CrewAI Agents — Équipes d'IA 100 % locales

3 crews d'agents spécialisés qui collaborent pour résoudre des tâches concrètes — contenu, e-commerce, détection de produits winners. Aucune donnée ne sort de la machine.

---

Aperçu

Trois équipes d'agents IA (crews) bâties avec CrewAI + Ollama — chaque crew orchestre 4 agents aux rôles complémentaires qui se passent le relais pour produire un livrable exploitable.

100 % local, 100 % gratuit. Aucune clé API OpenAI / Anthropic requise. Les modèles tournent sur votre machine (Mistral 7B recommandé).

---

Démonstration

Exemple de sortie — Crew 1 (Usine à Contenu) :

OK Agent Chercheur   → analyse du sujet, 3 angles trouvés
OK Agent Rédacteur   → article 1 050 mots généré
OK Agent Social      → post IG (120 mots) + post LI + thread X (3 tweets)
OK Agent SEO         → titre, méta, 12 mots-clés, structure H1/H2/H3

→ contenu_20260415_1422.txt  (tout le livrable en un fichier)

---

Les 3 crews

1 SocialMedia — Usine à contenu

Un sujet, un public cible → article de blog + posts IG / LinkedIn / Twitter + rapport SEO.

→ Voir le README détaillé

Agent	Rôle
Chercheur	Analyse le sujet, trouve les angles
Rédacteur	Rédige l'article de blog structuré
Social Media	Adapte pour IG / LI / Twitter
SEO Expert	Optimise pour Google

---

2 E-commerce / ProductAssistant — Assistant fiches produits

Une fiche produit + avis clients → fiche réécrite + stratégie prix + réponses aux avis.

→ Voir le README détaillé

Agent	Rôle
Analyste Produit	Évalue & score la fiche actuelle
Rédacteur Produit	Réécrit pour convertir
Gestionnaire Prix	Bundles, promos, stratégie
Gestionnaire Avis	Réponses clients pros

---

3 E-commerce / WinnerFinder — Détecteur de produits winners

Une niche, un budget → 5 produits tendance + TOP 3 + plan sourcing + plan de lancement 30 jours.

→ Voir le README détaillé

Agent	Rôle
Chasseur de Tendances	Détecte les produits qui montent
Analyste de Marché	Score et classe
Expert Sourcing	Fournisseurs + calcul de marges
Stratège Lancement	Plan marketing 30 jours

Option recherche web réelle : brancher une clé Serper (2 500 recherches/mois gratuites) pour passer de "connaissance du modèle" à "données Google en temps réel".

---

Installation (une seule fois)

# 1. Installer Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 2. Télécharger un modèle
ollama pull mistral              # meilleur pour le français
# ou
ollama pull qwen2.5-coder:7b     # meilleur pour le code

# 3. Dépendances Python
pip install crewai crewai-tools langchain-community requests beautifulsoup4

---

Lancer un crew

# Crew 1 — Usine à Contenu
cd SocialMedia
python ContentCrew.py

# Crew 2 — Assistant E-commerce
cd E-commerce/ProductAssistant
python ProductAssistant.py

# Crew 3 — Winner Finder
cd E-commerce/WinnerFinder
export SERPER_API_KEY="votre_cle"    # optionnel mais recommandé
python WinnerFinder.py

Chaque script produit un fichier .txt horodaté avec l'intégralité du livrable.

---

Structure

CrewAI/
├── SocialMedia/
│   ├── ContentCrew.py          ← orchestration des 4 agents
│   └── README.md
└── E-commerce/
    ├── ProductAssistant/
    │   ├── ProductAssistant.py
    │   └── README.md
    └── WinnerFinder/
        ├── WinnerFinder.py
        └── README.md

---

Architecture d'un crew

Un crew CrewAI = 4 éléments :

1. Agents — chacun a un rôle (role), un objectif (goal), un backstory (backstory), et un LLM
2. Tasks — chaque tâche a une description, un expected_output, et est assignée à un agent
3. Crew — l'orchestrateur qui séquence les tâches (mode sequential par défaut)
4. Tools (optionnel) — scraping, recherche web, calcul…

Dans tous les crews ici, le mode est séquentiel : chaque agent enrichit le résultat de l'agent précédent, comme un pipeline.

[Agent 1] → [Agent 2] → [Agent 3] → [Agent 4] → fichier .txt

---

Performances (iMac 2013, 32 GB RAM)

Crew	Temps moyen	Modèle
SocialMedia	5–10 min	mistral
ProductAssistant	8–15 min	mistral
WinnerFinder (sans Serper)	~10 min	mistral
WinnerFinder (avec Serper)	15–20 min	mistral

---

Dépannage

Connection refused → Ollama n'est pas lancé

ollama serve

Model not found → le modèle n'est pas téléchargé

ollama pull mistral

Génération trop lente → réduire la longueur demandée dans les tâches ou utiliser un modèle plus petit (ollama pull phi3).

---

Roadmap

• Crew 4 — Analyste CV / matching d'offres d'emploi (en lien avec intern-bot)
• Passer l'orchestration en mode hiérarchique (un agent manager qui supervise)
• Ajouter un outil de scraping web propre (respect des robots.txt)
• Mémoire persistante entre sessions (chroma / sqlite)
• Interface Streamlit pour lancer les crews sans ligne de commande
• Export en Markdown / PDF au lieu de .txt brut
• Conteneurisation Docker (Ollama + crews)

---

Ce que j'ai appris

• Orchestration multi-agent — découper un problème complexe en sous-tâches atomiques assignées à des rôles spécialisés
• Prompt engineering structuré — role + goal + backstory + expected_output donnent des résultats 10× plus fiables qu'un prompt libre
• LLM local — Ollama rend les modèles 7B utilisables sur une machine modeste ; trade-off vitesse vs confidentialité
• Pipeline séquentiel vs hiérarchique — quand l'un est plus adapté que l'autre
• Coût zéro — tout le stack est open-source / gratuit ; intéressant pour des use cases où les données ne peuvent pas quitter l'entreprise
• Limites des LLM 7B — ils hallucinent, il faut toujours ancrer les sorties avec des outils de recherche ou de vérification

---

Licence

Projet personnel d'exploration de CrewAI et des architectures multi-agents locales.