Heb ik een GPU nodig om CrewAI te draaien?

Nee — niet voor de gebruikelijke setup. CrewAI orkestreert agents; het echte denken gebeurt in een LLM die je over een API aanroept (OpenAI, Anthropic, etc.). Je server draait gewoon Python, houdt de crew-logica vast, en maakt HTTP-calls. Dat is CPU- en RAM-werk, geen GPU. Je zou alleen een GPU willen als je het model ook lokaal draait (bijv. via Ollama), wat een andere, veel zwaardere setup is.

Welke grootte VPS heb ik nodig?

De meeste crews zijn licht op de box omdat het zware werk remote is. Een 1–2 GB RAM-plan handelt een kleine crew comfortabel af. Verhoog naar 4 GB als je meerdere crews draait, lange conversatiegeschiedenissen in geheugen houdt, of een vector store toevoegt voor agent-geheugen. Begin klein — je kunt later resizen.

Hoe houd ik de crew draaiend nadat ik loskoppel?

Draai hem als een systemd-service (aanbevolen) of in tmux voor snelle tests. systemd herstart hem als hij crasht en start hem bij boot — wat het hele punt is van weg gaan van je laptop. Er is een volledig patroon hieronder.

Kan ik betalen zonder kaart of ID?

Ja. EQVPS neemt USDC of USDT op Base, Ethereum of Polygon, en er is geen identiteitscontrole. Aanmelden is een e-mail en een eenmalige code. Base heeft de laagste netwerkkosten als je een klein saldo financiert.

Kan de agent zijn eigen server huren?

Ja — EQVPS stelt een MCP-server beschikbaar (mcp.eqvps.com/mcp), dus een agent met een gefinancierd saldo kan order_vps aanroepen en zelf een box provisioneren. Nuttig als een van de taken van je crew het opstarten van infrastructuur is.

Draai een CrewAI multi-agent-crew op een VPS

Je CrewAI-crew draait geweldig op je laptop. De agents praten met elkaar, de onderzoeker draagt over aan de schrijver, het geheel zoemt — precies tot je de klep sluit en het allemaal stopt. Of je wifi valt weg midden in een taak. Of je herstart en vergeet hem opnieuw te starten.

Een crew die alleen draait terwijl je kijkt is geen automatisering. Het is een demo. Hem naar een VPS verplaatsen is wat het verandert in iets dat echt werkt terwijl je slaapt.

Waarom een server, niet je machine

De pitch is simpel: een VPS is een computer die nooit zijn klep sluit. Het heeft een vast IP, het slaapt niet, en als het proces sterft kan het zichzelf terugbrengen. Voor een multi-agent-crew — die van nature lange, praatgrage, multi-step-taken draait — is dat het verschil tussen "het werkte één keer" en "het draait al drie weken."

Er is een tweede reden die mensen op een goede manier verrast: je hebt geen krachtige machine nodig. Meer daarover hierna, want het is de vraag die iedereen eerst stelt.

Nee, je hebt geen GPU nodig

Dit is het deel dat mensen verkeerd hebben over het hosten van agents. CrewAI is een orkestrator. Het beslist welke agent handelt, in welke volgorde, met welke context — en dan vraagt het een taalmodel om het echte redeneren te doen. Dat model leeft bijna altijd achter een API: je stuurt een verzoek naar OpenAI of Anthropic, zij draaien het op hun GPU's, je krijgt tekst terug.

Dus je server doet drie dingen: Python draaien, de state van de crew vasthouden, en HTTPS-calls maken. Niets daarvan raakt een GPU. Een gewone CPU-VPS is precies goed. Het enige moment dat dit verandert is als je ook het model lokaal wilt draaien — maar dat is een apart, zwaarder project, en de meeste crews niet.

Praktisch: een 1–2 GB-plan draait een kleine crew zonder moeite. Ga naar 4 GB als je meerdere crews tegelijk draait, grote conversatiegeschiedenissen in RAM houdt, of een vector-database vastbout voor langdurig agent-geheugen.

De echte setup

Verse Ubuntu-box, root in ongeveer een minuut na bestellen. Hier is het hele ding:

# 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)

Je .env houdt het ene geheim dat ertoe doet — de LLM-API-key:

OPENAI_API_KEY=sk-...
# or ANTHROPIC_API_KEY, etc.

Dan draait een normale python crew.py het. Dat is de handmatige versie. Het werkt, maar het sterft op het moment dat je SSH-sessie sluit — wat ons bij het eigenlijke punt van een server brengt.

Houd het in leven met systemd

tmux is prima voor een snelle test. Voor iets echts, gebruik systemd — het herstart de crew als hij crasht en brengt hem op bij reboot. Zet dit in /etc/systemd/system/mycrew.service:

[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

Nu draait de crew bij boot, herstart bij falen, en logt overal waar je het kunt lezen. Sluit je laptop — het kan het niets schelen.

Ervoor betalen

Aanmelden is een e-mail en een eenmalige code — geen kaart, geen ID. Je financiert een saldo met USDC of USDT op Base, Ethereum of Polygon (Base is het goedkoopst op kosten), en bestellingen trekken eruit. Voor een crew die vooral uitgaande API-calls maakt, is het standaard NAT-plan prima en goedkoper; kies alleen een -ip-plan als de crew zijn eigen publieke IPv4 nodig heeft voor inkomende services.

Eén mooie truc: EQVPS heeft een MCP-server op mcp.eqvps.com/mcp. Als provisioneren zelf een van de taken van je crew is, kan een agent met een gefinancierd saldo order_vps aanroepen en zelf een box opzetten — geen mens bij de checkout.

Wat eerlijk is om te zeggen

Jij brengt de LLM-API-keys. Wij hosten de crew, niet het model. Je OpenAI/Anthropic-rekening is apart en, voor een drukke crew, meestal de grotere kosten — de VPS is het goedkope deel.

Het is CPU-only, één datacenter in Duitsland. Geen lokale GPU-inferentie, en latency is het best als je gebruikers of API's Europa-nabij zijn. Voor een crew die US-gehoste LLM-API's raakt is de extra hop milliseconden — irrelevant naast model-latency — maar goed om te weten.

Dimensioneer voor je geheugen, niet je model. Wat je RAM-gebruik werkelijk laat groeien is conversatiegeschiedenis en elke vector store die je toevoegt, niet het aantal agents. Kijk een dag naar journalctl en htop en resize als je moet.

De les

Een CrewAI-crew hoort op iets dat niet slaapt. De verhuizing is kort: een CPU-VPS, pip install crewai, een systemd-unit, je API-key in een .env. Tien minuten en je crew draait 24/7 in plaats van "wanneer de laptop open is." Root in ongeveer een minuut, betaal in crypto, resize wanneer het geheugen je dat vertelt — en laat de agents ermee doorgaan.