[{"data":1,"prerenderedAt":722},["ShallowReactive",2],{"tool-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,"url":64,"pricing":65,"kind":66,"metaTitle":67,"takeaways":68,"faq":74,"toc":87,"blocks":112,"others":489},"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.","Ábra: egy CrewAI flow, amely egy ügynökökből álló crew-et irányít, amely a nyelvi modellt, a memóriát és az eszközöket hívja.","https:\u002F\u002Fwww.crewai.com","MIT · enterprise paid","Agent framework","CrewAI: crewsek, flow-k és a költségek · Balázs Csorba",[69,70,71,72,73],"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.",[75,78,81,84],{"q":76,"a":77},"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":79,"a":80},"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":82,"a":83},"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":85,"a":86},"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.",[88,91,94,97,100,103,106,109],{"id":89,"title":90},"what-it-is","Mi a CrewAI",{"id":92,"title":93},"how-it-works","Hogyan fut egy menet",{"id":95,"title":96},"getting-started","Első lépések",{"id":98,"title":99},"memory-and-knowledge","Memória és knowledge",{"id":101,"title":102},"running-it-in-production","Élesben",{"id":104,"title":105},"where-it-shingles","Hol akad",{"id":107,"title":108},"verdict","Verdict",{"id":110,"title":111},"sources","Források",[113,117,120,123,126,142,143,174,183,186,187,228,230,241,256,257,268,278,281,303,304,307,311,314,358,361,364,367,370,400,401,404,441,444,445,448,461,466,467],{"type":114,"content":115},"paragraph",[116],"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":114,"content":118},[119],"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":121,"level":122,"id":89,"text":90},"heading",2,{"type":114,"content":124},[125],"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":127,"ordered":128,"items":129},"list",false,[130,132,134,136,138,140],[131],"MIT-licenc, nincs futtatási keret, és nincs futásidejű függősége a LangChaintől vagy más agent keretrendszertől.",[133],"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.",[135],"Egy ügynök egy attribútumokkal rendelkező prompt: role, goal és backstory, plusz opcionális eszközlista, LLM és memóriahatókör.",[137],"A folyamatok szekvenciálisak vagy hierarchikusak. A hierarchikushoz manager-LLM kell, és a munkát modellhívásokkal delegálja.",[139],"Az eredmény lehet szöveg, JSON vagy Pydantic-modell, ami a tisztta visszaút az alkalmazáskódba.",[141],"MCP-szerverek a crewai-tools csomagon keresztül csatlakoznak az ügynökökhöz, stdio, SSE vagy streamable HTTP transzporttal.",{"type":121,"level":122,"id":92,"text":93},{"type":114,"content":144},[145,146,150,151,154,155,158,159,162,163,166,167,170,171,173],"A flow egy olyan metódusosztály, amelyet dekorátorok kötnek össze. A ",{"tag":147,"children":148},"code",[149],"@start()"," jelöli a belépési pontokat, a ",{"tag":147,"children":152},[153],"@listen()"," egy metódust egy másik eredményéhez köt, a ",{"tag":147,"children":156},[157],"@router()"," pedig elágazások közül választ, és az ",{"tag":147,"children":160},[161],"and_"," meg ",{"tag":147,"children":164},[165],"or_"," kombinálja a feltételeket. Az állaptobjektum Pydantic-modell, tehát a lépések közötti adat alakja deklarált, nem kitalált, a ",{"tag":147,"children":168},[169],"flow.plot()"," pedig kirajzolja a gráfot. Ha egyszerre több ",{"tag":147,"children":172},[149],"-metódus teljesül, azok párhuzamosan futnak.",{"type":175,"attrs":176,"inner":180,"caption":181},"diagram",{"viewBox":177,"role":178,"aria-labelledby":179},"0 0 720 296","img","d1-crew-t d1-crew-d","\u003Ctitle id=\"d1-crew-t\">Hol keletkeznek a modellhívások\u003C\u002Ftitle>\u003Cdesc id=\"d1-crew-d\">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.\u003C\u002Fdesc>\u003Ctext x=\"20\" y=\"26\" class=\"d-title\">Hol keletkeznek a modellhívások\u003C\u002Ftext>\u003Ctext x=\"700\" y=\"26\" text-anchor=\"end\" class=\"d-label\">minden doboz a keretrendszer promptja\u003C\u002Ftext>\u003Crect x=\"20\" y=\"52\" width=\"155\" height=\"64\" rx=\"10\" class=\"d-accent\" \u002F>\u003Ctext x=\"97.5\" y=\"80\" text-anchor=\"middle\" class=\"d-text\">Flow\u003C\u002Ftext>\u003Ctext x=\"97.5\" y=\"101\" text-anchor=\"middle\" class=\"d-small\">állapot és sorrend\u003C\u002Ftext>\u003Cpath d=\"M175 84 H213\" class=\"d-line\" \u002F>\u003Cpath d=\"M222 84 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"222\" y=\"52\" width=\"155\" height=\"64\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"299.5\" y=\"80\" text-anchor=\"middle\" class=\"d-text\">Crew\u003C\u002Ftext>\u003Ctext x=\"299.5\" y=\"101\" text-anchor=\"middle\" class=\"d-small\">feladatok és folyamat\u003C\u002Ftext>\u003Cpath d=\"M377 84 H415\" class=\"d-line\" \u002F>\u003Cpath d=\"M424 84 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"424\" y=\"52\" width=\"155\" height=\"64\" rx=\"10\" class=\"d-sky\" \u002F>\u003Ctext x=\"501.5\" y=\"80\" text-anchor=\"middle\" class=\"d-text\">Agent\u003C\u002Ftext>\u003Ctext x=\"501.5\" y=\"101\" text-anchor=\"middle\" class=\"d-small\">szerep, cél, történet\u003C\u002Ftext>\u003Cpath d=\"M579 84 H617\" class=\"d-line-accent\" \u002F>\u003Cpath d=\"M626 84 l-9 -5 v10 z\" class=\"d-head-accent\" \u002F>\u003Crect x=\"626\" y=\"52\" width=\"74\" height=\"64\" rx=\"10\" class=\"d-accent\" \u002F>\u003Ctext x=\"663\" y=\"80\" text-anchor=\"middle\" class=\"d-text\">LLM\u003C\u002Ftext>\u003Ctext x=\"663\" y=\"101\" text-anchor=\"middle\" class=\"d-small\">API\u003C\u002Ftext>\u003Cpath d=\"M299.5 116 V138 H97.5 V120\" class=\"d-line d-dash\" \u002F>\u003Cpath d=\"M97.5 111 l-5 9 h10 z\" class=\"d-head\" \u002F>\u003Ctext x=\"360\" y=\"132\" class=\"d-label\">A CrewOutput visszafolyik az állapotba\u003C\u002Ftext>\u003Cpath d=\"M663 116 V158 H299.5 V182\" class=\"d-line-accent\" \u002F>\u003Cpath d=\"M299.5 182 l-5 9 h10 z\" class=\"d-head-accent\" \u002F>\u003Crect x=\"222\" y=\"190\" width=\"155\" height=\"58\" rx=\"10\" class=\"d-mint\" \u002F>\u003Ctext x=\"299.5\" y=\"215\" text-anchor=\"middle\" class=\"d-text\">Memory\u003C\u002Ftext>\u003Ctext x=\"299.5\" y=\"236\" text-anchor=\"middle\" class=\"d-small\">írás és előhívás\u003C\u002Ftext>\u003Cpath d=\"M501.5 116 V182\" class=\"d-line-accent\" \u002F>\u003Cpath d=\"M501.5 182 l-5 9 h10 z\" class=\"d-head-accent\" \u002F>\u003Crect x=\"424\" y=\"190\" width=\"155\" height=\"58\" rx=\"10\" class=\"d-gold\" \u002F>\u003Ctext x=\"501.5\" y=\"215\" text-anchor=\"middle\" class=\"d-text\">Tools\u003C\u002Ftext>\u003Ctext x=\"501.5\" y=\"236\" text-anchor=\"middle\" class=\"d-small\">MCP, API-k, kód\u003C\u002Ftext>\u003Ctext x=\"20\" y=\"278\" class=\"d-small\">Minden ugrás modellhívás: ügynöklép, delegálás, guardrail-újrapróba, memóriaelemzés.\u003C\u002Ftext>",[182],"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":114,"content":184},[185],"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":121,"level":122,"id":95,"text":96},{"type":114,"content":188},[189,190,193,194,196,197,200,201,204,205,208,209,212,213,216,217,220,221,223,224,227],"A CLI a leggyorsabb út be. A ",{"tag":147,"children":191},[192],"uv tool install crewai"," a PATH-ra tesz egy ",{"tag":147,"children":195},[4]," binárist, a ",{"tag":147,"children":198},[199],"crewai create crew \u003Cnév>"," JSON-first projektet vázol ",{"tag":147,"children":202},[203],"agents\u002F*.jsonc"," és ",{"tag":147,"children":206},[207],"crew.jsonc"," fájlokkal, a ",{"tag":147,"children":210},[211],"crewai create flow \u003Cnév>"," pedig flow-projektet. A ",{"tag":147,"children":214},[215],"crewai install"," uv-val oldja fel a függőségeket, a ",{"tag":147,"children":218},[219],"crewai run"," lefuttatja a belépési pontot, a ",{"tag":147,"children":222},[19]," pedig terminál böngészőt nyit a tárolóhoz. A ",{"tag":147,"children":225},[226],"--classic"," flag visszaállítja a régebbi, Python osztály plusz YAML elrendezést.",{"type":147,"code":229},"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":114,"content":231},[232,233,236,237,240],"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":147,"children":234},[235],"crew.usage_metrics"," és a ",{"tag":147,"children":238},[239],"flow.usage_metrics"," az elsők, amiket dashboard mögé kell tenni.",{"type":242,"variant":243,"title":244,"body":245},"callout","note","A telemetria alapból be van kapcsolva",[246],[247,248,251,252,255],"Névtelen használati telemetria megy ki, hacsak a ",{"tag":147,"children":249},[250],"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":147,"children":253},[254],"share_crew=True"," egy crewen, ami a feladatleírásokat, a backstory-ket, a kontextust és a kimenetet is átengedi.",{"type":121,"level":122,"id":98,"text":99},{"type":114,"content":258},[259,260,263,264,267],"A memóriát egyetlen ",{"tag":147,"children":261},[262],"Memory"," osztályba szervezték át. A rekordok LanceDB vektorok a ",{"tag":147,"children":265},[266],".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":127,"ordered":128,"items":269},[270,272,274,276],[271],"A tároló alapból helyi LanceDB, és a backend egy protokoll, így másik vektortárral cserélhető.",[273],"Az alapértelmezett embedder az OpenAI text-embedding-3-large, 3.072 dimenzióval, az elemző modell alapja a gpt-4o-mini. Mindkettő állítható.",[275],"A knowledge források külön mechanizmus: ChromaDB kollekciókba kerülnek, 0,35 alapértelmezett relevanciaküszöbbel és három dokumentummal lekérdezésenként.",[277],"Az írások háttérszálon futnak, az előhívás megvárja őket, így a menet végén nem vész el semmi, de az elemzés tokenbe kerül.",{"type":114,"content":279},[280],"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":242,"variant":282,"title":283,"body":284},"warn","Ellenőrizd az embedding dimenziókat",[285],[286,287,290,291,294,295,298,299,302],"A memória alapértelmezett embeddere a ",{"tag":147,"children":288},[289],"text-embedding-3-large"," 3.072 dimenzióval. A régebben ",{"tag":147,"children":292},[293],"text-embedding-3-small"," vagy ",{"tag":147,"children":296},[297],"text-embedding-ada-002"," modellel, 1.536 dimenzióval írt tároló olvasáskor elhasal. A dokumentált megoldások: ",{"tag":147,"children":300},[301],"crewai reset-memories -m",", a tárolókönyvtár törlése, vagy a régebbi modell explicit beállítása a migrációig.",{"type":121,"level":122,"id":101,"text":102},{"type":114,"content":305},[306],"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":121,"level":308,"id":309,"text":310},3,"observability","Megfigyelhetőség",{"type":114,"content":312},[313],"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":127,"ordered":128,"items":315},[316,322,331,345],[317,318,321],"Állítsd be a ",{"tag":147,"children":319},[320],"CREWAI_DISABLE_TELEMETRY=1"," értéket, ha nincs okod névtelen használati adatot küldeni a szállítónak.",[323,324,236,327,330],"Az első futás tracingje a terminálban kér engedélyt, és eldobja a puffert, ha senki nem válaszol; a ",{"tag":147,"children":325},[326],"crewai traces enable",{"tag":147,"children":328},[329],"crewai traces disable"," később módosítja ezt.",[332,333,336,337,340,341,344],"A ",{"tag":147,"children":334},[335],"kickoff_async()"," csak szálba csomagolja a szinkron futást. Az ",{"tag":147,"children":338},[339],"akickoff()"," és az ",{"tag":147,"children":342},[343],"akickoff_for_each()"," a natív async útvonalak, és ezek valók terhelés alatt.",[332,346,349,350,353,354,357],{"tag":147,"children":347},[348],"@persist"," alapból helyi SQLite adatbázisba írja a flow állapotát. A ",{"tag":147,"children":351},[352],"restore_from_state_id"," elágaztat egy futást egy mentett pillanatképből, míg a ",{"tag":147,"children":355},[356],"kickoff(inputs={\"id\": ...})"," az eredetit folytatja.",{"type":121,"level":308,"id":359,"text":360},"guardrails","Guardrail-ek",{"type":114,"content":362},[363],"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":121,"level":308,"id":365,"text":366},"licence-and-cost","Licenc és költség",{"type":114,"content":368},[369],"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":371,"head":372,"rows":379},"table",[373,375,377],[374],"Mit futtatsz",[376],"Ár",[378],"Mit tartalmaz",[380,387,393],[381,383,385],[382],"CrewAI OSS",[384],"Ingyenes",[386],"Nincs futtatási keret. A modellhívásokat, az eszközöket és a saját infrastruktúrádat te fizeted.",[388,390,391],[389],"CrewAI AMP Basic",[384],[392],"50 workflow-futtatás havonta, vizuális szerkesztő, GitHub szinkron, tracing és OpenTelemetry.",[394,396,398],[395],"CrewAI AMP Enterprise",[397],"Egyedi árajánlat",[399],"SSO, RBAC, workload identity, PII-redakció, saját VPC vagy on-prem, 45 napos onboarding.",{"type":121,"level":122,"id":104,"text":105},{"type":114,"content":402},[403],"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":371,"head":405,"rows":414},[406,408,410,412],[407],"Keretrendszer",[409],"Hogyan van bekötve a munka",[411],"Költség feladatonként",[413],"Hibakeresés",[415,423,432],[416,417,419,421],[24],[418],"Szerepek és feladatok; a flow tartja az állapotot és a sorrendet",[420],"A legmagasabb: a delegálás, a memóriaelemzés és a guardrail-újrapróbálás modellhívásokat ad hozzá",[422],"Az AMP trace-ekhez fiók kell; OpenTelemetry hookok Langfuse, Phoenix, Braintrust, MLflow felé",[424,426,428,430],[425],"LangGraph",[427],"Explicit gráf, típusos állapot, checkpointok",[429],"A legalacsonyabb: a routing sima Python",[431],"LangSmith trace-ek, checkpoint-újrajátszás bármely csomópontból",[433,435,437,439],[434],"AutoGen",[436],"Beszélgető csapatok mintákkal és leállási feltételekkel",[438],"Magas és nyitott, ha nem állítasz be turn limitet",[440],"AgentChat naplózás; a GraphFlow irányított gráfot ad hozzá",{"type":114,"content":442},[443],"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":121,"level":122,"id":107,"text":108},{"type":114,"content":446},[447],"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":127,"ordered":449,"items":450},true,[451,453,455,457,459],[452],"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.",[454],"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.",[456],"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.",[458],"Ne vedd fel, ha első naptól kell checkpoint-újrajátszás és költség csomópontonként, anélkül, hogy fizetnél a platformért vagy magad kötnéd be az OpenTelemetryt.",[460],"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":242,"variant":282,"title":462,"body":463},"A segítség ára",[464],[465],"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":121,"level":122,"id":110,"text":111},{"type":127,"ordered":449,"items":468},[469],[470,473,475,477,479,481,483,485,487],{"tag":471,"href":29,"children":472},"a",[28],{"tag":471,"href":32,"children":474},[31],{"tag":471,"href":35,"children":476},[34],{"tag":471,"href":38,"children":478},[37],{"tag":471,"href":41,"children":480},[40],{"tag":471,"href":44,"children":482},[43],{"tag":471,"href":47,"children":484},[46],{"tag":471,"href":50,"children":486},[49],{"tag":471,"href":53,"children":488},[52],[490,555,604,668],{"slug":491,"published":492,"minutes":493,"category":7,"tags":494,"keywords":499,"about":506,"sources":510,"cover":547,"og":548,"expertise":56,"locales":549,"lang":60,"title":550,"description":551,"coverAlt":552,"url":513,"pricing":553,"kind":554},"mcp-reference-servers","2026-09-25",9,[495,496,497,498],"MCP","Reference servers","Tool protocol","Server SDKs",[500,501,502,503,504,505],"mcp reference servers","modelcontextprotocol servers github","write an mcp server","mcp server examples","mcp server sdk","mcp server security",[507],{"name":508,"url":509},"Model Context Protocol","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FModel_Context_Protocol",[511,514,517,520,523,526,529,532,535,538,541,544],{"title":512,"url":513},"MCP reference servers repository","https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Fservers",{"title":515,"url":516},"Repository README and server list","https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Fservers\u002Fblob\u002Fmain\u002FREADME.md",{"title":518,"url":519},"Security policy","https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Fservers\u002Fblob\u002Fmain\u002FSECURITY.md",{"title":521,"url":522},"Release process and trusted publishing","https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Fservers\u002Fblob\u002Fmain\u002FRELEASING.md",{"title":524,"url":525},"Filesystem server README","https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Fservers\u002Fblob\u002Fmain\u002Fsrc\u002Ffilesystem\u002FREADME.md",{"title":527,"url":528},"Everything server feature list","https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Fservers\u002Fblob\u002Fmain\u002Fsrc\u002Feverything\u002Fdocs\u002Ffeatures.md",{"title":530,"url":531},"MCP Registry","https:\u002F\u002Fregistry.modelcontextprotocol.io\u002F",{"title":533,"url":534},"Archived reference servers","https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Fservers-archived",{"title":536,"url":537},"Model Context Protocol documentation","https:\u002F\u002Fmodelcontextprotocol.io\u002F",{"title":539,"url":540},"TypeScript MCP SDK","https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Ftypescript-sdk",{"title":542,"url":543},"Python MCP SDK","https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\u002Fpython-sdk",{"title":545,"url":546},"FastMCP on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Ffastmcp\u002F","\u002Fimages\u002Fblog\u002Fmcp-reference-servers\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmcp-reference-servers\u002Fog.jpg",[58,59,60],"MCP-referenciaszerverek: mit mutatnak be és mit hagynak ki","Elemzés a modelcontextprotocol\u002Fservers repozól: hét referenciaszerver, mit tanít mindegyik, a mögöttes SDK-verziók, és miért nem kerülhet egyik sem éles rendszerbe.","Hét referenciaszerver, amelyet egyetlen MCP-kliens hoz el stdio-n keresztül","MIT","Protocol tooling",{"slug":556,"published":557,"minutes":6,"category":7,"tags":558,"keywords":564,"about":572,"sources":579,"cover":596,"og":597,"expertise":56,"locales":598,"lang":60,"title":599,"description":600,"coverAlt":601,"url":602,"pricing":603,"kind":559},"aider","2026-09-23",[559,560,561,562,563],"Coding agent","Terminal","Git workflow","BYO key","Open source",[556,565,566,567,568,569,570,571],"aider vs claude code","aider polyglot benchmark","ai pair programming terminal","aider leaderboard","open source coding agent","aider architect mode","aider install",[573,576],{"name":574,"url":575},"Aider","https:\u002F\u002Faider.chat\u002F",{"name":577,"url":578},"Aider on GitHub","https:\u002F\u002Fgithub.com\u002FAider-AI\u002Faider",[580,582,585,588,591,593],{"title":581,"url":575},"Aider website",{"title":583,"url":584},"Aider LLM leaderboards","https:\u002F\u002Faider.chat\u002Fdocs\u002Fleaderboards\u002F",{"title":586,"url":587},"Aider linting and testing","https:\u002F\u002Faider.chat\u002Fdocs\u002Fusage\u002Flint-test.html",{"title":589,"url":590},"Aider token limits","https:\u002F\u002Faider.chat\u002Fdocs\u002Ftroubleshooting\u002Ftoken-limits.html",{"title":592,"url":578},"Aider repository on GitHub",{"title":594,"url":595},"aider-chat on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Faider-chat\u002F","\u002Fimages\u002Fblog\u002Faider\u002Fcover.webp","\u002Fimages\u002Fblog\u002Faider\u002Fog.jpg",[58,59,60],"Aider teszt: git-first párprogramozás a terminálon","Az Aider 0.86.2 tesztje: Apache-2.0-s terminálos párprogramozó, amelynek benchmarkja őszintén rangsorolja a modelleket, és amelynek megállt a kiadási üteme.","Borítókép az Aider-teszthez: egy terminálmunkamenet, amely egyetlen kérést egy sor git committá alakít","https:\u002F\u002Faider.chat","Free · BYO API key",{"slug":605,"published":606,"minutes":6,"category":7,"tags":607,"keywords":611,"about":620,"sources":630,"cover":661,"og":662,"expertise":56,"locales":663,"lang":60,"title":664,"description":665,"coverAlt":666,"url":633,"pricing":667,"kind":66},"openai-agents-sdk","2026-09-11",[608,609,610,495,11],"Agent runtime","Tracing","Guardrails",[612,613,614,615,616,617,618,619],"openai agents sdk","openai agents sdk vs langgraph","python agent framework comparison","openai agents sdk guardrails","agent run tracing tool calls","openai agents sdk human in the loop","openai-agents pypi","agents sdk vs responses api",[621,624,627],{"name":622,"url":623},"Model context protocol","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FModel_context_protocol",{"name":625,"url":626},"Software framework","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSoftware_framework",{"name":628,"url":629},"Agentic AI","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAgentic_AI",[631,634,637,640,643,646,649,652,655,658],{"title":632,"url":633},"OpenAI Agents SDK documentation: Intro, and Agents SDK or Responses API","https:\u002F\u002Fopenai.github.io\u002Fopenai-agents-python\u002F",{"title":635,"url":636},"OpenAI Agents SDK documentation: Running agents","https:\u002F\u002Fopenai.github.io\u002Fopenai-agents-python\u002Frunning_agents\u002F",{"title":638,"url":639},"OpenAI Agents SDK documentation: Guardrails","https:\u002F\u002Fopenai.github.io\u002Fopenai-agents-python\u002Fguardrails\u002F",{"title":641,"url":642},"OpenAI Agents SDK documentation: Human-in-the-loop","https:\u002F\u002Fopenai.github.io\u002Fopenai-agents-python\u002Fhuman_in_the_loop\u002F",{"title":644,"url":645},"OpenAI Agents SDK documentation: Tracing","https:\u002F\u002Fopenai.github.io\u002Fopenai-agents-python\u002Ftracing\u002F",{"title":647,"url":648},"OpenAI Agents SDK documentation: Configuration","https:\u002F\u002Fopenai.github.io\u002Fopenai-agents-python\u002Fconfig\u002F",{"title":650,"url":651},"openai-agents 0.23.1 on PyPI, release history and licence","https:\u002F\u002Fpypi.org\u002Fproject\u002Fopenai-agents\u002F",{"title":653,"url":654},"OpenAI: The next evolution of the Agents SDK (15 April 2026)","https:\u002F\u002Fopenai.com\u002Findex\u002Fthe-next-evolution-of-the-agents-sdk\u002F",{"title":656,"url":657},"OpenAI API documentation: Agents, comparison of the three runtimes","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents",{"title":659,"url":660},"Arize: AI agent frameworks compared (1 October 2026)","https:\u002F\u002Farize.com\u002Fai-agents\u002Fagent-frameworks\u002F","\u002Fimages\u002Fblog\u002Fopenai-agents-sdk\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fopenai-agents-sdk\u002Fog.jpg",[58,59,60],"OpenAI Agents SDK: könnyű agent-runtime éles szélekkel","Az OpenAI Agents SDK értékelése: a runner-ciklus, a tracing, a guardrail-ek és a jóváhagyások, plusz mit fizet a kiadási tempó és a Responses-only funkciók.","Az Agents SDK runner-ciklusának diagramja: bemenet, ügynök, modellhívás, végső kimenet, guardrail-ek, és a bemenetbe visszafutó eszközhívások","MIT · API pay per token",{"slug":669,"published":670,"minutes":493,"category":7,"tags":671,"keywords":676,"about":683,"sources":693,"cover":714,"og":715,"expertise":56,"locales":716,"lang":60,"title":717,"description":718,"coverAlt":719,"url":720,"pricing":721,"kind":559},"openhands","2026-09-09",[559,672,673,674,675],"Sandboxed execution","Automations","Self-hosted","MIT licence",[669,677,678,679,680,681,569,682],"openhands self-host","open hands coding agent","openhands vs claude code","agent canvas","openhands docker sandbox","openhands cloud pricing",[684,687,690],{"name":685,"url":686},"OpenHands","https:\u002F\u002Fwww.openhands.dev",{"name":688,"url":689},"OpenHands on GitHub","https:\u002F\u002Fgithub.com\u002FOpenHands\u002FOpenHands",{"name":691,"url":692},"Intelligent agent","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FIntelligent_agent",[694,696,699,702,705,708,711],{"title":695,"url":689},"OpenHands README",{"title":697,"url":698},"OpenHands licence (MIT)","https:\u002F\u002Fgithub.com\u002FOpenHands\u002FOpenHands\u002Fblob\u002Fmain\u002FLICENSE",{"title":700,"url":701},"Agent Canvas 1.25.0 release notes","https:\u002F\u002Fdocs.openhands.dev\u002Fopenhands\u002Fusage\u002Fagent-canvas\u002Frelease-notes\u002Fv1.25.0.md",{"title":703,"url":704},"OpenHands sandbox overview","https:\u002F\u002Fdocs.openhands.dev\u002Fopenhands\u002Fusage\u002Fsandboxes\u002Foverview.md",{"title":706,"url":707},"OpenHands quick start","https:\u002F\u002Fdocs.openhands.dev\u002Fopenhands\u002Fusage\u002Finstallation",{"title":709,"url":710},"OpenHands pricing","https:\u002F\u002Fwww.openhands.dev\u002Fpricing",{"title":712,"url":713},"Introducing the OpenHands Index","https:\u002F\u002Fwww.openhands.dev\u002Fblog\u002Fintroducing-the-openhands-index","\u002Fimages\u002Fblog\u002Fopenhands\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fopenhands\u002Fog.jpg",[58,59,60],"OpenHands: a nyílt forráskódú coding agent, amit üzemeltetsz","Az OpenHands 1.25.0 MIT-licencű coding agent platform web canvas-szal, CLI-vel, sandboxolt végrehajtással és ütemezett automatizálásokkal. Elemzés arról, hol erős és hol nehézkes.","Az OpenHands-ajánló címképe: hurok a feladattól az agenten és a sandboxon át vissza","https:\u002F\u002Fgithub.com\u002FAll-Hands-AI\u002FOpenHands","Free · self-host",1791383550320]