[{"data":1,"prerenderedAt":753},["ShallowReactive",2],{"blog-crewai-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":22,"sources":26,"cover":54,"og":55,"expertise":56,"locales":57,"lang":60,"title":61,"description":62,"coverAlt":63,"metaTitle":64,"takeaways":65,"faq":71,"toc":84,"blocks":109,"others":482},"crewai","2026-06-08",10,"agents",[9,10,11,12,13],"Multi-agent","Agent orchestration","Python","Flows","Token cost",[4,15,16,17,18,19,20,21],"crewai vs langgraph","crewai framework review","multi-agent framework python","crewai flows","crewai memory","crewai pricing","agent framework comparison",[23],{"name":24,"url":25},"CrewAI","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCrewAI",[27,30,33,36,39,42,45,48,51],{"title":28,"url":29},"CrewAI documentation: introduction","https:\u002F\u002Fdocs.crewai.com\u002Fen\u002Fintroduction",{"title":31,"url":32},"CrewAI on PyPI: crewai 1.15.23","https:\u002F\u002Fpypi.org\u002Fproject\u002Fcrewai\u002F",{"title":34,"url":35},"CrewAI docs: Flows","https:\u002F\u002Fdocs.crewai.com\u002Fen\u002Fconcepts\u002Fflows",{"title":37,"url":38},"CrewAI docs: Memory","https:\u002F\u002Fdocs.crewai.com\u002Fen\u002Fconcepts\u002Fmemory",{"title":40,"url":41},"CrewAI docs: tracing","https:\u002F\u002Fdocs.crewai.com\u002Fen\u002Fobservability\u002Ftracing",{"title":43,"url":44},"CrewAI pricing","https:\u002F\u002Fwww.crewai.com\u002Fpricing",{"title":46,"url":47},"GitHub: crewAIInc\u002FcrewAI","https:\u002F\u002Fgithub.com\u002FcrewAIInc\u002FcrewAI",{"title":49,"url":50},"LangGraph overview","https:\u002F\u002Fdocs.langchain.com\u002Foss\u002Fpython\u002Flanggraph\u002Foverview",{"title":52,"url":53},"AutoGen AgentChat user guide","https:\u002F\u002Fmicrosoft.github.io\u002Fautogen\u002Fstable\u002Fuser-guide\u002Fagentchat-user-guide\u002Findex.html","\u002Fimages\u002Fblog\u002Fcrewai\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcrewai\u002Fog.jpg","ai-engineer",[58,59,60],"en","de","hu","CrewAI teszt: crewsek, flow-k és a tokenelsőszlám","A CrewAI a MIT-licencsel terjesztett Python-keretrendszer többügynökös rendserekhez: crew az autonóm együttműködéshez, flow a kontrollált állapothoz. Mennyibe kerül egy menet tokenben, és hol hát.","Öt kis négyzet körben, íves nyilakkal összekötve, alattuk doboz vékony korongokkal.","CrewAI: crewsek, flow-k és a költségek · Balázs Csorba",[66,67,68,69,70],"A CrewAI 1.15.23 MIT-licencű Python 3.10-től 3.13-ig, saját futtatási korlát nélkül, extra csomagokkal toolokhoz, LiteLLM-hez, mem0-hoz, Qdranthoz és Bedrockhoz.","A crew-ek modellhívásokon keresztül delegálnak, ezért a menet költségét a topológia szabja meg: a szerep-promptok, a hierarchikus manager, három guardrail-újpróba és a memóriaelemzés mind további hívás.","A memória LanceDB vektorokban tárol, és modellt hív mentéskor és mély előhíváskor, az embedding-híváson felül.","A beépített tracing CrewAI saját backendjére megy, és fiókot kér az első futáskori hozzájárulási kérdéssel együtt; a Langfuse, a Phoenix, a Braintrust és az MLflow helyett OpenTelemetry-en át működik.","A keretrendszer akkor a legerősebb, ha a logikát a flow tartja, és egy-két ügynök végzi a nyitott munkát.",[72,75,78,81],{"q":73,"a":74},"Ingyenes a CrewAI éles használatra?","Igen. A keretrendszer MIT-licencű futtatási korlát nélkül; a költséget az ügynököd modellhívásai és a saját infrastruktúrád adja. A kereskedelmi termék, a CrewAI AMP, ingyenes Basic csomagot kínál havi 50 workflow-futtatással, az Enterprise szintet egyedi áron adják.",{"q":76,"a":77},"Függ a CrewAI a LangChaintől?","Nem. A csomagnak nincs LangChain-függősége, és önálló keretrendszerként pozicionálja magát. A modellekhez a szolgáltatói SDK-kon keresztül jut, a LiteLLM pedig a crewai[litellm] extra csomagban érhető el.",{"q":79,"a":80},"Miben különbözik a crew és a flow?","A flow @start, @listen és @router metódusokon keresztül birtokolja az állapotot és a futási sorrendet; a crew ügynökök és feladatok halmaza, amely egy flow-lépésen belül fut. A szállító saját ajánlása az, hogy flow-val indulj, és akkor delegálj egy crewnek, ha egy lépésnek autonómiára van szüksége.",{"q":82,"a":83},"Biztonságos a CrewAI memóriája érzékeny adatokhoz?","Alapból nem. A rekordok tartalma a scope, a kategória és a fontosság elemzésére elküldésre kerül a beállított LLM-nek, az alapértelmezett embedder pedig az OpenAI text-embedding-3-large. A dokumentáció érzékeny tartalomhoz lokális LLM-et és lokális embeddert, például Ollamát javasol.",[85,88,91,94,97,100,103,106],{"id":86,"title":87},"what-it-is","Mi a CrewAI",{"id":89,"title":90},"how-it-works","Hogyan fut egy menet",{"id":92,"title":93},"getting-started","Első lépések",{"id":95,"title":96},"memory-and-knowledge","Memória és knowledge",{"id":98,"title":99},"running-it-in-production","Élesben",{"id":101,"title":102},"where-it-shingles","Hol akad",{"id":104,"title":105},"verdict","Verdict",{"id":107,"title":108},"sources","Források",[110,114,117,120,123,139,140,171,177,180,181,222,224,235,250,251,262,272,275,297,298,301,305,308,352,355,358,361,364,394,395,398,435,438,439,442,454,459,460],{"type":111,"content":112},"paragraph",[113],"A CrewAI MIT-licencsel terjesztett Python-keretrendszer többügynökös rendserekhez, és a kategóriában ez a legkevésbé bonyolult: az ügynök role-t, goal-t és backstory-t kap, a feladat elvárt kimenetet, egy crew pedig ennek kettőjét néhány kódsorban összefogja. A verdictem: jól megépített, szokatlanul jól dokumentált és csendben drága. Minden szerkezeti funkció, amit a keretrendszer a puszta prompt fölé tesz, egy további modellhívásként van megvalósítva, és az éles számla pontosan ezekből áll.",{"type":111,"content":115},[116],"Ugyanaz a réteg, mint a LangGraph, az AutoGen vagy a Pydantic AI, és a verseny a kezelhetőségért folyik, nem a kontrollért. A szállító két részre bontja az ajánlatot: a PyPI-könyvtár, amely ingyenes és korlátlan, és a CrewAI AMP, egy hosztolt control plane vizuális szerkesztővel, tracinggel és governance-szel, amelyet egyedi áron adnak el. Minden alább a könyvtárra vonatkozik, mert azt telepíted.",{"type":118,"level":119,"id":86,"text":87},"heading",2,{"type":111,"content":121},[122],"A könyvtár 2023 decemberében jelent meg először a PyPI-n, és a CrewAI Inc. fejleszti nyíltan. Az 1.15.23 verzió 2026. szeptember 28-án jelent meg, Python 3.10-től 3.13-ig igényli, a repóban 59.413 csillag és 8.655 fork található. Egyetlen, körülbelül 1,2 MB-os wheelként települ, opcionális extrákkal a toolokhoz, LiteLLM-hez, mem0-hoz, Qdranthoz, Bedrockhoz, Anthropichoz és A2A-támogatáshoz.",{"type":124,"ordered":125,"items":126},"list",false,[127,129,131,133,135,137],[128],"MIT-licenc, nincs futtatási keret, és nincs futásidejű függősége a LangChaintől vagy más agent keretrendszertől.",[130],"Két réteg: a flow-k, amelyek birtokolják az állapotot és a futási sorrendet, és a crew-ek, vagyis az ügynökök csoportjai, amelyek feladatokat hajtanak végre.",[132],"Egy ügynök egy attribútumokkal rendelkező prompt: role, goal és backstory, plusz opcionális eszközlista, LLM és memóriahatókör.",[134],"A folyamatok szekvenciálisak vagy hierarchikusak. A hierarchikushoz manager-LLM kell, és a munkát modellhívásokkal delegálja.",[136],"Az eredmény lehet szöveg, JSON vagy Pydantic-modell, ami a tisztta visszaút az alkalmazáskódba.",[138],"MCP-szerverek a crewai-tools csomagon keresztül csatlakoznak az ügynökökhöz, stdio, SSE vagy streamable HTTP transzporttal.",{"type":118,"level":119,"id":89,"text":90},{"type":111,"content":141},[142,143,147,148,151,152,155,156,159,160,163,164,167,168,170],"A flow egy olyan metódusosztály, amelyet dekorátorok kötnek össze. A ",{"tag":144,"children":145},"code",[146],"@start()"," jelöli a belépési pontokat, a ",{"tag":144,"children":149},[150],"@listen()"," egy metódust egy másik eredményéhez köt, a ",{"tag":144,"children":153},[154],"@router()"," pedig elágazások közül választ, és az ",{"tag":144,"children":157},[158],"and_"," meg ",{"tag":144,"children":161},[162],"or_"," kombinálja a feltételeket. Az állaptobjektum Pydantic-modell, tehát a lépések közötti adat alakja deklarált, nem kitalált, a ",{"tag":144,"children":165},[166],"flow.plot()"," pedig kirajzolja a gráfot. Ha egyszerre több ",{"tag":144,"children":169},[146],"-metódus teljesül, azok párhuzamosan futnak.",{"type":172,"src":173,"alt":174,"wide":175,"caption":176},"image","\u002Fimages\u002Fblog\u002Fcrewai\u002Fdiagram-7.webp","Hol keletkeznek a modellhívások Négy doboz egy sorban: egy flow, amely birtokolja az állapotot és a sorrendet, egy crew, amely a feladatokat és a folyamatot tartja, egy ügynök role-ból, goalból és backstoryból, valamint a szolgáltatói API mögötti nyelvi modell. Egy nyíl visszaviszi a crew kimenetét a flow állapotába. A második sorban a memória (írás és előhívás) és az eszközök (MCP, API-k, kód) található.",true,"A pipeline olcsó, a keretrendszer nem: minden doboz egy újabb prompt, amit a modellnek el kell olvasnia, a vonal alatti dobozok pedig pontosan az a többlet, ami egy sima szkriptben nem lenne.",{"type":111,"content":178},[179],"Egy flow-lépésen belül a crew állítja össze a promptot: minden ügynök role-ja, goalja és backstoryje minden feladat elé kerül, a feladat leírása interpolálódik, és az egyik feladat kimenete a következő kontextusává válik. Egy ügynök alapból 20 iterációig fut, kétszer próbálja újra hiba esetén, és összefoglalja az üzeneteket, hogy a kontextusablakon belül maradjon. Éppen erre kell figyelni. Az alapértelmezettekkel egy négy feladatos crew már négy hosszú prompt, mielőtt bármit delegálna, a memóriás crew pedig minden előhíváshoz hozzáad egy embedding-hívást és egy modellhívást a tárolt tartalom elemzésére és összevonására.",{"type":118,"level":119,"id":92,"text":93},{"type":111,"content":182},[183,184,187,188,190,191,194,195,198,199,202,203,206,207,210,211,214,215,217,218,221],"A CLI a leggyorsabb út be. A ",{"tag":144,"children":185},[186],"uv tool install crewai"," a PATH-ra tesz egy ",{"tag":144,"children":189},[4]," binárist, a ",{"tag":144,"children":192},[193],"crewai create crew \u003Cnév>"," JSON-first projektet vázol ",{"tag":144,"children":196},[197],"agents\u002F*.jsonc"," és ",{"tag":144,"children":200},[201],"crew.jsonc"," fájlokkal, a ",{"tag":144,"children":204},[205],"crewai create flow \u003Cnév>"," pedig flow-projektet. A ",{"tag":144,"children":208},[209],"crewai install"," uv-val oldja fel a függőségeket, a ",{"tag":144,"children":212},[213],"crewai run"," lefuttatja a belépési pontot, a ",{"tag":144,"children":216},[19]," pedig terminál böngészőt nyit a tárolóhoz. A ",{"tag":144,"children":219},[220],"--classic"," flag visszaállítja a régebbi, Python osztály plusz YAML elrendezést.",{"type":144,"code":223},"from crewai import Agent, Crew, Process, Task\nfrom crewai.flow import Flow, listen, start\nfrom pydantic import BaseModel\n\n\nclass ReportState(BaseModel):\n    topic: str = \"agent memory\"\n    brief: str = \"\"\n\n\nclass ReportFlow(Flow[ReportState]):\n    @start()\n    def pick_topic(self):\n        self.state.topic = \"agent memory\"\n\n    @listen(pick_topic)\n    def research(self):\n        analyst = Agent(\n            role=\"Research analyst\",\n            goal=f\"Collect verifiable facts about {self.state.topic}\",\n            backstory=\"You read primary sources and quote them.\",\n            llm=\"openai\u002Fgpt-4o-mini\",\n        )\n        task = Task(\n            description=\"Write a brief on {topic}.\",\n            expected_output=\"Five bullets, each with a source URL.\",\n            agent=analyst,\n        )\n        crew = Crew(agents=[analyst], tasks=[task], process=Process.sequential)\n        self.state.brief = crew.kickoff(inputs={\"topic\": self.state.topic}).raw\n\nReportFlow().kickoff()",{"type":111,"content":225},[226,227,230,231,234],"Ez a normál úton legfeljebb két modellhívásba kerül: egy az ügynök reasoning- és toolsciklusába, egy a végső válaszba. Ha jön egy második ügynök, egy manager vagy memória, a szám gyorsan nő, ezért a ",{"tag":144,"children":228},[229],"crew.usage_metrics"," és a ",{"tag":144,"children":232},[233],"flow.usage_metrics"," az elsők, amiket dashboard mögé kell tenni.",{"type":236,"variant":237,"title":238,"body":239},"callout","note","A telemetria alapból be van kapcsolva",[240],[241,242,245,246,249],"Névtelen használati telemetria megy ki, hacsak a ",{"tag":144,"children":243},[244],"CREWAI_DISABLE_TELEMETRY"," nincs beállítva: csomag- és Python-verzió, operációs rendszer, ügynökök és feladatok száma, folyamat típusa, hogy van-e memória és delegálás, a modell, az ügynökszerepek és az eszköznevek. A promptok, a backstory-k és a modellválaszok kimaradnak. Az ellenkező kapcsoló a ",{"tag":144,"children":247},[248],"share_crew=True"," egy crewen, ami a feladatleírásokat, a backstory-ket, a kontextust és a kimenetet is átengedi.",{"type":118,"level":119,"id":95,"text":96},{"type":111,"content":252},[253,254,257,258,261],"A memóriát egyetlen ",{"tag":144,"children":255},[256],"Memory"," osztályba szervezték át. A rekordok LanceDB vektorok a ",{"tag":144,"children":259},[260],".crewai\u002Fmemory"," alatt, rangsorolva a szemantikus hasonlóság, a 30 napos felezési idővel mért frissesség és a mentéskor a modell által adott fontosság pontosságának keverékével. Az előhívásnak két mélysége van: a shallow tiszta vektorkeresés, nagyjából 200 ms, modellhívás nélkül, a deep előbb elemzi a kérdést, és csak 200 karakternél hosszabb kérésnél fut le. Memória esetén a crew minden feladatkimenetből tényeket von ki, és minden feladat előtt visszahívja a kontextust.",{"type":124,"ordered":125,"items":263},[264,266,268,270],[265],"A tároló alapból helyi LanceDB, és a backend egy protokoll, így másik vektortárral cserélhető.",[267],"Az alapértelmezett embedder az OpenAI text-embedding-3-large, 3.072 dimenzióval, az elemző modell alapja a gpt-4o-mini. Mindkettő állítható.",[269],"A knowledge források külön mechanizmus: ChromaDB kollekciókba kerülnek, 0,35 alapértelmezett relevanciaküszöbbel és három dokumentummal lekérdezésenként.",[271],"Az írások háttérszálon futnak, az előhívás megvárja őket, így a menet végén nem vész el semmi, de az elemzés tokenbe kerül.",{"type":111,"content":273},[274],"A memória az a rész, amit adatvédelmi átnézés előtt el kell olvasni. A dokumentáció világosan kimondja, hogy a rekordok tartalma elküldésre kerül a beállított LLM-nek a scope, a kategória és a fontosság elemzésére, így minden érzékeny adathoz lokális modell kell mindkét oldalon, az LLM-en és az embedderen is.",{"type":236,"variant":276,"title":277,"body":278},"warn","Ellenőrizd az embedding dimenziókat",[279],[280,281,284,285,288,289,292,293,296],"A memória alapértelmezett embeddere a ",{"tag":144,"children":282},[283],"text-embedding-3-large"," 3.072 dimenzióval. A régebben ",{"tag":144,"children":286},[287],"text-embedding-3-small"," vagy ",{"tag":144,"children":290},[291],"text-embedding-ada-002"," modellel, 1.536 dimenzióval írt tároló olvasáskor elhasal. A dokumentált megoldások: ",{"tag":144,"children":294},[295],"crewai reset-memories -m",", a tárolókönyvtár törlése, vagy a régebbi modell explicit beállítása a migrációig.",{"type":118,"level":119,"id":98,"text":99},{"type":111,"content":299},[300],"A könyvtár gyorsan mozog. Stabil kiadások érkeztek szeptember 9-én, 16-án és 28-án, a dev előkiadások pedig naponta, szóval hosszú életű rendszerben a pinelés nem opcionális. A repóban 570 nyitott issue van, és ugyanaz a disztribúció ma már az open source futtatókörnyezetet és a hosztolt platform kliensét is hordozza, ezért egy changelog-bejegyzésben SQLite-javítás és platformfunkció is egymás mellé kerülhet.",{"type":118,"level":302,"id":303,"text":304},3,"observability","Megfigyelhetőség",{"type":111,"content":306},[307],"A beépített tracinget érdemes alaposabban megnézni. Alapból ki van kapcsolva, és a telemetriától külön konfigurálható, de a cél CrewAI saját szervere: kell hozzá egy ingyenes AMP-fiók, hitelesített CLI, és az első futáskor a folyamat rákérdez, hogy megosztható-e az execution trace. A trace-ek promptokat, bemeneteket és kimeneteket tartalmaznak, a helyi puffer pedig 1.000 spánt tart, mielőtt a legrégebbiek kidőlnek. Saját hosztoláshoz az OpenTelemetry-integrációk a jobb alapértelmezés, és a dokumentáció kész útvonalakat ad a Langfuse, az Arize Phoenix, a Braintrust, a Datadog, az MLflow, az Opik, a Patronus, a Portkey, a Weave és a Galileo számára.",{"type":124,"ordered":125,"items":309},[310,316,325,339],[311,312,315],"Állítsd be a ",{"tag":144,"children":313},[314],"CREWAI_DISABLE_TELEMETRY=1"," értéket, ha nincs okod névtelen használati adatot küldeni a szállítónak.",[317,318,230,321,324],"Az első futás tracingje a terminálban kér engedélyt, és eldobja a puffert, ha senki nem válaszol; a ",{"tag":144,"children":319},[320],"crewai traces enable",{"tag":144,"children":322},[323],"crewai traces disable"," később módosítja ezt.",[326,327,330,331,334,335,338],"A ",{"tag":144,"children":328},[329],"kickoff_async()"," csak szálba csomagolja a szinkron futást. Az ",{"tag":144,"children":332},[333],"akickoff()"," és az ",{"tag":144,"children":336},[337],"akickoff_for_each()"," a natív async útvonalak, és ezek valók terhelés alatt.",[326,340,343,344,347,348,351],{"tag":144,"children":341},[342],"@persist"," alapból helyi SQLite adatbázisba írja a flow állapotát. A ",{"tag":144,"children":345},[346],"restore_from_state_id"," elágaztat egy futást egy mentett pillanatképből, míg a ",{"tag":144,"children":349},[350],"kickoff(inputs={\"id\": ...})"," az eredetit folytatja.",{"type":118,"level":302,"id":353,"text":354},"guardrails","Guardrail-ek",{"type":111,"content":356},[357],"A task guardrail-eknek két formája van. Egy Python callable megkapja a feladat kimenetét és egy ítéletet ad vissza, egy egyszerű stringből pedig LLM guardrail lesz, amely az ügynök saját modelljével értékeli a kimenetet. Az újrapróbálások alapértéke három, így egy soha nem átmenő guardrail háromszorosára emelheti egy feladat költségét, mielőtt bármi eszkalálódna. A guardrail-ek a kimenetet validálják; nem védőfal az eszközhívások körül, és egy tool eredményében érkező prompt injection simán átesik rajtuk.",{"type":118,"level":302,"id":359,"text":360},"licence-and-cost","Licenc és költség",{"type":111,"content":362},[363],"A licenc a könnyű rész. A CrewAI MIT-licencű, futtatási korlát nélkül, és der Framework maga csak annyival járul hozzá a költséghez, amennyi modellforgalmat a saját funkciói generálnak. A fizetős termék a CrewAI AMP: ingyenes Basic csomag havi 50 workflow-futtatással, és egyedi áron egyeztetett Enterprise szint.",{"type":365,"head":366,"rows":373},"table",[367,369,371],[368],"Mit futtatsz",[370],"Ár",[372],"Mit tartalmaz",[374,381,387],[375,377,379],[376],"CrewAI OSS",[378],"Ingyenes",[380],"Nincs futtatási keret. A modellhívásokat, az eszközöket és a saját infrastruktúrádat te fizeted.",[382,384,385],[383],"CrewAI AMP Basic",[378],[386],"50 workflow-futtatás havonta, vizuális szerkesztő, GitHub szinkron, tracing és OpenTelemetry.",[388,390,392],[389],"CrewAI AMP Enterprise",[391],"Egyedi árajánlat",[393],"SSO, RBAC, workload identity, PII-redakció, saját VPC vagy on-prem, 45 napos onboarding.",{"type":118,"level":119,"id":101,"text":102},{"type":111,"content":396},[397],"A gyengeségek strukturálisak, és érdemes őket a bármilyen összehasonlítás előtt kimondani. Az absztrakció minden rétege egy prompt: a role, a goal és a backstory minden feladat elé kerül, tehát a kontextus a crewwel együtt nő, a keretrendszer alapértelmezései pedig, húsz iteráció, három guardrail-újrapróbálás és memóriaelemzés mentéskor és előhíváskor, separat számlázódnak. A delegálás és a hierarchikus manager a legrosszabb tételek, mert minden ugrás egy újabb modellhívás, amelynek egyetlen feladata eldönteni, ki dolgozik legközelebb. A Python az egyetlen futtatókörnyezet, egy olyan kategóriában, ahol a körülvevő alkalmazás gyakran TypeScript. A fizetős platformon kívül pedig a hibakeresés a napló kimenetére támaszkodik, ami gyengébb, mint egy gráf-futtató, amely újrajátszhatja a hibás csomópontot.",{"type":365,"head":399,"rows":408},[400,402,404,406],[401],"Keretrendszer",[403],"Hogyan van bekötve a munka",[405],"Költség feladatonként",[407],"Hibakeresés",[409,417,426],[410,411,413,415],[24],[412],"Szerepek és feladatok; a flow tartja az állapotot és a sorrendet",[414],"A legmagasabb: a delegálás, a memóriaelemzés és a guardrail-újrapróbálás modellhívásokat ad hozzá",[416],"Az AMP trace-ekhez fiók kell; OpenTelemetry hookok Langfuse, Phoenix, Braintrust, MLflow felé",[418,420,422,424],[419],"LangGraph",[421],"Explicit gráf, típusos állapot, checkpointok",[423],"A legalacsonyabb: a routing sima Python",[425],"LangSmith trace-ek, checkpoint-újrajátszás bármely csomópontból",[427,429,431,433],[428],"AutoGen",[430],"Beszélgető csapatok mintákkal és leállási feltételekkel",[432],"Magas és nyitott, ha nem állítasz be turn limitet",[434],"AgentChat naplózás; a GraphFlow irányított gráfot ad hozzá",{"type":111,"content":436},[437],"A LangGraph jobb eszköz egy fix éles pipeline-hoz, amely hurkokat és checkpointokat használ, és a költségen is nyer, mert a routing sima Python. Az AutoGen jobb eszköz a nyílt beszélgetéshez. A CrewAI ott nyer, ahol ez számít: ha a rendszert át kell adni annak, aki nem mérnök. A szókészlet egy állásleírás, a JSONC vagy YAML konfiguráció pedig olvasható. A szállító saját dokumentációja LangGraphből CrewAI-be vezető migrációs útmutatót és összehasonlító notebookokat is tartalmaz, amit szerződés előtt jó tudni.",{"type":118,"level":119,"id":104,"text":105},{"type":111,"content":440},[441],"A CrewAI jó alapértelmezés azoknak a csapatoknak, akik ügynök alakú kódot akarnak kézzel bekötött gráf nélkül, és rossz alapértelmezés mindenhol, ahol a tokenelsőszlám a szűk keresztmetszet. A keretrendszer kompetens, a dokumentációja jobb a versenytársakénál, és a flow réteg önmagában is megérdemli a helyét. Az ár az, hogy az autonómia modellhívásokként van kifejezve, és a keretrendszer szívesen megteszi ezeket helyetted.",{"type":124,"ordered":175,"items":443},[444,446,448,450,452],[445],"Vedd fel, ha a pipeline nagyrészt lineáris, és az drága rész egy vagy két nyitott lépés. Tartsd kicsin a crew-et, és a logikát hagyd a flow-ban.",[447],"Vedd fel, ha nem mérnököknek kell olvasniuk vagy szerkeszteniük a konfigurációt, mert egy role, egy goal és egy YAML fájl könnyebben átnézhető, mint egy csomópontgráf.",[449],"Ne vedd fel fix, nagy volumenű pipeline-hoz, ahol minden ugrás egy sima függvényhívás. A koordinációs többlet olyan rugalmasságot vásárol, amit ilyen pipeline soha nem használ.",[451],"Ne vedd fel, ha első naptól kell checkpoint-újrajátszás és költség csomópontonként, anélkül, hogy fizetnél a platformért vagy magad kötnéd be az OpenTelemetryt.",[453],"Mérj, mielőtt megtartod: tedd az usage_metrics-et dashboard mögé az első héten, és hasonlítsd össze a crew-et ugyanazokkal a lépésekkel, sima flow-ként megírva.",{"type":236,"variant":276,"title":455,"body":456},"A segítség ára",[457],[458],"A hierarchikus crew memóriával és LLM guardrail-ekkel több tokent költhet el döntésre és emlékezésre, mint magára a munkára. Ez a design, nem hiba. Budgeteld, vagy kapcsold ki a funkciókat.",{"type":118,"level":119,"id":107,"text":108},{"type":124,"ordered":175,"items":461},[462],[463,466,468,470,472,474,476,478,480],{"tag":464,"href":29,"children":465},"a",[28],{"tag":464,"href":32,"children":467},[31],{"tag":464,"href":35,"children":469},[34],{"tag":464,"href":38,"children":471},[37],{"tag":464,"href":41,"children":473},[40],{"tag":464,"href":44,"children":475},[43],{"tag":464,"href":47,"children":477},[46],{"tag":464,"href":50,"children":479},[49],{"tag":464,"href":53,"children":481},[52],[483,542,615,685],{"slug":484,"published":485,"minutes":486,"category":7,"tags":487,"keywords":493,"about":504,"sources":514,"cover":536,"og":537,"expertise":56,"locales":538,"lang":60,"title":539,"description":540,"coverAlt":541},"agent-tool-design-descriptions-errors","2026-10-17",11,[488,489,490,491,492],"AI agents","Tool use","Function calling","MCP","Agent design",[494,495,496,497,498,499,500,501,502,503],"agent tool design","writing tool descriptions for llm","function calling best practices","tool use error handling","mcp tool design","tool calling is_error","how many tools should an agent have","tool search defer_loading","agent computer interface","llm tool schema design",[505,508,511],{"name":506,"url":507},"Intelligent agent","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FIntelligent_agent",{"name":509,"url":510},"Model Context Protocol","https:\u002F\u002Fmodelcontextprotocol.io\u002F",{"name":512,"url":513},"Poka-yoke","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPoka-yoke",[515,518,521,524,527,530,533],{"title":516,"url":517},"Anthropic Engineering: Writing effective tools for agents, with agents (Sep 2025)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fwriting-tools-for-agents",{"title":519,"url":520},"Anthropic Engineering: Building effective agents (Dec 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents",{"title":522,"url":523},"Claude Platform Docs: Define tools","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Fdefine-tools",{"title":525,"url":526},"Claude Platform Docs: Handle tool calls","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Fhandle-tool-calls",{"title":528,"url":529},"Claude Platform Docs: Tool search tool","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Ftool-search-tool",{"title":531,"url":532},"Model Context Protocol specification 2025-11-25: Tools","https:\u002F\u002Fmodelcontextprotocol.io\u002Fspecification\u002F2025-11-25\u002Fserver\u002Ftools",{"title":534,"url":535},"OpenAI API Docs: Function calling","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ffunction-calling","\u002Fimages\u002Fblog\u002Fagent-tool-design-descriptions-errors\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fagent-tool-design-descriptions-errors\u002Fog.jpg",[58,59,60],"Eszközök tervezése AI-ágenseknek: nevek, leírások, sémák és hibaüzenetek","Ágenseszközök, amelyeket jól választ és hív a modell: feladatra szabott eszközök, leírások, sémák, tömör válaszok és használható hibaüzenetek.","Három réssel ellátott alapzat; a középső rés fölött pontosan illeszkedő blokk áll, mellette két rossz szélességű blokk.",{"slug":543,"published":485,"minutes":486,"category":7,"tags":544,"keywords":550,"about":563,"sources":573,"cover":609,"og":610,"expertise":56,"locales":611,"lang":60,"title":612,"description":613,"coverAlt":614},"coding-agents-legacy-codebase-migration",[545,546,547,548,549],"Legacy migration","Coding agents","Strangler fig","Testing","Code review",[551,552,553,554,555,556,557,558,559,560,561,562],"legacy code migration ai","coding agent legacy codebase","strangler fig pattern ai","characterization tests legacy code","ai code migration review","agent assisted refactoring","legacy modernization coding agent","differential testing migration","shadow traffic migration","ai code review gate","test harness before migration","llm code migration",[564,567,570],{"name":565,"url":566},"Legacy code","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLegacy_code",{"name":568,"url":569},"Characterization test","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCharacterization_test",{"name":571,"url":572},"Strangler fig pattern","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FStrangler_fig_pattern",[574,577,579,582,585,588,591,594,597,600,603,606],{"title":575,"url":576},"Martin Fowler: Strangler Fig (2024)","https:\u002F\u002Fmartinfowler.com\u002Fbliki\u002FStranglerFigApplication.html",{"title":578,"url":569},"Wikipedia: Characterization test",{"title":580,"url":581},"Google Research: Accelerating code migrations with AI (2024)","https:\u002F\u002Fresearch.google\u002Fblog\u002Faccelerating-code-migrations-with-ai\u002F",{"title":583,"url":584},"Ziftci et al.: Migrating Code At Scale With LLMs At Google (arXiv 2504.09691)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.09691",{"title":586,"url":587},"Anthropic: Effective harnesses for long-running agents (2025)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents",{"title":589,"url":590},"Anthropic: Redesigning source control at Anthropic (2026)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fredesigning-source-control",{"title":592,"url":593},"METR: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity","https:\u002F\u002Fmetr.org\u002Fblog\u002F2025-07-10-early-2025-ai-experienced-os-dev-study\u002F",{"title":595,"url":596},"Chand et al.: Why Industry Migrates and When It Trusts LLMs (ESEM 2026)","https:\u002F\u002Fdrops.dagstuhl.de\u002Fentities\u002Fdocument\u002F10.4230\u002FLIPIcs.ESEM.2026.85",{"title":598,"url":599},"Li et al.: Environment-in-the-Loop: Rethinking Code Migration with LLM-based Agents (arXiv 2602.09944)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2602.09944",{"title":601,"url":602},"AWS: Amazon Q Developer just reached a $260 million dollar milestone (2024)","https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fdevops\u002Famazon-q-developer-just-reached-a-260-million-dollar-milestone\u002F",{"title":604,"url":605},"OpenAI: Why SWE-bench Verified no longer measures frontier coding capabilities (2026)","https:\u002F\u002Fopenai.com\u002Findex\u002Fwhy-we-no-longer-evaluate-swe-bench-verified\u002F",{"title":607,"url":608},"GitHub Docs: About GitHub Copilot cloud agent","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fconcepts\u002Fagents\u002Fcoding-agent\u002Fabout-coding-agent","\u002Fimages\u002Fblog\u002Fcoding-agents-legacy-codebase-migration\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcoding-agents-legacy-codebase-migration\u002Fog.jpg",[58,59,60],"Legacy kódbázis migrálása coding agentekkel: strangler fig playbook","Hogyan dolgozik coding agent egy legacy migráción: characterization tesztek először, egy seam feladatonként, review gate-ek és differenciális ellenőrzés.","Rétegek halmaza, a felső kettőt újak váltják, mellettük varrat és pipa.",{"slug":616,"published":485,"minutes":617,"category":7,"tags":618,"keywords":622,"about":634,"sources":644,"cover":679,"og":680,"expertise":56,"locales":681,"lang":60,"title":682,"description":683,"coverAlt":684},"background-agents-async-pr-workflow",12,[546,619,620,549,621],"Pull requests","CI","Automation",[623,624,625,626,627,628,629,630,631,632,633],"background coding agent","async coding agent","cloud coding agent pull request","copilot coding agent limits","codex cloud tasks","claude code cloud sessions","jules coding agent limits","agent pull request review","coding agent sandbox","agent CI gating","cost per merged pull request",[635,638,641],{"name":636,"url":637},"Software agent","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSoftware_agent",{"name":639,"url":640},"Pull request","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDistributed_version_control",{"name":642,"url":643},"Continuous integration","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FContinuous_integration",[645,646,649,652,655,658,661,664,667,670,673,676],{"title":607,"url":608},{"title":647,"url":648},"GitHub Docs: Risks and mitigations for Copilot cloud agent","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fconcepts\u002Fagents\u002Fcloud-agent\u002Frisks-and-mitigations",{"title":650,"url":651},"OpenAI Developers: Codex cloud environments","https:\u002F\u002Fdevelopers.openai.com\u002Fcodex\u002Fcloud\u002Fenvironments",{"title":653,"url":654},"Anthropic: Use Claude Code in the cloud","https:\u002F\u002Fcode.claude.com\u002Fdocs\u002Fen\u002Fclaude-code-on-the-web",{"title":656,"url":657},"Google Jules: Limits and plans","https:\u002F\u002Fjules.google\u002Fdocs\u002Fusage-limits\u002F",{"title":659,"url":660},"Google Jules: Getting started","https:\u002F\u002Fjules.google\u002Fdocs\u002F",{"title":662,"url":663},"GitHub Docs: About protected branches","https:\u002F\u002Fdocs.github.com\u002Fen\u002Frepositories\u002Fconfiguring-branches-and-merges-in-your-repository\u002Fmanaging-protected-branches\u002Fabout-protected-branches",{"title":665,"url":666},"GitHub Docs: Models and pricing for GitHub Copilot","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Freference\u002Fcopilot-billing\u002Fmodels-and-pricing",{"title":668,"url":669},"OpenAI Developers: Codex pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fcodex\u002Fpricing",{"title":671,"url":672},"Ehsani et al.: Where Do AI Coding Agents Fail? An Empirical Study of Failed Agentic Pull Requests in GitHub (MSR 2026, arXiv 2601.15195)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2601.15195",{"title":674,"url":675},"Peralta et al.: Why Are Agentic Pull Requests Merged or Rejected? An Empirical Study (MSR 2026, arXiv 2605.22534)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2605.22534",{"title":677,"url":678},"DORA: State of AI-assisted Software Development 2025","https:\u002F\u002Fdora.dev\u002Fdora-report-2025","\u002Fimages\u002Fblog\u002Fbackground-agents-async-pr-workflow\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fbackground-agents-async-pr-workflow\u002Fog.jpg",[58,59,60],"Háttérben futó kódoló ügynökök: PR-ek, sorok és review","Hogyan sorakoztatnak feladatokba az aszinkron kódoló ügynökök, hogyan futnak sandboxban, nyitnak draft PR-t és mennek át a CI-n. Limitek, költségek, review.","Egy kártya a tálcán öt mezőre ágazik, a nyilak egy kapu mögötti laphoz vezetnek.",{"slug":686,"published":687,"minutes":6,"category":7,"tags":688,"keywords":694,"about":706,"sources":714,"cover":747,"og":748,"expertise":56,"locales":749,"lang":60,"title":750,"description":751,"coverAlt":752},"context-rot-compaction-long-running-agents","2026-10-16",[689,690,691,692,693],"Context rot","Compaction","Context engineering","Long-running agents","Agent memory",[695,696,697,698,699,700,701,702,703,704,705],"context rot","context rot LLM","compaction AI agents","context engineering","long-running agents context window","Claude compaction API","context editing clear tool results","OpenAI responses compaction","lost in the middle LLM","agent context management","sub-agents context isolation",[707,710,713],{"name":708,"url":709},"Context window","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Context_window",{"name":711,"url":712},"Attention (machine learning)","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAttention_(machine_learning)",{"name":506,"url":507},[715,718,721,724,727,729,732,735,738,741,744],{"title":716,"url":717},"Chroma: Context Rot: How Increasing Input Tokens Impacts LLM Performance (Jul 2025)","https:\u002F\u002Fresearch.trychroma.com\u002Fcontext-rot",{"title":719,"url":720},"Liu et al.: Lost in the Middle: How Language Models Use Long Contexts (2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.03172",{"title":722,"url":723},"Modarressi et al.: NoLiMa: Long-Context Evaluation Beyond Literal Matching (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.05167",{"title":725,"url":726},"Anthropic: Effective context engineering for AI agents (Sep 2025)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"title":728,"url":587},"Anthropic: Effective harnesses for long-running agents (Nov 2025)",{"title":730,"url":731},"Claude API docs: Compaction at a token threshold","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fbuild-with-claude\u002Fcompaction-threshold",{"title":733,"url":734},"Claude API docs: Compaction on demand","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fbuild-with-claude\u002Fcompaction-on-demand",{"title":736,"url":737},"Claude API docs: Context editing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fbuild-with-claude\u002Fcontext-editing",{"title":739,"url":740},"Claude API docs: Memory tool","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Fmemory-tool",{"title":742,"url":743},"OpenAI API docs: Compaction","https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fguides\u002Fcompaction",{"title":745,"url":746},"Cognition: Don't Build Multi-Agents","https:\u002F\u002Fcognition.ai\u002Fblog\u002Fdont-build-multi-agents","\u002Fimages\u002Fblog\u002Fcontext-rot-compaction-long-running-agents\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontext-rot-compaction-long-running-agents\u002Fog.jpg",[58,59,60],"Kontextusromlás hosszan futó ügynököknél: törlés, tömörítés, memória és al-ügynökök","Miért romlik az LLM pontossága a kontextus növekedésével, és hogyan tartja pályán a hosszú ügynökfutást a törlés, a tömörítés, a jegyzet és az al-ügynök.","Egy kis négyzetes prés magas lappköteget nyom rövidre, közben két jegyzet ágazik le.",1792261159858]