🧑‍⚖️ Multi-Agent Rechtsassistent — blitzschnelles RAG. Angetrieben von CrewAI, fragt diese Demo über 50M+ Vektoren in <30ms ab, um zitierte rechtliche Antworten zu liefern. Entwickelt von @akshay_pachaar.

Wir freuen uns, @joaomdmoura, CEO von @crewAIInc, bei ODSC West 2025 willkommen zu heißen! 🤖🚀 Wenn Sie verstehen möchten, wie KI-Agenten, skalierbares ML und Ingenieurwesen in der realen Welt zusammenkommen, ist Joes Perspektive eine, die Sie nicht verpassen sollten. Jetzt registrieren →

Ich habe gerade ein prägnantes, schrittweises Jupyter-Notebook veröffentlicht, das zeigt, wie man ein benutzerdefiniertes LLM für @crewAIInc erstellt, das die Messages API von @AnthropicAI aufruft und Prompt-Caching implementiert. Was ist also Prompt-Caching und wann solltest du es in deinem Team verwenden? Es ist eine Möglichkeit, den langen, wiederholten Teil deines Prompts (normalerweise Systemkontext) zwischen API-Aufrufen zu cachen. Du sendest es einmal, dann verwenden nachfolgende Aufrufe es wieder; das senkt die Eingabekosten um ~90% und beschleunigt die Zeit bis zum ersten Token um ~85% für lange Prompts, solange der Systeminhalt + Modell + Header gleich bleiben und du innerhalb der TTL (5 Minuten Standard, 1 Stunde Beta) bist. Das funktioniert großartig für gesprächige, mehrteilige Teams. Auch nützlich, wenn dein Team einen langen, stabilen Systemkontext über Aufgaben hinweg wiederverwendet (denk an: Handbuch, Spezifikation, Zusammenfassung des Codebases). Wenn sich dein System/Kontext bei jedem Aufruf ändert, wird Caching nicht viel helfen. Das Kochbuch verwendet "Frankenstein" von Project Gutenberg, um das Caching mit echtem, langem Kontext zu demonstrieren. Diagramm unten: Der erste Lauf schreibt in den Cache; nachfolgende Läufe lesen aus dem Cache, wenn Systeminhalt, Modell und Header innerhalb der TTL übereinstimmen. Repo + Notebook in den Kommentaren.

🧠 Von der Idee → zum bereitgestellten Agenten-Workflow. Kein Code erforderlich. Wir haben gerade eine vollständige Anleitung für CrewAI Studio veröffentlicht – unsere neue Plattform, mit der Sie Multi-Agenten-Automatisierungen direkt aus natürlicher Sprache erstellen, ausführen und bereitstellen können. 💬 Möchten Sie „Einen Agenten erstellen, der Häuser unter 1 Million Dollar findet und mir einen Bericht per E-Mail sendet“ eingeben? Das Studio wird: ✅ Die Eingabe analysieren ✅ Die richtigen Agenten + Tools (z. B. Serper, Gmail) bereitstellen ✅ Den gesamten Crew-Flow automatisch generieren – live im visuellen Editor 🎯 In der Demo erstellen wir einen Immobilienforschungsassistenten, der: • Angebote nach Stadt + Preis durchsucht • Einen intelligenten HTML-Bericht erstellt • Die Ergebnisse an den Benutzer per E-Mail sendet • Alles mit nur einer Eingabezeile ⚙️ Sie können auch manuell erstellen: • Drag-and-Drop-Agenten, Aufgaben, Tools • LLMs konfigurieren, Speicher hinzufügen, Schlussfolgerungen aktivieren • Tiefe Beobachtbarkeit und Live-Ausführungstracing Wenn Sie fertig sind? Drücken Sie "Veröffentlichen" und bereitstellen als: → API-Endpunkt → Eingebettete React-Komponente → Benutzerdefinierte Chat-App → MCP-Server (stdio)

Wir führen derzeit unser neues @crewAIInc Studio in der Beta-Phase, aber es wird bald allgemein verfügbar sein! Bisher war es überwältigend zu sehen, wie die Reaktion der Leute ist, wenn sie es zum ersten Mal in Aktion sehen. Ich habe einen kurzen Sneak-Peek-Walkthrough aufgenommen, in dem ich zeige, wie man über unsere Plattform einen Agenten codiert und ihn zum Laufen bringt, ohne eine einzige Zeile Code zu schreiben, und das alles in nur wenigen Minuten.

Die Geschwindigkeit, mit der Wert geschaffen wird, und die Geschwindigkeit der Iteration machen heutzutage einen großen Unterschied bei KI-Agenten. Die Unternehmen, die schneller experimentieren, haben mehr Ideen, und die, die schneller iterieren, erreichen schneller Wert und Zuverlässigkeit. Das ist das Muster, das wir bei allen Unternehmen sehen, die CrewAI nutzen!

🧾 Regulatorische Intelligenz, unterstützt von Agenten. @tonykipkemboi gerade ein Schritt-für-Schritt-Tutorial veröffentlicht, das zeigt, wie man ein Multi-Agenten-System erstellt, das: ✅ Überwacht regulatorische Änderungen ✅ Analysiert >320.000 SEC-Einreichungen ✅ Erstellt einen ausgefeilten Wirkungsbericht 🧠 CrewAI orchestriert die Agenten ❄️ @Snowflake MCP schaltet echte SEC-Daten frei 🔍 @serperapi für Websuche + Einblicke Entwickelt für Fintech-, Compliance- und Asset-Management-Teams, die eine kontextbezogene und präzise Automatisierung benötigen. 📦 Vollständiger Code + Tutorial in 🧵

Schauen Sie sich das an! 🤝 @crewAIInc @googledevs

KI-Agenten-Schutzvorrichtungen.

Eine komplette Google Ads-Kampagne – von der Recherche bis hin zu Assets und Anzeigen – die von zwei CrewAI-Teams in nur 10 Minuten erstellt und veröffentlicht wurde. 🎬 @crewAIInc @joaomdmoura @adsliaison 🎥👇 #AgenticAI #AIAgent #crewai