CrewAI 核心概念：Agent / Task / Crew / Process

关注

原创最新推荐文章于 2026-09-24 18:24:29 发布 595 阅读 AI 写同款· GEO 优化 ›

CrewAI三核心类架构解析：Agent/Task/Crew工程化原理与实战多智能体系统（Multi-Agent System）正成为大模型应用落地的关键范式，其核心在于如何将LLM能力结构化、可调度、可治理。CrewAI通过Agent、Task、Crew三大类构建轻量级但高可用的编排协议：Agent封装角色协议与上下文锚点，Task定义带状态机与Schema校验的执行单元，Crew实现资源治理与异常熔断。这种设计在保障工程可控性的同时，显著降低LLM幻觉率与token消耗，适用于智能客服升级、竞品动态监控、科研文献综述等需快速交付的业务场景。本文基于真实项目复盘，深入解析Role 阅读详情

CrewAI 核心概念：Agent / Task / Crew / Process

一、概念速查

四大核心概念

概念	类比	职责
Agent	团队中的个人	具备特定角色、技能和目标，能独立完成分配的任务
Task	工作任务单	明确描述做什么、用什么工具、输出什么，可指派给 Agent 或标记为协作
Crew	项目团队	管理 Agent 成员和 Task 队列，协调执行流程
Process	工作流引擎	定义 Task 的分发和完成顺序——串行、层级还是异步

Agent 配置参数

from crewai import Agent, Task, Crew, Process  # crewai>=0.30.0

agent = Agent(
    role="数据分析师",
    goal="从原始数据中提取有价值的业务洞察",
    backstory="你是一位有 10 年经验的资深数据分析师，擅长使用 Python 处理数据",
    tools=[],                         # 可用工具列表
    verbose=True,                     # 输出详细执行日志
    allow_delegation=False,           # 是否可委托任务给其他 Agent
    max_iter=15,                      # 单任务最大迭代次数
    memory=True,                      # 启用记忆
    cache=True,                       # 启用工具调用缓存
)

Task 配置参数

from crewai import Task  # crewai>=0.30.0

task = Task(
    description="分析销售数据文件 sales.csv，找出过去三个月的增长趋势",
    expected_output="包含月度增长率、TOP 5 产品和可视化图表的分析报告",
    agent="数据分析师",               # 指定的 Agent（可选，也可指定 crew 自动分配）
    tools=[],                         # 任务级工具覆盖
    async_execution=False,            # 是否异步执行
    context=[],                       # 依赖的其他任务输出
    human_input=False,                # 是否需要人工输入
)

代码示例：最小完整 Crew

from crewai import Agent, Task, Crew, Process  # crewai>=0.30.0

writer = Agent(
    role="技术写手",
    goal="撰写清晰的技术文档",
    backstory="你擅长用通俗语言解释复杂技术概念。",
)

researcher = Agent(
    role="技术研究员",
    goal="收集和分析技术资料",
    backstory="你擅长从文档和代码库中提取关键信息。",
)

research = Task(
    description="研究 CrewAI 框架的 Process 机制，包括顺序、层级和异步三种模式",
    expected_output="包含每种模式的优缺点对比表的研究笔记",
    agent=researcher,
)

write = Task(
    description="基于研究笔记撰写一篇 CrewAI Process 机制的技术博客",
    expected_output="一篇 800 字以上的技术博客，包含代码示例",
    agent=writer,
    context=[research],  # 依赖 research 的输出
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research, write],
    process=Process.sequential,  # 顺序执行
)

result = crew.kickoff()
print(result)

二、底层原理

Crew 执行流程

Agent 的执行循环

每个 Agent 内部运行一个 ReAct 循环：接到 Task 后解析描述 → 规划执行步骤 → 调用工具获取信息 → 观察结果 → 迭代直至产出预期输出。max_iter 参数控制最大迭代轮数，防止无限循环。工具调用失败时触发内置重试机制，重试耗尽后标记 Task 失败并报告到 Crew。

三种 Process 模式的差异

模式	调度方式	适用场景	优缺点
sequential	Task 列表顺序执行	流水线型任务	简单可靠，但并行度低
hierarchical	Manager Agent 动态分配和协调	任务不确定性高	灵活但需额外 LLM 调用
async	独立 Task 并行出队	子任务无依赖关系	吞吐高但结果聚合复杂

工具调用与缓存机制

CrewAI 的工具调用内置了基于输入哈希的缓存层。当同一个 Tool 以相同参数调用时，直接返回缓存结果而不是重新执行。这在 Agent 的 ReAct 循环中尤其有用——如果 Agent 反复查询同一数据，不会重复消耗 API 额度。缓存在 Crew 级别共享，跨 Task 的相同调用也会命中。

Memory 系统架构

Agent 可启用三类记忆：

短期记忆：当前会话的执行上下文，用于保持多步推理的连贯性
实体记忆：存储任务执行中识别到的关键实体和关系
长期记忆：跨会话持久存储，保存在本地 SQLite 中，下次 kickoff 可加载

记忆通过 embedding 向量化后检索，在每次 Agent 执行前注入到 system prompt 中。

三、架构设计原则

1. 角色驱动设计

每个 Agent 必须定义 role、goal 和 backstory。这三要素构成 Agent 的"人格"，直接影响 LLM 的行为风格和决策倾向。role 定义身份，goal 定义目标，backstory 为历史行为提供上下文。三要素缺失任何一个，Agent 的输出质量都会明显下降。