 협력함으로써 속도와 전문성이 향상되고, 단일 에이전트로는 해결하기 어려운 복잡한 문제도 효과적으로 처리할 수 있습니다. 이러한 이유로 멀티 에이전트 접근 방식은 다양한 상황에서 **높은 효율성과 신뢰성**을 제공합니다.

위 결과 예시는 다음과 같은 내용을 보여줍니다:

• [Task 1 Output]: 연구원 에이전트가 찾아낸 "멀티 에이전트 시스템의 장점 3가지"입니다. 보시다시피 세 가지 bullet point로 정리되어 있고, 각 장점마다 굵은 키워드와 짧은 설명이 붙어 있습니다. (예시는 이해를 돕기 위해 일부 단어를 굵게 표시했지만, 실제 출력에서는 AI가 자체 형식으로 답을 줄 것입니다. 핵심은 세 가지 항목의 리스트라는 형식입니다.)
• [Task 2 Output]: 작가 에이전트가 작성한 결론 단락입니다. Task 1의 내용을 요약 및 재구성하여 두 문단 정도의 간략한 결론을 제공하고 있습니다. 예시에서는 두 문장으로 구성되어 있으며, 멀티 에이전트 시스템의 효율성, 전문성, 신뢰성 향상을 강조하는 결론을 보여주고 있습니다. 실제 출력도 이와 비슷하게 앞서 bullet 목록의 주요 포인트를 하나의 단락으로 종합한 형태가 될 것입니다.

중요한 것은 writer의 출력이 실제로 researcher의 조사 결과를 참고하여 작성되었다는 점입니다. 예시를 보면 Task 1의 bullet에 등장했던 키워드(속도 향상, 전문성, 견고성 등)가 Task 2의 결론에도 반영되어 있는 것을 알 수 있습니다. 이렇게 앞선 태스크의 컨텍스트가 다음 태스크에 전달되어 활용됨으로써, 두 에이전트가 마치 바톤을 터치하며 협업한 효과를 얻었습니다.

---

이상 2부 실습을 통해 CrewAI를 사용한 멀티 에이전트 협업을 경험해보았습니다.

결론 및 추가 팁

이번 Lab 실습에서는 CrewAI의 핵심 개념인 Agent(에이전트), Task(태스크), Crew(크루), 그리고 **Process(실행 프로세스)**의 역할을 이해하고, 간단한 시나리오에서 AI 에이전트들이 협력하여 작업을 수행하는 과정을 실습했습니다. 초급자라도 따라할 수 있도록 자세히 설명했으므로, 직접 코드를 실행해보면서 AI 에이전트들의 협업 동작을 관찰해 보셨기를 바랍니다.

추가 팁:

• 에이전트의 역할이나 목표를 변경하면 출력이 어떻게 달라지는지 실험해보세요. 예를 들어, 연구원 에이전트의 goal을 다른 주제로 바꾸거나, 작가 에이전트의 backstory를 바꾸면 결과물 어조가 달라질 수 있습니다.
• 새로운 Task를 추가하여 3명 이상의 에이전트 협업을 구성해보는 등 응용도 가능하니, CrewAI의 구조를 응용하여 다양한 시나리오를 만들어볼 수 있습니다.
• CrewAI는 여기서 다룬 것 외에도 고급 기능들(예: 에이전트 간 Tool 사용, 병렬 프로세스, 매니저 에이전트 지정 등)을 제공하고 있습니다. 추후 더 복잡한 프로젝트에 도전할 때 이러한 기능들도 학습하면 더욱 강력한 AI 에이전트 팀을 구현할 수 있습니다.

이번 실습을 통해 얻은 개념들을 바탕으로, 더 풍부한 AI 협업 실험을 이어나가길 바랍니다. Happy Crewing!