基于CrewAI创建一个简单的智能体

一、CrewAI 是什么？能解决什么问题？

1.1 核心定位

CrewAI 是一款专为 多智能体协作 设计的 Python 框架，它允许你像 "组建团队" 一样，创建不同角色的 AI 智能体（Agent），并为每个智能体分配专属任务（Task），最终让多个智能体协作完成复杂任务。

1.2 核心优势

• 角色分工：模拟真实团队协作，不同 Agent 承担不同角色（如研究员、作家、分析师）；
• 任务编排：支持串行 / 并行执行任务，后序任务可复用前序任务的结果；
• 低代码开发：无需复杂配置，几行代码即可搭建多智能体协作流程；
• 兼容多模型：支持本地大模型（如 Ollama 部署的 Gemma、Qwen）、云端 API（如 OpenAI、DeepSeek）。

1.3 适用场景

• 技术文档 / 博客自动生成（如本文案例）；
• 数据分析 + 报告撰写全流程自动化；
• 多步骤的复杂知识问答；
• 项目需求分析 + 方案设计 + 代码开发。

1.4 名词概念解释

Agents（智能体）：自主可控单元，可执行任务、做决定、与其他Agent协作，类比团队成员，具备特定技能。

核心属性：

• role（角色）：定义其在团队中的功能定位

• goal（目标）：明确Agent需实现的核心目的

• backstory（背景信息）：为Agent提供上下文，辅助其贴合角色输出

**Tasks（任务）：**分配给Agent的具体工作，包含执行所需全部细节。

核心属性：

• description（任务描述）：简明说明任务要求

• agent（分配的Agent）：指定负责执行该任务的Agent

• expected_output（期望输出）：详细描述任务完成标准

• Tools（工具列表）：为Agent提供执行任务可使用的工具

• output_json（输出json）：指定输出格式为单一json对象

• output_file（输出文件）：将任务结果保存至文件，并指定格式

• context（上下文）：指定前置任务，其输出作为当前任务的上下文

**Processes（流程）：**协调Agent执行任务的机制，类比项目经理，确保任务执行效率与计划一致，核心有两种模式：

• sequential（顺序流程）：按预定义任务列表顺序执行，前置任务输出作为后置任务上下文

• hierarchical（分层流程）：指定管理Agent，负责计划、授权、验证任务；不预先分配任务，根据Agent能力分配并审查产出

Crews（团队）：

一组Agent的集合，协作完成一系列任务，定义任务执行策略、Agent协作方式及整体流程。

核心属性：Tasks（任务列表）、Agents（Agent列表）、Process（执行流程）、manager_llm（分层模式下的大模型）、language（使用语言）、language_file（语言文件）。

**Pipleline（流水线）：**结构化工作流程，允许多个Crew顺序或并行执行，用于组织多阶段复杂流程，前置阶段输出作为后置阶段输入。

关键术语：

• Stage（阶段）：流水线的独立部分，可为顺序或并行Crews

• Run（运行）：流水线处理的单个实例

• Branch（分支）：Stage内的并行执行逻辑

• Trace（轨迹）：单个输入在整个流水线中的运行路径及转换记录

二、测试环境搭建

2.1 安装依赖

首先安装 CrewAI 核心库和必要依赖：

pip install crewai
pip install langchain
pip install openai

2.2 获取大模型API接口

这里以Ollama本地所部署模型gemma3:1b为例。

model="gemma3:1b"
api_key="test"
api_base="http://localhost:11434/v1"

2.3 案例目标

创建两个智能体：

• 技术研究员：研究 "Python 读取各类文件的方法"，输出带代码的研究报告；
• 技术博客作家：基于研究报告，撰写入门级中文技术博客。

from crewai import Agent, Task, Crew, Process
from crewai.llm import LLM

# =====================================================
# LLM 配置（添加中文输出强制约束）
# =====================================================
llm = LLM(
    model="gemma3:1b",
    api_key="test",
    api_base="http://localhost:11434/v1",
    temperature=0.7,

)

# =====================================================
# Agents（优化角色描述，强化中文输出要求）
# =====================================================
researcher = Agent(
    role="Python技术研究员",
    goal="系统梳理Python读取各类文件的方法，提供准确、可运行的代码示例和使用场景说明。",
    backstory="精通Python文件操作，擅长总结不同场景下的最优文件读取方案，注重示例的可复现性。",
    llm=llm,
    verbose=True,
    allow_delegation=False,
    # Agent级别强化中文输出
    system_prompt="你的所有研究成果必须用中文呈现，代码注释也需为中文，技术术语需给出中文解释。"
)

writer = Agent(
    role="Python入门教程作家",
    goal="将技术研究成果转化为通俗易懂的中文教程，适合Python初学者理解和实践。",
    backstory="擅长把复杂的技术知识点拆解为简单步骤，用中文清晰讲解，示例贴近新手实际使用场景。",
    llm=llm,
    verbose=True,
    allow_delegation=False,
    # Agent级别强化中文输出
    system_prompt="你撰写的教程必须全程使用中文，语言简洁易懂，代码注释为中文，避免专业术语堆砌。"
)

# =====================================================
# Tasks（替换为"Python读取文件"相关任务，逻辑匹配）
# =====================================================
research_task = Task(
    description=(
        "深入研究：Python读取各类文件的方法。\n"
        "重点包括：\n"
        "1. 文本文件（.txt）的读取（基础方法、按行读取、编码处理）；\n"
        "2. CSV文件（.csv）的读取（内置csv模块、pandas库）；\n"
        "3. Excel文件（.xlsx/.xls）的读取（pandas库）；\n"
        "4. JSON文件（.json）的读取（内置json模块）；\n"
        "5. 常见问题处理（文件路径、编码错误、空文件、大文件读取优化）。\n"
        "要求：必须提供完整、可运行的中文注释代码示例，注明每种方法的适用场景和优缺点。"
    ),
    agent=researcher,
    expected_output=(
        "一份中文研究报告，包含：\n"
        "1. 不同文件类型的读取方法分类；\n"
        "2. 每种方法的完整代码示例（中文注释）；\n"
        "3. 常见问题及解决方案；\n"
        "4. 各方法的适用场景和性能对比。"
    ),
)

write_task = Task(
    description=(
        "基于研究报告，撰写入门级中文技术博客。\n"
        "标题：《Python读取文件全攻略：从txt到Excel的一站式教程》。\n"
        "要求：\n"
        "1. 全文不少于500字，纯中文撰写，无任何英文；\n"
        "2. 结构清晰，分章节讲解不同文件类型的读取方法；\n"
        "3. 代码示例附带详细中文注释，新手可直接复制运行；\n"
        "4. 加入新手常见坑点和避坑建议；\n"
        "5. 格式为Markdown，包含标题、小标题、代码块、注意事项等。"
    ),
    agent=writer,
    context=[research_task],
    expected_output="大约500字的纯中文Markdown技术博客，包含清晰的章节划分、可运行的中文注释代码示例、新手避坑指南。",
)

# =====================================================
# Crew
# =====================================================
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,
    verbose=True,
)

# =====================================================
# Run
# =====================================================
if __name__ == "__main__":
    print("开始执行Python文件读取方法研究与博客撰写任务...")
    result = crew.kickoff()

    output = result.raw

    with open("python_file_reading_guide.md", "w", encoding="utf-8") as f:
        f.write(output)

    print("任务完成！博客已保存至 python_file_reading_guide.md")

2.4 组件说明

核心组件	作用说明
LLM()	配置大模型连接（支持本地 / Ollama / 云端 API），是所有智能体的 "大脑"；
Agent()	定义智能体角色，包含 role（角色）、goal（目标）、backstory（背景）三大核心参数；
Task()	定义具体任务，description 是任务要求，context 可指定依赖的前置任务；
Crew()	组建智能体团队，process 指定任务执行方式（sequential 串行 /hierarchical 分层）；
crew.kickoff()	启动团队任务执行，返回所有任务的最终结果。

2.5 运行结果展示