CrewAI — Multi-Agent-Crew gegen Bunker-LLM

Drei Rollen, ein sequenzieller Workflow am Recruiter-Beispiel: Profil-Agent destilliert ein strukturiertes Anforderungsprofil aus der rohen Stellenbeschreibung, Sourcing-Agent baut daraus Boolean-Strings, Triage-Agent definiert die Bewertungs-Rubrik — alle drei gegen qwen3.6-27b-bunker. Multi-Agent-Patterns ohne Cloud.

Live-Demo öffnen ↗ Code-Einsicht anfragen

Framework

CrewAI ≥0.80

Lizenz

MIT

Crew-Größe

3 Role-Agents

Process

sequential

LLM

qwen3.6-27b-bunker

Hosting

Sovereign-Container im Bunker

Die drei Rollen

Profil-Agent: nimmt die rohe Stellenbeschreibung und formt ein 8-Achsen-Anforderungsprofil mit Must-vs-Nice-to-have, AGG-konform.
Sourcing-Agent: baut aus dem Anforderungsprofil konkrete Boolean-Strings für LinkedIn/GitHub/Xing/StackOverflow inkl. Anti-Pattern-Liste.
Triage-Agent: definiert eine 5-Achsen-Rubrik zum CV-Screening (0–100), AGG-konform mit messbaren Kriterien statt Persönlichkeits-Bewertung.

Workflow

POST /api/crew/run { "job_description": "…" }
  ├─ Profil-Task    → Anforderungsprofil-JSON
  ├─ Sourcing-Task  → Boolean-Strings    (context: Profil)
  └─ Triage-Task    → Bewertungs-Rubrik  (context: Profil)

Response: { ok, result, artefakte: { profil, sourcing, triage } }

Warum gegen Bunker und nicht OpenAI?

Rohe Stellenbeschreibungen sind oft Mandanten-vertraulich — Vorstands-Position, internes Reorg-Setup, kompletter Tech-Stack. Mit CrewAI-Default-OpenAI würden diese Daten in den USA landen. Unser Bunker-Setup hält den gesamten Crew-Lauf auf eigener Hardware in einem deutschen Rechenzentrum.

Dasselbe Pattern produktiv: Recruiter-Team

Wir haben diesen Multi-Agent-Recruiter-Workflow bereits als eigenständige Bot-Suite live: zehn Agents vom Anforderungs-Workshop bis zum Mandanten-Status-Report, jeder Agent mit eigener URL und shared Anforderungsprofil im Hand-off. Recruiter-Team ansehen →

Lessons-Learned

1) CrewAI ist OpenAI-kompatibel bei „openai/<name>"-Präfix

Mit model="openai/<bunker-modell>" + base_url/api_key-Override geht CrewAI direkt gegen einen LiteLLM-Proxy — keine eigene LLM-Klasse nötig.

2) `pip install litellm` für non-native Provider

CrewAI kennt nativ OpenAI/Anthropic/Bedrock/etc. Für eigene Modelle muss litellm als Fallback im selben venv stehen, sonst „Unable to initialize LLM"-Fehler beim Start.

3) Telemetry abdrehen ist Pflicht

CREWAI_TELEMETRY_OPT_OUT=true + OTEL_SDK_DISABLED=true. Plus HOME-Override im systemd, damit die Library nicht versucht in /root zu schreiben.

📦 Als Addon buchbar

ab 3.500 € pauschal

Wir bauen euch eine Crew, die euren Workflow konkret abbildet:

2-5 Rollen-Agents mit klaren Goals + Backstories
Sequenzieller oder hierarchischer Process
Anbindung an euren LLM-Stack (Bunker, OpenAI, Azure, Bedrock)
Web-UI oder API-Wrapper
2-3 Personentage je nach Crew-Komplexität

Termin vereinbaren →