영상 핵심 정리 — CrewAI로 AI 에이전트 쉽게 만들기

이 영상은 CrewAI 프레임워크의 핵심인 Agent-Task-Crew 3단 구조를 소개한다. '사람 팀처럼 역할을 나눈다'는 직관적 설계 철학 덕분에 LangGraph보다 빠르게 멀티에이전트 시스템을 프로토타이핑할 수 있다.

---

1. 3단 구조 한눈에 보기

┌──────────── CREW ────────────────────┐
│  Agent: 품질 검사관                  │
│    role='QC Inspector'               │
│    goal='불량 원인 분류'             │
│    ↓ Task: 알람 데이터 분석          │
│  Agent: 정비 엔지니어               │
│    role='Maintenance Engineer'       │
│    goal='정비 지시서 작성'           │
│    ↓ Task: 조치 보고서 생성          │
│  Process: Sequential (순서대로 실행) │
└──────────────────────────────────────┘

구성요소	핵심 필드	역할
Agent	role, goal, backstory, llm	LLM 페르소나 고정
Task	description, expected_output, agent	할 일 + 결과 형식 정의
Crew	agents, tasks, process	팀 편성 + 실행 방식

2. 제조 품질 검사 Crew 코드

from crewai import Agent, Task, Crew, Process

qc_agent = Agent(
    role='제조 품질 검사관',
    goal='CNC 가공 불량 원인을 진동 데이터로 분류한다',
    backstory='10년 경력 품질 엔지니어, ISO 9001 전문가'
)

maint_agent = Agent(
    role='설비 정비 엔지니어',
    goal='불량 원인에 따른 점검 지시서를 작성한다',
    backstory='CNC 전문 정비사, 예방정비 전문가'
)

analyze_task = Task(
    description='CNC-07 알람 코드 E204와 진동 3.2g 데이터를 분석하라',
    expected_output='불량 원인 카테고리와 근거 3가지를 포함한 분석 보고서',
    agent=qc_agent
)

maint_task = Task(
    description='분석 결과를 바탕으로 정비 지시서를 작성하라',
    expected_output='점검 항목 체크리스트와 예상 복구 시간이 포함된 문서',
    agent=maint_agent
)

crew = Crew(
    agents=[qc_agent, maint_agent],
    tasks=[analyze_task, maint_task],
    process=Process.sequential
)

result = crew.kickoff()

3. 함정 — Backstory 부실 시 품질 저하

Agent의 backstory를 짧게 줄이면 LLM이 역할에 맞지 않는 출력을 낸다. 특히 제조 도메인은 일반 LLM이 잘 모르는 전문 용어가 많으므로, backstory에 도메인 컨텍스트(사용 설비 종류, ISO 기준, 주요 알람 코드 등)를 명시적으로 포함해야 한다.

---

다음 task와의 연결

다음 reading 'LangGraph 상태 기반 멀티에이전트 패턴'에서는 CrewAI의 역할 중심 접근과 대비되는 LangGraph의 상태 기반 설계를 코드 수준에서 비교한다. 두 프레임워크의 강점을 결합하는 하이브리드 패턴도 소개한다.

CrewAI로 스마트팩토리 품질관리 팀을 설계해줘. 불량 이미지 분석 에이전트, 공정 원인 추적 에이전트, 정비 지시 생성 에이전트 3명을 role/goal/backstory로 정의하고, Hierarchical Process에서 Manager 에이전트가 각 Task의 expected_output을 어떻게 검증하는지 Python 코드로 보여줘.