AI Agent白手起家76：使用 CrewAI 搭建多智能体营销策略生成器

纲要

• 项目介绍与核心概念
  • CrewAI 多智能体框架的特点
  • 营销策略生成器的目标
• 项目结构总览
• 智能体与任务配置
  • 四个智能体的角色与目标
  • 五个任务的流水线与输出
• 数据模型定义
  • 营销创意模型
  • 策略与文案模型
• 运行模式选择：顺序执行 vs. 层级管理
• 完整可运行代码
  • 依赖与入口脚本
  • YAML 配置文件
  • 执行流程与日志解读
• 效果展示与改进方向
• 总结

项目介绍

CrewAI 是一个基于角色的多智能体编排框架，通过 YAML 配置即可快速构建协作型 AI 应用。它抽象了智能体（Agent）、任务（Task）、流程（Process）等组件，让开发者无需深入底层 Prompt 拼接就能搭建出工业级的多智能体系统。

本文将以一个营销策略生成器为例，展示如何利用 CrewAI 让多个智能体协作完成：市场分析、策略制定、创意生成和文案输出。整个项目采用配置驱动的方式，新手也能在几分钟内跑通。

项目结构

项目使用 poetry 管理依赖，核心代码与配置文件分离，结构清晰：

marketing-post/
├── pyproject.toml
├── README.md
├── .env
└── src
    ├── main.py
    └── marketing_post_crew
        ├── __init__.py
        ├── crew.py
        ├── config
        │   ├── agents.yaml
        │   └── tasks.yaml
        └── models.py

• .env：存放 OPENAI_API_KEY 等密钥
• main.py：程序入口，调用 Crew 并传递输入
• crew.py：定义 MarketingPostCrew 类，组装智能体和任务
• config/agents.yaml、config/tasks.yaml：智能体与任务的配置文件
• models.py：Pydantic 数据模型，控制结构化输出

智能体与任务配置

智能体定义（agents.yaml）

在本案例中定义了四个智能体，分别扮演不同角色：

1. 首席市场分析师（market_analyst）：深入分析产品与竞争对手，输出洞察报告。
2. 首席营销策略师（marketing_strategist）：综合分析师结果，制定完整营销策略。
3. 创意内容创作者（creative_content_creator）：根据策略生成高影响力的广告文案与活动创意。
4. 首席创意总监（chief_creative_director）：审核、优化团队产出，保证质量与目标一致性。

示例配置片段：

chief_market_analyst:
  role: 首席市场分析师
  goal: 对产品和竞争对手进行出色分析，提供深入见解以指导营销策略
  backstory: >
    作为一家顶级数字营销公司的首席市场分析师，你专长于剖析在线商业环境，
    能从海量信息中提炼出影响竞争格局的关键洞察。

chief_marketing_strategist:
  role: 首席营销策略师
  goal: 综合产品分析中的精彩见解，制定卓越的营销策略
  backstory: >
    你是一家领先数字营销机构的首席策略师，以打造推动成功的高度定制化策略而闻名。

creative_content_creator:
  role: 创意内容创作者
  goal: 开发引人入胜的社交媒体内容，重点创作高影响力的广告文案
  backstory: >
    作为顶级营销机构的创意内容创作者，你擅长用叙事与受众共鸣，
    产出能在嘈杂信息流中脱颖而出的作品。

chief_creative_director:
  role: 首席创意总监
  goal: 监督团队工作，确保产出最佳且与产品目标一致，必要时提出澄清或追加任务
  backstory: >
    你是一位资深创意总监，对视觉与文字有极高审美标准，
    并能精准把控品牌调性与市场目标之间的平衡。

任务定义（tasks.yaml）

共设计五个任务，形成从研究到最终文案的完整流水线：

1. research_task：在指定行业背景下，对客户及竞争对手进行彻底研究，输出包含人口偏好、市场定位和受众参与度的完整报告。
2. project_understanding_task：理解项目细节与目标受众，收集额外信息，输出详细摘要与受众画像。
3. marketing_strategy_task：制定详细营销策略，涵盖目标、关键信息、建议战术、渠道和 KPI。
4. campaign_ideation_task：基于策略生成五个营销活动创意，每个附带简短描述与预期效果。
5. copywriting_task：为每个创意活动撰写最终文案，包括标题和正文。

每个任务都通过 expected_output 规定了输出格式，配合结构化数据模型，确保结果可直接解析。

数据模型设计

为了让智能体的输出结构化且可控，我们定义了三个 Pydantic 模型：

from pydantic import BaseModel, Field
from typing import List, Optional

class CampaignIdea(BaseModel):
    name: str = Field(..., description="活动名称")
    description: str = Field(..., description="活动简短描述")
    target_audience: str = Field(..., description="目标受众")
    channel: str = Field(..., description="营销渠道（如抖音、公众号、小红书）")
    expected_impact: str = Field(..., description="预期影响")

class MarketingStrategy(BaseModel):
    strategy_name: str = Field(..., description="策略名称")
    tactics: List[str] = Field(..., description="战术列表")
    channels: List[str] = Field(..., description="营销渠道")
    kpis: List[str] = Field(..., description="关键绩效指标")
    target_audience: str = Field(..., description="目标受众描述")
    key_message: str = Field(..., description="关键信息")

class AdCopy(BaseModel):
    title: str = Field(..., description="文案标题")
    body: str = Field(..., description="文案正文")
    campaign_name: Optional[str] = Field(None, description="所属活动名称")

这些模型会绑定到对应任务的 output_pydantic 字段，CrewAI 内部会引导大模型输出符合 Schema 的 JSON 结果。

运行模式选择

CrewAI 支持两种任务执行流程：

模式	Process 参数	说明
顺序执行	Process.sequential	任务一个接一个线性执行，上一个任务的输出作为下一个的输入
层级管理	Process.hierarchical	指定一个 Manager LLM 或 Manager Agent 进行任务委派、审核与调度，类似"主管-成员"结构

层级模式更适合需要全局把控与质量审查的场景。本案例使用层级模式，并设置一个 manager_llm 负责分配任务给各个专家角色。
#mermaid-svg-UikY7rHZxkHK99kT{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-UikY7rHZxkHK99kT .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-UikY7rHZxkHK99kT .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-UikY7rHZxkHK99kT .error-icon{fill:#552222;}#mermaid-svg-UikY7rHZxkHK99kT .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-UikY7rHZxkHK99kT .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-UikY7rHZxkHK99kT .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-UikY7rHZxkHK99kT .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-UikY7rHZxkHK99kT .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-UikY7rHZxkHK99kT .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-UikY7rHZxkHK99kT .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-UikY7rHZxkHK99kT .marker{fill:#333333;stroke:#333333;}#mermaid-svg-UikY7rHZxkHK99kT .marker.cross{stroke:#333333;}#mermaid-svg-UikY7rHZxkHK99kT svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-UikY7rHZxkHK99kT p{margin:0;}#mermaid-svg-UikY7rHZxkHK99kT .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-UikY7rHZxkHK99kT .cluster-label text{fill:#333;}#mermaid-svg-UikY7rHZxkHK99kT .cluster-label span{color:#333;}#mermaid-svg-UikY7rHZxkHK99kT .cluster-label span p{background-color:transparent;}#mermaid-svg-UikY7rHZxkHK99kT .label text,#mermaid-svg-UikY7rHZxkHK99kT span{fill:#333;color:#333;}#mermaid-svg-UikY7rHZxkHK99kT .node rect,#mermaid-svg-UikY7rHZxkHK99kT .node circle,#mermaid-svg-UikY7rHZxkHK99kT .node ellipse,#mermaid-svg-UikY7rHZxkHK99kT .node polygon,#mermaid-svg-UikY7rHZxkHK99kT .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-UikY7rHZxkHK99kT .rough-node .label text,#mermaid-svg-UikY7rHZxkHK99kT .node .label text,#mermaid-svg-UikY7rHZxkHK99kT .image-shape .label,#mermaid-svg-UikY7rHZxkHK99kT .icon-shape .label{text-anchor:middle;}#mermaid-svg-UikY7rHZxkHK99kT .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-UikY7rHZxkHK99kT .rough-node .label,#mermaid-svg-UikY7rHZxkHK99kT .node .label,#mermaid-svg-UikY7rHZxkHK99kT .image-shape .label,#mermaid-svg-UikY7rHZxkHK99kT .icon-shape .label{text-align:center;}#mermaid-svg-UikY7rHZxkHK99kT .node.clickable{cursor:pointer;}#mermaid-svg-UikY7rHZxkHK99kT .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-UikY7rHZxkHK99kT .arrowheadPath{fill:#333333;}#mermaid-svg-UikY7rHZxkHK99kT .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-UikY7rHZxkHK99kT .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-UikY7rHZxkHK99kT .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-UikY7rHZxkHK99kT .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-UikY7rHZxkHK99kT .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-UikY7rHZxkHK99kT .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-UikY7rHZxkHK99kT .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-UikY7rHZxkHK99kT .cluster text{fill:#333;}#mermaid-svg-UikY7rHZxkHK99kT .cluster span{color:#333;}#mermaid-svg-UikY7rHZxkHK99kT div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-UikY7rHZxkHK99kT .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-UikY7rHZxkHK99kT rect.text{fill:none;stroke-width:0;}#mermaid-svg-UikY7rHZxkHK99kT .icon-shape,#mermaid-svg-UikY7rHZxkHK99kT .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-UikY7rHZxkHK99kT .icon-shape p,#mermaid-svg-UikY7rHZxkHK99kT .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-UikY7rHZxkHK99kT .icon-shape .label rect,#mermaid-svg-UikY7rHZxkHK99kT .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-UikY7rHZxkHK99kT .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-UikY7rHZxkHK99kT .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-UikY7rHZxkHK99kT :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 分配任务
分配任务
分配任务
审核&反馈
报告
策略文档
创意/文案
最终审核
Manager LLM
首席市场分析师
首席营销策略师
创意内容创作者
首席创意总监

完整可运行代码

下面提供一个可以直接运行的 Python 项目，只需配置好 API Key 并安装依赖即可执行。

环境准备

新建项目目录，创建 pyproject.toml（或用 requirements.txt）：

[tool.poetry]
name = "marketing-post-crew"
version = "0.1.0"
description = "Multi-agent marketing strategy generator with CrewAI"
authors = ["Your Name <you@example.com>"]

[tool.poetry.dependencies]
python = "^3.10"
crewai = ">=0.28.0"
python-dotenv = "^1.0.0"

[build-system]
requires = ["poetry-core"]
build-backend = "poetry.core.masonry.api"

运行 poetry install 安装依赖。然后创建 .env 文件：

OPENAI_API_KEY=your-api-key-here

主入口脚本（src/main.py）

import os
from dotenv import load_dotenv
from marketing_post_crew.crew import MarketingPostCrew

load_dotenv()

def run():
    inputs = {
        "product_name": "智能会议记录仪",
        "industry": "企业服务 / SaaS",
        "target_audience": "中小企业主、远程办公团队、会议频繁的项目经理",
        "competitors": "Notion AI, Otter.ai, Fireflies.ai",
        "unique_selling_point": "本地化多语言会议纪要，支持定制化模板与私有部署"
    }

    crew = MarketingPostCrew().crew()
    result = crew.kickoff(inputs=inputs)
    print("\n======== 最终输出 ========\n")
    print(result)

if __name__ == "__main__":
    run()

Crew 组装（src/marketing_post_crew/crew.py）

from crewai import Agent, Task, Crew, Process
from crewai.project import CrewBase, agent, task, crew
from marketing_post_crew.models import CampaignIdea, MarketingStrategy, AdCopy
import os

@CrewBase
class MarketingPostCrew:
    agents_config = os.path.join(os.path.dirname(__file__), 'config', 'agents.yaml')
    tasks_config = os.path.join(os.path.dirname(__file__), 'config', 'tasks.yaml')

    # -------------------- Agents --------------------
    @agent
    def chief_market_analyst(self) -> Agent:
        return Agent(
            config=self.agents_config['chief_market_analyst'],
            verbose=True,
            allow_delegation=False
        )

    @agent
    def chief_marketing_strategist(self) -> Agent:
        return Agent(
            config=self.agents_config['chief_marketing_strategist'],
            verbose=True,
            allow_delegation=False
        )

    @agent
    def creative_content_creator(self) -> Agent:
        return Agent(
            config=self.agents_config['creative_content_creator'],
            verbose=True,
            allow_delegation=False
        )

    @agent
    def chief_creative_director(self) -> Agent:
        return Agent(
            config=self.agents_config['chief_creative_director'],
            verbose=True,
            allow_delegation=True
        )

    # -------------------- Tasks --------------------
    @task
    def research_task(self) -> Task:
        return Task(
            config=self.tasks_config['research_task'],
            output_file='output/research_report.md'
        )

    @task
    def project_understanding_task(self) -> Task:
        return Task(
            config=self.tasks_config['project_understanding_task'],
            output_file='output/project_summary.md'
        )

    @task
    def marketing_strategy_task(self) -> Task:
        return Task(
            config=self.tasks_config['marketing_strategy_task'],
            output_pydantic=MarketingStrategy,
            output_file='output/strategy.json'
        )

    @task
    def campaign_ideation_task(self) -> Task:
        return Task(
            config=self.tasks_config['campaign_ideation_task'],
            output_pydantic=CampaignIdea,
            output_file='output/campaign_ideas.json'
        )

    @task
    def copywriting_task(self) -> Task:
        return Task(
            config=self.tasks_config['copywriting_task'],
            output_pydantic=AdCopy,
            output_file='output/ad_copies.json'
        )

    @crew
    def crew(self) -> Crew:
        return Crew(
            agents=[
                self.chief_market_analyst(),
                self.chief_marketing_strategist(),
                self.creative_content_creator(),
                self.chief_creative_director()
            ],
            tasks=[
                self.research_task(),
                self.project_understanding_task(),
                self.marketing_strategy_task(),
                self.campaign_ideation_task(),
                self.copywriting_task()
            ],
            process=Process.hierarchical,
            manager_llm=self.chief_market_analyst().llm,  # 使用默认配置的 LLM 作为管理者
            verbose=True
        )

任务配置文件（src/marketing_post_crew/config/tasks.yaml）

research_task:
  description: >
    在 {industry} 背景下，对产品 {product_name} 及其竞争对手 {competitors} 进行全面研究。
    分析市场趋势、用户偏好、竞争对手的优势与弱点。
  expected_output: >
    一份包含客户分析、竞争对手对比、市场定位建议、人口统计偏好和受众参与度的完整报告。

project_understanding_task:
  description: >
    审查项目材料，深刻理解产品 {product_name} 的独特卖点 ({unique_selling_point}) 及目标受众 ({target_audience})。
    收集任何缺失的信息，确保所有细节明确。
  expected_output: >
    项目详细摘要与目标受众画像，包括需求、痛点、获取信息的渠道偏好。

marketing_strategy_task:
  description: >
    基于研究结果和受众画像，为 {product_name} 制定一套完整的营销策略。
    需包含目标、关键信息、建议战术、营销渠道和 KPI 指标。
  expected_output: >
    结构化的营销策略文档，符合 MarketingStrategy 数据模型。

campaign_ideation_task:
  description: >
    根据营销策略，发散思维生成 5 个具体营销活动创意。
    每个创意应包含名称、简短描述、目标受众、渠道和预期效果。
  expected_output: >
    5 个 CampaignIdea 对象的列表。

copywriting_task:
  description: >
    为每个营销活动撰写最终投放文案，包括吸引人的标题和正文。
  expected_output: >
    AdCopy 对象列表，每条对应一个活动。

运行结果示例

执行 poetry run python src/main.py 后，控制台会输出各智能体的思考过程和最终生成的 JSON 文件。日志清楚地展示了 Manager LLM 如何将任务委派给不同专家，以及各智能体之间的数据流转。

最终 output/ 目录下会生成：

• research_report.md：市场研究报告
• project_summary.md：项目摘要与受众画像
• strategy.json：符合 MarketingStrategy 模型的策略文档
• campaign_ideas.json：五个活动创意
• ad_copies.json：对应的广告文案

整个流程在几分钟内完成，产出的营销材料可直接供人类团队评审、修改后使用。

总结

本文基于 CrewAI 构建了一个完整的多智能体营销策略生成器，从市场分析到最终文案输出全由多个 AI 智能体协同完成。通过 YAML 配置与 Pydantic 数据模型，开发者可以快速定义角色、任务和输出格式，极大地降低了多智能体应用的门槛。层级管理模式让任务分配与质量控制更加自动化，适合真实商业场景。

本文覆盖了原文中提到的项目结构、智能体配置、任务流程、运行模式以及最终的输出展示，并补充了代码示例。