Wie man seinen ersten KI-Agenten mit Python und CrewAI baut: 6 Schritte fuer Anfaenger

Warum KI-Agenten 2026 das wichtigste Thema fuer Entwickler sind

KI-Agenten sind der naechste grosse Sprung in der Softwareentwicklung. Waehrend klassische Chatbots auf einzelne Fragen antworten, koennen KI-Agenten komplexe Aufgaben autonom planen, ausfuehren und iterativ verbessern. Sie nutzen Werkzeuge, greifen auf externe Datenquellen zu und arbeiten in Teams zusammen — aehnlich wie menschliche Mitarbeiter.

Der Bedarf an Entwicklern, die KI-Agenten bauen koennen, explodiert foermlich. Die Partnerschaft zwischen SAP und OpenAI fuer souveraene KI in Deutschland zeigt, wohin die Reise geht. SAP hat fuer April 2026 eine AI Developer Challenge ausgeschrieben, bei der Teilnehmer KI-Agenten mit CrewAI und SAP AI Core bauen sollen.

In diesem Tutorial zeigen wir Ihnen Schritt fuer Schritt, wie Sie Ihren ersten KI-Agenten mit Python und CrewAI bauen. Keine Vorkenntnisse in KI erforderlich — grundlegende Python-Kenntnisse genuegen.

Was Sie fuer dieses Tutorial benoetigen

Bevor wir loslegen, stellen Sie sicher, dass Sie Folgendes bereit haben:

• Python 3.10 oder hoeher (pruefen Sie mit python --version)
• Ein OpenAI-API-Key (kostenlos registrieren auf platform.openai.com, neue Accounts erhalten $5 Guthaben)
• Ein Code-Editor (VS Code, PyCharm oder ein beliebiger Texteditor)
• Grundlegende Python-Kenntnisse (Variablen, Funktionen, pip)
• Terminal/Kommandozeile (Bash, zsh oder PowerShell)

Optional, aber empfehlenswert: Git fuer Versionskontrolle und ein virtuelles Python-Environment (venv). Die Gesamtkosten fuer die API-Nutzung liegen bei unter 0,05 Euro pro Durchlauf.

Schritt 1: Entwicklungsumgebung einrichten

Der erste Schritt ist die Einrichtung einer sauberen Entwicklungsumgebung. Wir verwenden ein virtuelles Python-Environment, um Abhaengigkeiten isoliert zu verwalten.

Oeffnen Sie Ihr Terminal und fuehren Sie folgende Befehle aus:

# Projektverzeichnis erstellen
mkdir mein-erster-ki-agent
cd mein-erster-ki-agent

# Virtuelles Environment erstellen und aktivieren
python -m venv venv
source venv/bin/activate  # macOS/Linux
# venv\Scripts\activate  # Windows

# CrewAI und Abhaengigkeiten installieren
pip install crewai crewai-tools

# .env-Datei fuer den API-Key erstellen
echo "OPENAI_API_KEY=sk-IhrKeyHier" > .env

Wichtig: Ersetzen Sie sk-IhrKeyHier durch Ihren tatsaechlichen OpenAI-API-Key. Dieser Key wird in der .env-Datei gespeichert und sollte niemals in ein Git-Repository committed werden. Fuegen Sie .env zu Ihrer .gitignore hinzu.

CrewAI installiert automatisch alle benoetigten Abhaengigkeiten, einschliesslich LangChain und Pydantic. Die Installation dauert in der Regel weniger als zwei Minuten.

Schritt 2: Ihren ersten Agenten definieren

Ein Agent in CrewAI ist eine autonome Einheit mit einer bestimmten Rolle, einem Ziel und einer Backstory. Diese drei Attribute bestimmen, wie der Agent sich verhaelt und Aufgaben angeht.

Erstellen Sie eine Datei namens agents.py:

from crewai import Agent
from dotenv import load_dotenv

load_dotenv()

# Agent 1: Der Recherche-Spezialist
researcher = Agent(
    role="Senior Technologie-Researcher",
    goal="Aktuelle und praezise Informationen zu KI-Trends "
         "in Deutschland recherchieren und zusammenfassen",
    backstory=(
        "Du bist ein erfahrener Technologieanalyst mit "
        "ueber 10 Jahren Erfahrung in der deutschen "
        "Tech-Szene. Du hast ein Talent dafuer, komplexe "
        "technische Themen verstaendlich aufzubereiten."
    ),
    verbose=True,
    allow_delegation=False,
)

# Agent 2: Der Autor
writer = Agent(
    role="Technischer Content-Autor",
    goal="Auf Basis der Recherche einen klaren, "
         "informativen Artikel auf Deutsch verfassen",
    backstory=(
        "Du bist ein preisgekroenter Tech-Journalist, "
        "der fuer fuehrende deutsche IT-Magazine "
        "geschrieben hat. Dein Stil ist klar, praezise "
        "und fuer ein breites Publikum zugaenglich."
    ),
    verbose=True,
    allow_delegation=False,
)

Beachten Sie die Parameter im Detail:

• role: Definiert die Identitaet des Agenten. Das LLM nutzt diese Information, um den Tonfall und die Herangehensweise anzupassen.
• goal: Das uebergeordnete Ziel, das der Agent verfolgt. Je spezifischer, desto bessere Ergebnisse.
• backstory: Gibt dem Agenten Kontext und “Erfahrung”. Eine gut formulierte Backstory verbessert die Qualitaet der Ausgabe erheblich.
• verbose=True: Zeigt detaillierte Logs im Terminal — ideal zum Lernen und Debuggen.
• allow_delegation=False: Verhindert, dass der Agent Aufgaben an andere Agenten weitergibt. Fuer den Anfang empfehlenswert.

Schritt 3: Aufgaben (Tasks) erstellen

Tasks sind konkrete Arbeitsauftraege, die einem Agenten zugewiesen werden. Jeder Task hat eine Beschreibung, ein erwartetes Ergebnis und einen zugewiesenen Agenten.

Erstellen Sie eine Datei namens tasks.py:

from crewai import Task
from agents import researcher, writer

# Task 1: Recherche
research_task = Task(
    description=(
        "Recherchiere die neuesten Entwicklungen im "
        "Bereich KI-Agenten und deren Einsatz in "
        "deutschen Unternehmen. Fokussiere dich auf: "
        "1) Aktuelle Frameworks (CrewAI, LangGraph, "
        "AutoGen), 2) Anwendungsbeispiele im DACH-Raum, "
        "3) Gehalts- und Arbeitsmarkttrends fuer "
        "KI-Entwickler in Deutschland."
    ),
    expected_output=(
        "Ein strukturierter Recherchebericht mit "
        "mindestens 5 konkreten Datenpunkten, Quellen "
        "und einer Zusammenfassung der wichtigsten Trends."
    ),
    agent=researcher,
)

# Task 2: Artikel schreiben
writing_task = Task(
    description=(
        "Verfasse auf Basis des Rechercheberichts "
        "einen informativen Blogartikel auf Deutsch "
        "(ca. 500 Woerter). Der Artikel soll: "
        "1) Eine klare Einleitung haben, "
        "2) Die wichtigsten Trends erklaeren, "
        "3) Konkrete Handlungsempfehlungen geben, "
        "4) Fuer ein technisches, aber nicht "
        "hochspezialisiertes Publikum geschrieben sein."
    ),
    expected_output=(
        "Ein fertiger Blogartikel auf Deutsch mit "
        "Ueberschriften, Absaetzen und einer "
        "Zusammenfassung. Professioneller, aber "
        "zugaenglicher Schreibstil."
    ),
    agent=writer,
)

Die Qualitaet Ihrer Tasks bestimmt massgeblich die Qualitaet der Ergebnisse. Hier einige bewaeaehrte Praktiken:

• Seien Sie so spezifisch wie moeglich in der Beschreibung. Vage Anweisungen fuehren zu vagen Ergebnissen.
• Definieren Sie das erwartete Format im expected_output. Wollen Sie Stichpunkte? Fliesstext? Eine bestimmte Laenge?
• Nummerieren Sie Teilaufgaben — das hilft dem LLM, strukturiert zu arbeiten.

Schritt 4: Die Crew zusammenstellen und orchestrieren

Jetzt kommt der spannende Teil: Wir verbinden Agenten und Tasks zu einer Crew. Die Crew ist der Orchestrator, der bestimmt, in welcher Reihenfolge die Agenten arbeiten.

Erstellen Sie eine Datei namens crew.py:

from crewai import Crew, Process
from agents import researcher, writer
from tasks import research_task, writing_task

# Crew erstellen
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    process=Process.sequential,
    verbose=True,
)

# Crew ausfuehren
result = crew.kickoff()

print("\n" + "=" * 60)
print("ERGEBNIS:")
print("=" * 60)
print(result)

Der Parameter Process.sequential bedeutet, dass die Tasks nacheinander ausgefuehrt werden — der Writer wartet, bis der Researcher fertig ist. CrewAI unterstuetzt auch Process.hierarchical, bei dem ein Manager-Agent die Arbeit verteilt, aber fuer den Einstieg ist sequential die bessere Wahl.

Schritt 5: Ausfuehren und Ergebnisse analysieren

Zeit, Ihre erste Crew in Aktion zu sehen. Fuehren Sie das Script aus:

python crew.py

Im Terminal sehen Sie nun den gesamten Arbeitsprozess in Echtzeit. Der Researcher beginnt mit seiner Aufgabe, denkt laut ueber seine Herangehensweise nach, fuehrt die Recherche durch und erstellt seinen Bericht. Anschliessend uebernimmt der Writer und verfasst den Artikel auf Basis des Rechercheberichts.

Ein typischer Durchlauf dauert zwischen 30 Sekunden und 2 Minuten, abhaengig von der Komplexitaet der Tasks und dem verwendeten Modell. Die Kosten liegen bei etwa 0,01 bis 0,05 Euro pro Durchlauf mit GPT-4o-mini.

Typische Probleme und Loesungen:

• AuthenticationError: Pruefen Sie Ihren API-Key in der .env-Datei. Stellen Sie sicher, dass die dotenv-Bibliothek installiert ist (pip install python-dotenv).
• RateLimitError: Sie haben zu viele Anfragen in kurzer Zeit gesendet. Warten Sie 60 Sekunden und versuchen Sie es erneut.
• Unerwartete Ergebnisse: Verfeinern Sie die Beschreibungen Ihrer Tasks. Je detaillierter die Anweisungen, desto besser die Ausgabe.
• ModuleNotFoundError: Stellen Sie sicher, dass Ihr virtuelles Environment aktiviert ist und alle Pakete installiert sind.

Schritt 6: Erweitern mit Tools und einem dritten Agenten

Der wahre Mehrwert von CrewAI zeigt sich, wenn Sie Agenten mit Tools ausstatten. Tools ermoeglichen es Agenten, auf externe Ressourcen zuzugreifen — beispielsweise das Internet zu durchsuchen, Dateien zu lesen oder APIs aufzurufen.

Erweitern Sie Ihre agents.py um einen dritten Agenten mit Web-Suche:

from crewai import Agent
from crewai_tools import SerperDevTool
from dotenv import load_dotenv

load_dotenv()

# Web-Suche-Tool initialisieren
search_tool = SerperDevTool()

# Erweiterter Researcher mit Web-Zugriff
researcher = Agent(
    role="Senior Technologie-Researcher",
    goal="Aktuelle Informationen zu KI-Trends "
         "in Deutschland recherchieren",
    backstory="Du bist ein erfahrener Analyst...",
    tools=[search_tool],
    verbose=True,
    allow_delegation=False,
)

# Writer (wie zuvor)
writer = Agent(
    role="Technischer Content-Autor",
    goal="Informative Artikel auf Deutsch verfassen",
    backstory="Du bist ein Tech-Journalist...",
    verbose=True,
    allow_delegation=False,
)

# NEU: Editor / Qualitaetspruefer
editor = Agent(
    role="Chefredakteur und Qualitaetspruefer",
    goal="Artikel auf Faktentreue, Grammatik und "
         "Lesbarkeit pruefen und verbessern",
    backstory=(
        "Du bist ein erfahrener Chefredakteur mit "
        "einem scharfen Auge fuer Details. Du "
        "stellst sicher, dass jeder Artikel den "
        "hoechsten journalistischen Standards "
        "entspricht."
    ),
    verbose=True,
    allow_delegation=False,
)

Fuer das SerperDevTool benoetigen Sie einen kostenlosen API-Key von serper.dev. Fuegen Sie SERPER_API_KEY=IhrSerperKey zu Ihrer .env-Datei hinzu.

Mit einem Editor-Agenten haben Sie jetzt einen dreistufigen Workflow: Recherchieren → Schreiben → Ueberpruefen. Dieses Muster laesst sich beliebig erweitern — fuer Uebersetzungen, SEO-Optimierung, Code-Reviews oder jede andere spezialisierte Aufgabe.

Weitergehende Moeglichkeiten: Von der Uebung zum Beruf

Das Tutorial, das Sie gerade abgeschlossen haben, ist erst der Anfang. CrewAI bietet eine Vielzahl weiterer Funktionen, die Sie erkunden koennen:

• Memory: Agenten koennen sich an fruehere Interaktionen erinnern und daraus lernen.
• Custom Tools: Schreiben Sie eigene Tools, die auf Ihre Datenbanken, APIs oder interne Systeme zugreifen.
• YAML-Konfiguration: Definieren Sie Agenten und Tasks in YAML-Dateien statt im Code — ideal fuer groessere Projekte.
• Callbacks: Reagieren Sie programmatisch auf bestimmte Ereignisse im Workflow, z. B. um Ergebnisse in einer Datenbank zu speichern.
• Integration mit SAP AI Core: Ueber den Generative AI Hub von SAP koennen Sie souveraene, DSGVO-konforme Modelle nutzen.

Der Markt fuer KI-Agenten-Entwickler waechst rasant. Laut aktuellen Stellenanalysen bieten Positionen mit CrewAI- oder LangChain-Erfahrung in Deutschland Gehaelter zwischen 75.000 und 130.000 Euro jaehrlich. Fuer Freelancer liegen die Stundensaetze bei 100 bis 180 Euro. Wenn Sie mehr ueber den aktuellen Arbeitsmarkt erfahren moechten, lesen Sie unseren Artikel KI-Entwickler einstellen 2026: So gelingt es trotz Mangel.

Tipps fuer das technische Vorstellungsgespraech

Wenn Sie sich mit Ihren neuen KI-Agenten-Kenntnissen bewerben, bereiten Sie sich auf typische Interviewfragen vor. In unserem Leitfaden fuer technische Vorstellungsgespraeche finden Sie bewaehrte Strategien fuer Arbeitgeber und Kandidaten gleichermassen.

Typische Fragen, die Ihnen begegnen koennten:

• “Erklaeren Sie den Unterschied zwischen einem Chatbot und einem KI-Agenten.”
• “Wie wuerden Sie ein Multi-Agenten-System fuer [konkreter Anwendungsfall] designen?”
• “Welche Herausforderungen gibt es bei der Orchestrierung mehrerer KI-Agenten?”
• “Wie stellen Sie sicher, dass ein KI-Agent DSGVO-konform arbeitet?”

Zusammenfassung und naechste Schritte

Sie haben in diesem Tutorial gelernt, wie Sie:

1. Eine saubere Python-Entwicklungsumgebung mit CrewAI einrichten
2. KI-Agenten mit spezifischen Rollen, Zielen und Backstories definieren
3. Praezise Tasks mit erwarteten Outputs erstellen
4. Agenten und Tasks zu einer funktionierenden Crew orchestrieren
5. Das System ausfuehren und Fehler analysieren
6. Die Crew mit externen Tools und einem dritten Agenten erweitern

Der naechste logische Schritt ist die Teilnahme an der SAP AI Developer Challenge, die diesen April laeuft. Dort koennen Sie Ihre neuen Faehigkeiten in einem professionellen Kontext anwenden und sich mit der SAP-Entwickler-Community vernetzen. Und vergessen Sie nicht: Die Tickets fuer Code Connect 2026 gehen am 16. April in den Verkauf.

KI-Agenten sind keine Zukunftsmusik mehr — sie sind die Gegenwart. Und mit CrewAI und Python haben Sie jetzt die Werkzeuge, um Teil dieser Revolution zu sein.