CrewAI：编排角色化 AI 代理团队完成复杂任务

什么是 CrewAI？一句话理解多代理协作

CrewAI 是一个开源的多代理编排框架，它的核心思想是：将多个拥有不同角色、技能和目标的 AI 代理组成一个团队，通过分工协作完成复杂的、多步骤的任务。
你不再需要反复调教一个“全能型”大模型，而是像管理一个小型项目团队一样，给每个代理分配明确的角色——研究员、分析师、写手、审核员——然后让它们按流程自主交互、传递信息、迭代产出，最终交付高质量结果。

CrewAI 构建在 LangChain 等大模型应用框架之上，但重点解决了 代理间通信、任务依赖管理、上下文共享与角色限定 等编排问题，让开发者可以像定义工作流一样定义一支 AI 团队。

核心概念：代理、任务、工具与流程

理解 CrewAI 只需要掌握四个核心对象，它们共同描述了一支 AI 团队的全部行为。

1. 代理（Agent）

代理是团队中的成员。每个代理都需要明确：

• 角色：它在团队中的职能，例如“资深技术研究员”
• 目标：它要达成什么，例如“收集关于量子计算的权威资料”
• 背景故事：用自然语言描述的个性与专长，这会深度影响模型的回答风格与决策逻辑
• 可用工具：该代理可以调用的外部能力，如搜索、读写文件、调用 API
• 是否允许委派：是否可以与其他代理沟通或移交任务

示例定义（伪代码）：

researcher = Agent(
  role='资深研究员',
  goal='找到关于{主题}的最新技术文档和论文',
  backstory='你是一位严谨的研究者，擅长从海量信息中筛选出高质量来源，并给出清晰总结。',
  tools=[search_tool, browser_tool],
  allow_delegation=False
)

2. 任务（Task）

任务是代理需要执行的一个具体工作单元，具有：

• 描述：清晰说明要做什么、产出格式是什么
• 指派的代理：谁负责这个任务
• 期望输出：产出规格，例如“一份包含摘要、核心观点和引用链接的 Markdown 报告”
• 上下文：是否依赖其他任务的输出

任务之间可以通过 context 参数建立依赖链，CrewAI 会自动按依赖顺序执行，并将上游输出作为下游的输入。

示例定义：

research_task = Task(
  description='搜索量子计算在制药领域的应用案例，至少收集5个真实案例。',
  expected_output='一份结构化的案例列表，每个案例包含公司、应用方向和简短说明。',
  agent=researcher
)

3. 工具（Tool）

工具是扩展代理能力的外部模块。可以是：

• 内置工具：如 SerperDevTool（搜索）、WebsiteSearchTool（网页浏览）
• 自定义工具：用 LangChain 的 @tool 装饰器轻松封装自己的函数
• 第三方集成：数据库查询、API 请求、企业系统连接等

工具让代理不再只是“纯文本生成器”，而是能执行动作的智能体。工具越精准，代理产出质量越高。

4. 流程（Process）

流程定义了任务执行顺序以及代理间的协作方式。CrewAI 提供两种内置流程：

• 顺序流程（Sequential）：任务一个接一个线性执行，前一个任务的输出成为后一个的输入
• 层级流程（Hierarchical）：存在一个管理者代理，它负责分解目标、分配子任务给不同代理，并综合结果。适合需要动态规划和复杂决策的场景

你还可以通过自定义 Process 子类实现更复杂的工作流，但大多数情况下两种内置模式已经足够。

快速上手：搭建你的第一支 AI 团队

下面是一个可运行的完整示例，实现一支“科技新闻自动简报团队”，包含研究员和写手两个角色。

环境准备

pip install crewai crewai-tools

配置大模型接口（以 OpenAI 为例），设置环境变量 OPENAI_API_KEY。CrewAI 也支持本地模型通过 ollama 等方式接入。

步骤1：定义工具

from crewai_tools import SerperDevTool

search_tool = SerperDevTool()

步骤2：创建代理

from crewai import Agent

researcher = Agent(
    role='首席科技研究员',
    goal='搜集今日最值得关注的科技新闻，覆盖 AI、半导体和航天领域',
    backstory='你是一位拥有十年经验的科技记者，擅长快速筛选重要信息并以批判性视角解读。',
    tools=[search_tool],
    verbose=True
)

writer = Agent(
    role='科技内容撰稿人',
    goal='根据研究员的发现，撰写一篇吸引人且信息准确的简报',
    backstory='你是一位面向大众的科技写手，能把复杂概念讲得通俗易懂，同时保持专业严谨。',
    verbose=True
)

步骤3：定义任务并绑定代理

from crewai import Task

research_task = Task(
    description='搜索今日 AI、半导体、航天领域的重要新闻，每个领域至少找到2条头条级消息。',
    expected_output='一个字典，key 为领域，value 为新闻摘要列表。每条摘要包含标题和关键事实。',
    agent=researcher
)

writing_task = Task(
    description='使用研究员收集的新闻，撰写一份科技早报，包括标题、导语、各领域重点新闻和一小段编辑评论。格式为 Markdown。',
    expected_output='一份完整的科技早报 Markdown 文本，可即刻发布。',
    agent=writer,
    context=[research_task]  # 明确引用调研结果
)

步骤4：创建 Crew 并启动

from crewai import Crew, Process

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

result = crew.kickoff()
print(result)

运行后你会看到代理间的对话流和最终输出的结构化简报。这就是 CrewAI 最基本的用法。

深入理解：上下文传递与记忆机制

光有任务依赖还不够，复杂项目中代理需要记住已发生的事情并理解大的上下文。CrewAI 提供多层记忆体系。

短期记忆与工作记忆

• 短期记忆：当前执行过程中各任务产生的中间结果，自动在上下文变量中传递
• 工作记忆：代理在单次推理中能直接使用的窗口，由大模型上下文长度决定

长期记忆与实体记忆

CrewAI 支持接入向量数据库（如 Chroma、Weaviate）实现长期记忆。你可以让代理记住：

• 用户偏好与历史反馈
• 以前执行类似任务时的成功模式
• 关键实体的信息（公司、人物、产品），避免重复查询

配置记忆示例：

crew = Crew(
    agents=[...],
    tasks=[...],
    memory=True,  # 开启默认内存记忆
    embedder={
        "provider": "openai",
        "config": {"model": "text-embedding-3-small"}
    }
)

这样代理就能在多次交互中积累知识，越来越“懂你”。

高级编排：层级流程与管理者代理

当任务目标复杂且难以预先规划所有步骤时，层级流程就派上用场。它会自动生成一个管理者代理，负责：

1. 理解最终目标
2. 动态分解为子任务
3. 将子任务分配给最合适的专家代理
4. 审查子任务结果，决定是否需要重做或进一步分解
5. 综合所有结果形成最终交付

管理者代理本身也是一个 Agent，可以配置完全不同的模型和指令，但它不能使用工具，主要职责是思考、规划和沟通。

启用层级流程示例：

crew = Crew(
    agents=[analyst, coder, reviewer],
    tasks=[overall_task],  # 通常只定义一个总目标任务
    process=Process.hierarchical,
    manager_llm=ChatOpenAI(model="gpt-4o")  # 管理者可用更强模型
)

这种方式适合代码生成、复杂分析报告、策略规划等不确定性较高的场景。

实战技巧与避坑指南

1. 角色描述越具体，代理表现越好
不要只写“你是一个助手”，要写明专业知识范围、思考习惯、输出风格，甚至可以加入约束（如“永远不要捏造数据，不确定时请注明”）。

2. 工具的描述至关重要
工具的定义中要写明何时使用、输入输出是什么，这直接影响模型能否正确调用工具。描述要像给 API 写文档一样清晰。

3. 合理拆分任务粒度
单一任务不要超过代理单次推理能胜任的范围。如果任务需要多步推理和大量信息处理，应拆成多个顺序子任务。

4. 充分测试上下文窗口
当上下文积累过长时，模型可能遗忘早期信息或产生幻觉。使用 expected_output 约束产出长度，或利用记忆将关键信息外化保存。

5. 用好 verbose 调试
开发阶段开启 verbose=True，观察代理间确切的对话和工具调用日志，能快速定位问题。

对比其他框架：为什么选择 CrewAI？

CrewAI 的优势在于极低的学习曲线和清晰的角色化思维，非常适合将现有业务工作流快速转化为 AI 多代理协作。同时其底层基于 LangChain，易于扩展工具和集成。

总结与后续学习

CrewAI 为你提供了一种将大模型从“单兵作战”升级为“协同团队”的简单方式。从定义一个研究员+写手的二人组，到搭建拥有管理者、专家池和长期记忆的复杂系统，它的能力边界由你的创意决定。

下一步你可以：

• 阅读 CrewAI 官方文档 掌握更多内置工具和配置细节
• 尝试为自己的生活或工作创建一个多代理助手（例如旅行规划团队：目的地研究员、预算分析师、行程撰写员）
• 探索在自有数据上构建长期记忆，让代理真正个性化
• 将 CrewAI 集成到现有应用，通过 API 暴露你的 AI 团队

多代理协作正在成为 AI 应用落地的关键范式，现在就用 CrewAI 给复杂任务找一个“团队”吧。