የCrewAI crewዎ በlaptopዎ ላይ በጣም በጥሩ ሁኔታ ይሮጣል። agents እርስ በርስ ይነጋገራሉ፣ researcher ወደ writer ያስተላልፋል፣ ሁሉም ያንጎራጉራል — lidን እስከሚዘጉ እና ሁሉም እስከሚቆም ድረስ በትክክል። ወይም wifiዎ በtask መካከል ይወድቃል። ወይም ይreboot ያደርጋሉ እና እንደገና ማስጀመር ይረሳሉ።
እርስዎ እየተመለከቱ ብቻ የሚሮጥ crew automation አይደለም። demo ነው። ወደ VPS ማንቀሳቀስ እርስዎ ሲተኙ በእውነት ወደሚሠራ ነገር የሚቀይረው ነው።
ለምን server፣ machineዎ አይደለም
pitchው ቀላል ነው: VPS ፈጽሞ lidውን የማይዘጋ computer ነው። ቋሚ IP አለው፣ አይተኛም፣ እና process ከሞተ ራሱን መመለስ ይችላል። ለmulti-agent crew — በdesign ረጅም፣ ወሬኛ፣ multi-step jobs ለሚያሄድ — ያ "አንድ ጊዜ ሠራ" እና "ለሦስት ሳምንት እየሮጠ ነው" መካከል ያለው ልዩነት ነው።
ሰዎችን በጥሩ መንገድ የሚያስገርም ሁለተኛ ምክንያት አለ: ኃይለኛ machine አያስፈልግዎም። ስለዚያ ቀጥሎ ተጨማሪ፣ ምክንያቱም ሁሉም ሰው መጀመሪያ የሚጠይቀው ጥያቄ ነው።
አይ፣ GPU አያስፈልግዎም
ይህ ሰዎች ስለ agents ማስተናገድ የሚሳሳቱበት ክፍል ነው። CrewAI orchestrator ነው። የትኛው agent እንደሚሠራ፣ በምን ቅደም ተከተል፣ በምን context ይወስናል — ከዚያ language model ትክክለኛውን reasoning እንዲያደርግ ይጠይቃል። ያ model ሁልጊዜ ማለት ይቻላል ከAPI በስተጀርባ ይኖራል: ወደ OpenAI ወይም Anthropic request ይልካሉ፣ በGPUs ላይ ያሄዱታል፣ text ተመልሶ ያገኛሉ።
ስለዚህ serverዎ ሦስት ነገሮች ያደርጋል: Python ያሄዳል፣ የcrew stateን ይይዛል፣ እና HTTPS calls ያደርጋል። ከዚያ ምንም GPU አይነካም። ተራ CPU VPS በትክክል ትክክል ነው። ይህ የሚለወጠው modelን በlocal ደግሞ ማሄድ ሲፈልጉ ብቻ ነው — ግን ያ የተለየ፣ ከባድ project ነው፣ እና አብዛኞቹ crews አያደርጉም።
በተግባር: 1–2 GB plan ትንሽ crewን ሳይታክት ያሄዳል። በአንድ ጊዜ በርካታ crews ካሄዱ፣ ትላልቅ conversation histories በRAM ካቆዩ፣ ወይም ለረጅም-ጊዜ agent memory vector database ካያያዙ ወደ 4 GB ይሂዱ።
እውነተኛው setup
አዲስ Ubuntu box፣ ካዘዙ በኋላ በአንድ ደቂቃ አካባቢ root። ሙሉው ይኸውና:
# Python + venv
apt update && apt install -y python3-venv python3-pip
python3 -m venv ~/crew && source ~/crew/bin/activate
# CrewAI
pip install crewai crewai-tools
# your project
mkdir ~/mycrew && cd ~/mycrew
# copy your crew.py and .env up here (scp / git clone)
.envዎ አስፈላጊውን አንድ ሚስጥር ይይዛል — የLLM API key:
OPENAI_API_KEY=sk-...
# or ANTHROPIC_API_KEY, etc.
ከዚያ ተራ python crew.py ያሄደዋል። ያ manual ስሪቱ ነው። ይሠራል፣ ግን SSH sessionዎ በሚዘጋበት ቅጽበት ይሞታል — ይህም ወደ server ትክክለኛ ነጥብ ያመጣናል።
በsystemd ሕያው ያድርጉት
tmux ለፈጣን test ጥሩ ነው። ለማንኛውም እውነተኛ ነገር፣ systemd ይጠቀሙ — crash ካደረገ crewን ይrestart ያደርጋል እና በreboot ያመጣዋል። ይህን በ/etc/systemd/system/mycrew.service ውስጥ ያስቀምጡ:
[Unit]
Description=CrewAI crew
After=network-online.target
[Service]
WorkingDirectory=/root/mycrew
ExecStart=/root/crew/bin/python /root/mycrew/crew.py
Restart=always
RestartSec=5
EnvironmentFile=/root/mycrew/.env
[Install]
WantedBy=multi-user.target
systemctl daemon-reload
systemctl enable --now mycrew
journalctl -u mycrew -f # watch it work
አሁን crew በboot ይሮጣል፣ በfailure ይrestart ያደርጋል፣ እና ሊያነቡት በሚችሉት ሁሉ ቦታ ይlog ያደርጋል። laptopዎን ይዝጉ — ግድ የለውም።
ለእሱ መክፈል
Signup ኢሜይል እና የአንድ ጊዜ code ነው — ካርድ የለም፣ ID የለም። balanceን በUSDC ወይም USDT በBase፣ Ethereum ወይም Polygon ይሞላሉ (Base በfees ርካሹ ነው)፣ እና orders ከእሱ ይሳባሉ። በአብዛኛው outbound API calls የሚያደርግ crew፣ default NAT plan ጥሩ እና ርካሽ ነው፤ crew ለinbound services የራሱ public IPv4 ከፈለገ ብቻ -ip plan ይምረጡ።
አንድ ጥሩ ዘዴ: EQVPS በmcp.eqvps.com/mcp MCP server አለው። provisioning ራሱ ከcrewዎ ስራዎች አንዱ ከሆነ፣ የተሞላ balance ያለው agent order_vps መጥራት እና box ራሱ ማቆም ይችላል — በcheckout ሰው የለም።
ግልጽ ለመናገር ምንድን ነው
የLLM API keys እርስዎ ያመጣሉ። crewን እናስተናግዳለን፣ modelን አይደለም። የOpenAI/Anthropic ሂሳብዎ የተለየ ነው እና፣ ለተጠመደ crew፣ አብዛኛውን ጊዜ ትልቁ ወጪ — VPS ርካሹ ክፍል ነው።
CPU-only ነው፣ በጀርመን አንድ datacenter። local GPU inference የለም፣ እና latency users ወይም APIsዎ Europe-አጠገብ ከሆኑ ምርጥ ነው። US-hosted LLM APIs የሚመታ crew ተጨማሪ hop milliseconds ነው — ከmodel latency አጠገብ ተዛማጅ ያልሆነ — ግን ማወቅ ጠቃሚ።
ለmemoryዎ ይመዘኑ፣ ለmodelዎ አይደለም። RAM አጠቃቀምዎን በእውነት የሚያሳድገው conversation history እና የሚያክሉት ማንኛውም vector store ነው፣ የagents ቁጥር አይደለም። journalctl እና htopን ለአንድ ቀን ይመልከቱ እና ካስፈለገ resize ያድርጉ።
ማጠቃለያ
CrewAI crew የማይተኛ ነገር ላይ ይገባል። እንቅስቃሴው አጭር ነው: CPU VPS፣ pip install crewai፣ systemd unit፣ API keyዎ በ.env። አስር ደቂቃ እና crewዎ "laptop ክፍት ሲሆን" ሳይሆን 24/7 ይሮጣል። root በአንድ ደቂቃ አካባቢ፣ በcrypto ይክፈሉ፣ memory ሲነግርዎ resize ያድርጉ — እና agents እንዲቀጥሉ ይፍቀዱ።
አስተያየቶች
እስካሁን አስተያየቶች የሉም። መጀመሪያ ይሁኑ።