CrewAI + Ertas

Orquesta equipos de agentes de IA con CrewAI, cada uno impulsado por un modelo especializado entrenado con Ertas para ejecucion de tareas basada en roles y flujos de trabajo colaborativos.

Overview

CrewAI es un framework de orquestacion multi-agente que organiza agentes de IA en equipos con roles, objetivos e historias de fondo definidos. Inspirado en como operan los equipos humanos, CrewAI asigna a cada agente un rol especifico — investigador, escritor, editor, analista — y coordina su trabajo a traves de delegacion estructurada de tareas y patrones de ejecucion secuencial o paralela. El framework maneja comunicacion entre agentes, dependencias de tareas, comparticion de contexto y validacion de salidas automaticamente.

La filosofia de diseno de CrewAI enfatiza simplicidad y preparacion para produccion. Los agentes se definen con descripciones de rol en lenguaje natural en lugar de archivos de configuracion complejos, y las tareas especifican salidas esperadas, herramientas y reglas de delegacion en un formato declarativo. El framework soporta tanto flujos de trabajo secuenciales (donde la salida de cada agente alimenta la entrada del siguiente) como flujos de trabajo jerarquicos (donde un agente gerente delega y revisa el trabajo de agentes subordinados). Esta flexibilidad hace que CrewAI sea adecuado para todo, desde pipelines de produccion de contenido hasta flujos complejos de investigacion y analisis.

How Ertas Integrates

Los modelos entrenados con Ertas impulsan los agentes de CrewAI a traves de la interfaz estandar de configuracion de LLM. Despues de ajustar modelos especialistas en Ertas Studio — un modelo de investigacion, un modelo de escritura, un modelo de analisis — asignas cada modelo al rol de agente CrewAI correspondiente. La descripcion del rol y la historia de fondo del agente guian su comportamiento a nivel de prompt, mientras el modelo ajustado proporciona experiencia profunda del dominio a nivel de pesos. Esta especializacion de dos capas produce agentes que estan tanto bien dirigidos como genuinamente conocedores.

La combinacion CrewAI-Ertas destaca en flujos de trabajo de contenido y analisis. Considera un equipo de investigacion financiera: un agente analista de datos (entrenado en analisis de estados financieros) recopila y procesa datos de empresas, un agente investigador (entrenado en analisis de mercado) identifica tendencias y dinamicas competitivas, y un agente escritor (entrenado en estilo de memos de inversion) sintetiza todo en un informe pulido. Cada agente usa un modelo diferente entrenado con Ertas optimizado para su tarea especifica, y CrewAI coordina su trabajo para que la salida final refleje la experiencia combinada de los tres especialistas. Esto es cualitativamente diferente de pedirle a un solo modelo general que haga todo — y la calidad de la salida refleja esa diferencia.

Getting Started

1
Define los roles de tu equipo y ajusta modelos
Identifica los roles especialistas necesarios en tu equipo. Ajusta un modelo separado en Ertas Studio para cada rol usando ejemplos de entrenamiento especificos de la tarea.
2
Despliega modelos en endpoints de inferencia
Sirve tus modelos ajustados via Ollama o vLLM. Ollama puede servir multiples modelos simultaneamente, haciendolo ideal para configuraciones multi-agente.
3
Crea agentes con modelos especificos por rol
Define agentes CrewAI con sus roles, objetivos e historias de fondo. Asigna a cada agente su modelo dedicado entrenado con Ertas a traves de la configuracion de LLM.
4
Define tareas y estructura del flujo de trabajo
Crea tareas con salidas esperadas y asignalas a agentes. Configura el flujo de trabajo como secuencial, paralelo o jerarquico segun las dependencias de tareas.
5
Ejecuta el equipo e itera
Ejecuta el flujo de trabajo del equipo y revisa las salidas. Analiza que agentes necesitan mejora y reentrena sus modelos en Ertas Studio con datos de entrenamiento dirigidos.

python

from crewai import Agent, Task, Crew
from langchain_openai import ChatOpenAI

# Create specialized LLMs from Ertas-trained models
researcher_llm = ChatOpenAI(
    base_url="http://localhost:11434/v1",
    model="ertas-researcher-7b",
    api_key="not-needed",
)
writer_llm = ChatOpenAI(
    base_url="http://localhost:11434/v1",
    model="ertas-writer-7b",
    api_key="not-needed",
)

# Define agents with role-specific fine-tuned models
researcher = Agent(
    role="Market Researcher",
    goal="Gather and analyze market data for investment decisions",
    backstory="Senior equity analyst with 15 years of experience.",
    llm=researcher_llm,
)

writer = Agent(
    role="Report Writer",
    goal="Write clear, actionable investment memos",
    backstory="Financial writer specializing in institutional reports.",
    llm=writer_llm,
)

# Define tasks
research_task = Task(
    description="Research Q3 earnings for the top 5 semiconductor companies.",
    agent=researcher,
    expected_output="Structured analysis with revenue, margins, and guidance.",
)

report_task = Task(
    description="Write a 2-page investment memo based on the research.",
    agent=writer,
    expected_output="Professional investment memo with recommendation.",
)

# Run the crew
crew = Crew(agents=[researcher, writer], tasks=[research_task, report_task])
result = crew.kickoff()
print(result)

Construye un equipo de investigacion financiera con CrewAI usando diferentes modelos entrenados con Ertas para roles de investigacion y escritura.

Benefits

Especializacion de agentes basada en roles con modelos ajustados dedicados por rol
Definiciones de agentes en lenguaje natural hacen la configuracion del equipo intuitiva y rapida
Flujos de trabajo secuenciales y jerarquicos manejan procesos complejos de multiples pasos
Comparticion de contexto entre agentes asegura salidas coherentes en todo el equipo
Validacion de tareas integrada detecta errores antes de que se propaguen
Framework listo para produccion con registro, callbacks y manejo de errores