Behöver jag en GPU för att köra CrewAI?

Nej — inte för den vanliga uppsättningen. CrewAI orkestrerar agenter; det faktiska tänkandet sker i en LLM du anropar över ett API (OpenAI, Anthropic, etc.). Din server kör bara Python, håller besättningslogiken, och gör HTTP-anrop. Det är CPU- och RAM-arbete, inte GPU. Du skulle bara vilja ha en GPU om du kör modellen lokalt också (t.ex. via Ollama), vilket är en annan, mycket tyngre uppsättning.

Vilken storlek VPS behöver jag?

De flesta besättningar är lätta på boxen eftersom det tunga arbetet är remote. Ett 1–2 GB RAM-plan hanterar en liten besättning bekvämt. Höj till 4 GB om du kör flera besättningar, håller långa konversationshistoriker i minnet, eller lägger till en vector store för agent-minne. Börja litet — du kan resiza senare.

Hur håller jag besättningen körande efter att jag kopplar från?

Kör den som en systemd-tjänst (rekommenderat) eller i tmux för snabba tester. systemd startar om den om den kraschar och startar den vid boot — vilket är hela poängen med att flytta bort från din laptop. Det finns ett fullständigt mönster nedan.

Kan jag betala utan kort eller ID?

Ja. EQVPS tar USDC eller USDT på Base, Ethereum eller Polygon, och det finns ingen identitetskontroll. Registrering är en e-post och en engångskod. Base har de lägsta nätverksavgifterna om du finansierar ett litet saldo.

Kan agenten hyra sin egen server?

Ja — EQVPS exponerar en MCP-server (mcp.eqvps.com/mcp), så en agent med ett finansierat saldo kan anropa order_vps och tillhandahålla en box själv. Användbart om ett av din besättnings jobb är att starta infrastruktur.

Kör en CrewAI multi-agent-besättning på en VPS

Din CrewAI-besättning körs utmärkt på din laptop. Agenterna pratar med varandra, forskaren lämnar över till skribenten, det hela surrar — precis tills du stänger locket och allt stannar. Eller din wifi tappar mitt i en uppgift. Eller du startar om och glömmer att starta den igen.

En besättning som bara körs medan du tittar är inte automatisering. Det är en demo. Att flytta den till en VPS är vad som förvandlar den till något som faktiskt fungerar medan du sover.

Varför en server, inte din maskin

Pitchen är enkel: en VPS är en dator som aldrig stänger sitt lock. Den har en fast IP, den somnar inte, och om processen dör kan den ta tillbaka sig själv. För en multi-agent-besättning — som av design kör långa, pratsamma, multi-step-jobb — är det skillnaden mellan "det fungerade en gång" och "den har körts i tre veckor."

Det finns en andra anledning som överraskar folk på ett bra sätt: du behöver ingen kraftfull maskin. Mer om det härnäst, för det är frågan alla ställer först.

Nej, du behöver ingen GPU

Detta är delen folk har fel om när det gäller att hosta agenter. CrewAI är en orkestrator. Den bestämmer vilken agent som agerar, i vilken ordning, med vilken kontext — och sedan ber den en språkmodell att göra det faktiska resonerandet. Den modellen lever nästan alltid bakom ett API: du skickar en förfrågan till OpenAI eller Anthropic, de kör den på sina GPU:er, du får text tillbaka.

Så din server gör tre saker: kör Python, håller besättningens state, och gör HTTPS-anrop. Inget av det rör en GPU. En vanlig CPU-VPS är precis rätt. Det enda tillfället detta ändras är om du också vill köra modellen lokalt — men det är ett separat, tyngre projekt, och de flesta besättningar gör det inte.

Praktiskt: ett 1–2 GB-plan kör en liten besättning utan att svettas. Gå till 4 GB om du kör flera besättningar samtidigt, håller stora konversationshistoriker i RAM, eller bultar på en vector-databas för långsiktigt agent-minne.

Den faktiska uppsättningen

Färsk Ubuntu-box, root på ungefär en minut efter beställning. Här är hela grejen:

# 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)

Din .env håller den enda hemligheten som spelar roll — LLM-API-nyckeln:

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

Sedan kör en vanlig python crew.py den. Det är den manuella versionen. Den fungerar, men den dör i det ögonblick din SSH-session stängs — vilket för oss till den faktiska poängen med en server.

Håll den vid liv med systemd

tmux är fint för ett snabbt test. För något riktigt, använd systemd — det startar om besättningen om den kraschar och tar upp den vid omstart. Släpp detta i /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 körs besättningen vid boot, startar om vid fel, och loggar överallt där du kan läsa dem. Stäng din laptop — den bryr sig inte.

Att betala för den

Registrering är en e-post och en engångskod — inget kort, inget ID. Du finansierar ett saldo med USDC eller USDT på Base, Ethereum eller Polygon (Base är billigast på avgifter), och beställningar drar från det. För en besättning som mestadels gör utgående API-anrop är standard NAT-planet fint och billigare; välj ett -ip-plan bara om besättningen behöver sin egen publika IPv4 för inkommande tjänster.

Ett fint trick: EQVPS har en MCP-server på mcp.eqvps.com/mcp. Om tillhandahållande självt är ett av din besättnings jobb kan en agent med ett finansierat saldo anropa order_vps och resa en box på egen hand — ingen människa vid checkouten.

Vad som är ärligt att säga

Du tar med LLM-API-nycklarna. Vi hostar besättningen, inte modellen. Din OpenAI/Anthropic-räkning är separat och, för en upptagen besättning, oftast den större kostnaden — VPS:en är den billiga delen.

Det är CPU-only, ett datacenter i Tyskland. Ingen lokal GPU-inferens, och latens är bäst om dina användare eller API:er är Europa-nära. För en besättning som når US-hostade LLM-API:er är det extra hoppet millisekunder — irrelevant bredvid model-latens — men värt att veta.

Dimensionera för ditt minne, inte din modell. Det som faktiskt får din RAM-användning att växa är konversationshistorik och vilken vector store du än lägger till, inte antalet agenter. Titta på journalctl och htop en dag och resiza om du behöver.

Slutsatsen

En CrewAI-besättning hör hemma på något som inte sover. Flytten är kort: en CPU-VPS, pip install crewai, en systemd-unit, din API-nyckel i en .env. Tio minuter och din besättning körs 24/7 istället för "när laptopen är öppen." Root på ungefär en minut, betala i krypto, resiza när minnet säger åt dig — och låt agenterna fortsätta med det.