CrewAI ：当 Agent 学会团队协作

目录

[📍 定位](#📍 定位)

[🎯 选型指南](#🎯 选型指南)

[🏗️ 原理与架构](#🏗️ 原理与架构)

[📐 双层架构](#📐 双层架构)

[👥 Crew：Agent 团队](#👥 Crew：Agent 团队)

[🌊 Flow：生产级工作流](#🌊 Flow：生产级工作流)

[🎨 设计原则](#🎨 设计原则)

[💎 价值](#💎 价值)

[🧩 解决"单 Agent 天花板"](#🧩 解决“单 Agent 天花板”)

[🚀 从原型到生产](#🚀 从原型到生产)

[🌍 生态](#🌍 生态)

[🚀 快速入门](#🚀 快速入门)

[🧪 最小可运行 Demo](#🧪 最小可运行 Demo)

[💡 运行后你会看到](#💡 运行后你会看到)

[🎉 总结](#🎉 总结)

---

📍 定位

CrewAI 是一个编排多 Agent 协作的 Python 框架

核心理念：让 AI 像真实团队一样工作 👥------有角色、有分工、有流程，它不是"又一个 LLM 调用库"，而是 Agent 团队的运行时

|---------|------------------------------------|
| 概念 | 含义 |
| Agent | 有 role、goal、backstory 的 LLM 实例 |
| Task | 有描述、预期输出、依赖关系的任务单元 |
| Crew | Agent + Task 的容器，控制执行策略 |
| Process | sequential（串行）或 hierarchical（层级管理） |
| Flow | 事件驱动编排，支持条件分支、状态管理 |

---

🎯 选型指南

✅ 选 CrewAI，如果你：

• 想要快速上手，YAML 配置 Agent，10 行代码跑起来 ⚡

• 需要明确的角色分工和任务流水线

• 需要生产级事件驱动工作流，且不想手写底层图结构

• 团队有非技术人员需要参与 Agent 行为调整

✅ 选 AutoGen，如果你：

• 需要人类深度参与 Agent 的决策过程（医疗、法律、金融）🏥

• 偏好对话式、讨论式的 Agent 协作（头脑风暴、辩论）🗣️

• 在微软技术栈（.NET / Azure）上构建

✅ 选 LangGraph，如果你：

• 需要极其精细的流程控制（每个分支、每个条件、每个循环）🎯

• 需要原生 checkpointing 和时间旅行调试

• 已经在 LangChain 生态中深度使用

• 愿意为控制力付出更多代码量的代价 💪

---

🏗️ 原理与架构

📐 双层架构

CrewAI 的架构分为两层：

Crew 是内层容器，负责 Agent 团队内部的任务分配和执行。

Flows 是外层编排器，负责多个 Crew 之间的调度、条件跳转和状态传递。

👥 Crew：Agent 团队

一个 Crew 由五个要素构成：

1. Agent ：定义 role（角色）、goal（目标）、backstory（背景故事）。LLM 根据这三要素理解"我是谁、我要做什么"，效果远好于硬编码 prompt 🧠

2. Task ：定义 description（做什么）、expected_output（产出什么）、agent（谁执行），可选 context、human_input（人类审批）

3. Process：Sequential（顺序执行，前一个输出自动成为下一个的上下文）或 Hierarchical（自动创建 Manager Agent 负责委派和验证）

4. Tool：Agent 可调用的外部能力（搜索、代码执行、API 等）🔧

5. Memory：短期记忆（当前会话）、长期记忆（跨会话）、实体记忆（关键信息存储）💾

核心执行流程：

kickoff() → Process 决定顺序 → Agent 接收任务 → LLM 推理 + Tool 执行 → 结果传给下一个 Agent → 所有任务完成，返回最终输出 ✔️

🌊 Flow：生产级工作流

Crew 适合"智能协作"场景，但现实业务往往需要精确的控制流。Flow 的核心原语：

|-------------------------|-----------------|
| 原语 | 作用 |
| @start() | 入口函数 🚪 |
| @listen(step) | 监听某步骤完成，串行执行 👂 |
| @router(step) | 条件路由，根据返回值分支 🔀 |
| @listen(or_(s1, s2)) | 任一条件触发 ⚡ |
| @listen(and_(s1, s2)) | 所有条件满足才触发 🔗 |

状态管理通过 Pydantic BaseModel 实现，类型安全：

class AnalysisState(BaseModel):
    sentiment: str = "neutral"
    confidence: float = 0.0
    recommendations: list = []

Flow 和 Crew 不是互斥的。典型用法：Flow 控制整体业务流程（"先分析、再判断、再执行"），每个关键步骤内部用 Crew 完成需要智能协作的复杂子任务 🔄。

🎨 设计原则

1. 语义化角色 ：用 role/goal/backstory 定义 Agent，而非 prompt 模板。LLM 自己理解"我是谁"，效果优于硬编码 🌟

2. YAML 配置驱动：Agent 和 Task 用 YAML 管理，与 Python 代码解耦，非技术人员可参与调整 📄

3. 渐进式复杂度：5 行代码跑一个简单 Crew，10 行加 Flow 做条件路由，不加 Flow 也能直接用于生产 🚀

---

💎 价值

🧩 解决"单 Agent 天花板"

单个 LLM 的能力边界明确：上下文窗口有限、推理能力有限、无法并行。CrewAI 通过多 Agent 协作突破：

• 上下文不膨胀：每个 Agent 只看自己的任务和必要上下文

• 角色专业化：研究员只做研究、写手只写报告、审核员只做审核

• 并行执行 ：通过 Flow 的 or_ 触发，多个 Agent 可同时工作 ⚡

  ---

🚀 从原型到生产

多数 AI 框架原型好用、生产吃力。CrewAI 提供了平滑路径：

Flow 用于精确控制（确定性业务逻辑），Crew 用于智能协作（需要 AI 判断的创意工作），同一套代码从实验到部署 📈。

🌍 生态

• 10万+ 认证开发者，DeepLearning.AI 两门官方课程 🎓

• 官方 AI Coding Skills（为 Claude Code、Cursor 等提供结构化指令）

• 商业版 AMP Suite 提供 Tracing、控制平面、企业级安全与合规 🔐

---

🚀 快速入门

uv pip install crewai
crewai create crew my-first-crew

生成目录：agents.yaml（Agent 定义）、tasks.yaml（Task 定义）、crew.py（组装）、main.py（入口）📂。

📄 agents.yaml：

researcher:
  role: "{topic} Senior Data Researcher"
  goal: "Uncover cutting-edge developments in {topic}"
  backstory: "You're a seasoned researcher..."

📄 tasks.yaml：

research_task:
  description: "Conduct thorough research about {topic}"
  expected_output: "A list with 10 bullet points about {topic}"
  agent: researcher

▶️ 运行：

MyFirstCrew().crew().kickoff(inputs={'topic': 'AI Agents'})

---

🧪 最小可运行 Demo

想立刻感受一下 CrewAI 的协作魅力吗？下面这个例子会帮你快速跑通"研究员 + 分析师"的经典组合：一个 Agent 负责搜索最新情报，另一个负责整理成报告，全程自动协作 ✨

import os
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool

# 🔍 1. 准备搜索工具（如不需要联网可删除此工具及相关引用）
search_tool = SerperDevTool()

# 🤖 2. 定义 Agent ------ 像组建一支虚拟梦之队
researcher = Agent(
    role='高级数据研究员',
    goal='发掘 AI Agents 领域的前沿进展',
    backstory='你是一位经验丰富的研究员，擅长从海量信息中提炼出关于 AI Agents 的最新、最相关的洞察。',
    tools=[search_tool],   # 赋予研究员联网搜索能力
    verbose=True           # 打印详细思考过程
)

analyst = Agent(
    role='报告分析师',
    goal='根据研究员的数据，创建详细、清晰的总结报告',
    backstory='你是一位严谨的分析师，眼光敏锐，能把复杂的数据转化为清晰易懂的 Markdown 报告。',
    verbose=True
)

# 📋 3. 定义任务 ------ 告诉每位 Agent 具体要做什么
research_task = Task(
    description='对 AI Agents 在 2025 年的最新发展进行深入研究，找出 5 个最关键的技术突破。',
    expected_output='一份包含 5 个关键点的研究清单。',
    agent=researcher            # 研究员执行
)

report_task = Task(
    description='根据研究清单，将其扩展为一份完整的 Markdown 报告。',
    expected_output='一份格式化的 Markdown 报告，包含标题、各小节和项目符号。',
    agent=analyst,              # 分析师执行
    output_file='report.md'     # 📄 报告自动保存到本地文件
)

# ⚙️ 4. 组建 Crew 并设定执行流程
ai_crew = Crew(
    agents=[researcher, analyst],
    tasks=[research_task, report_task],
    process=Process.sequential,  # 🔁 串行执行：先研究，后报告
    verbose=True                 # 打印整个流程的日志
)

# 🚀 5. 一键启动！
result = ai_crew.kickoff()

print("######################")
print("🎉 最终报告生成完毕:")
print(result)

💡 运行后你会看到

• 🧠 终端中会实时打印两个 Agent 的思考、搜索及写作过程

• 📄 项目目录下会生成 report.md，内容即分析师撰写的完整报告

• 🎯 控制台最后输出报告全文，方便直接预览

🎉 总结

CrewAI 的核心价值：角色化、协作化、工程化。

• 🎭 角色化：不是让 AI 做"万能助手"，而是定义专业角色，各司其职

• 🤝 协作化：Agent 之间自动传递上下文、委派任务、验证结果

• ⚙️ 工程化：YAML 配置 → Flow 编排 → 企业级控制平面，覆盖原型到生产全链路

当 AI Agent 能力越来越强，真正稀缺的不是"能做什么"，而是"如何组织它们高效协作"。

CrewAI 的答案：像管理一个优秀的团队一样管理你的 AI Agent 👥✨。