01 · Erste Crew

Dein erster Multi-Agent-Workflow: Researcher + Reporter arbeiten sequentiell zusammen.

Voraussetzungen

• Abgeschlossen: 00 · Installation
• ollama list zeigt qwen3:8b

Zeitbedarf: 5 Minuten Endzustand: Du hast eine main.py lokal ausgeführt und bekommst einen zweistufigen Markdown-Report als Output.

1. Projekt anlegen

mkdir my_first_crew && cd my_first_crew

Erstelle main.py mit folgendem Inhalt (aus Spec §1.4 — das PKV-Beispiel):

"""Erste Crew — sequentielles Researcher+Reporter-Pattern."""

from __future__ import annotations

import asyncio

from cognithor.crew import Crew, CrewAgent, CrewProcess, CrewTask


def build_crew() -> Crew:
    researcher = CrewAgent(
        role="Researcher",
        goal="Recherchiere Fakten zum Thema",
        llm="ollama/qwen3:8b",
    )
    reporter = CrewAgent(
        role="Reporter",
        goal="Schreibe einen strukturierten Report",
        llm="ollama/qwen3:8b",
    )
    research = CrewTask(
        description="Recherchiere: Trends in Hausautomation 2026",
        expected_output="Bulletpoints der 5 wichtigsten Trends",
        agent=researcher,
    )
    report = CrewTask(
        description="Erstelle einen Report basierend auf der Research",
        expected_output="Markdown-Report, 300 Wörter",
        agent=reporter,
        context=[research],
    )
    return Crew(
        agents=[researcher, reporter],
        tasks=[research, report],
        process=CrewProcess.SEQUENTIAL,
    )


def main() -> None:
    crew = build_crew()
    result = asyncio.run(crew.kickoff_async())
    print(result.raw)


if __name__ == "__main__":
    main()

2. Ausführen

python main.py

Die erste Ausführung kann 30–60 s dauern, weil Ollama das Modell lädt. Nachfolgende Läufe sind deutlich schneller.

Erwartete Ausgabe (gekürzt):

# Trends in Hausautomation 2026

- Matter/Thread-Adoption auf >60% neuer Geräte
- Lokale KI-Inferenz (Edge-LLMs) für Sprachsteuerung
- ...

3. Was ist passiert?

1. CrewAgent beschreibt nur die Rolle — keine Prompts, kein Code.
2. CrewTask beschreibt die Arbeit, plus Abhängigkeiten via context=[research].
3. Crew(process=SEQUENTIAL) kompiliert beide Tasks in einen DAG und führt sie der Reihe nach aus.
4. Jeder Task durchläuft intern die PGE-Trinity (Planner → Gatekeeper → Executor) — genauso wie jede andere Cognithor-Aktion. Keine neue Security-Oberfläche.
5. Der finale result.raw ist der Output des letzten Tasks. Alle Zwischen-Outputs sind in result.tasks_output.

4. Lauffähige Version im Repo

Das gleiche Beispiel liegt als eigenständiges Mini-Projekt unter examples/quickstart/01_first_crew/. Dort findest du:

• main.py — identisches Skript
• requirements.txt — nur cognithor>=0.93.0
• test_example.py — smoke-test mit gemocktem Planner, läuft im CI

5. Varianten

• Mehr Agenten: Füge zur agents= Liste beliebig weitere CrewAgent-Instanzen hinzu.
• Hierarchical: Setze process=CrewProcess.HIERARCHICAL + manager=CrewAgent(...) um einen Manager-Agent Tasks delegieren zu lassen.
• YAML-Config: Statt Python-Code kannst du agents.yaml + tasks.yaml nutzen — siehe cognithor.crew.yaml_loader.

Next: 02 · Eigenes Tool