AI Agent从无到有73: 初识 CrewAI——新一代多智能体开发框架

纲要

• CrewAI 简介与定位：多智能体协作框架的设计哲学与适用场景
• 核心概念
  • Agent：具备角色、目标和背景的智能体单元
  • Task：描述具体工作内容与期望输出的任务
  • Crew：编排多个智能体与任务的团队执行单元
  • Flow：面向复杂业务的多团队流水线编排
• 安装与环境配置
  • 使用 pip 安装核心库与命令行工具
  • 通过脚手架 crewai create crew 创建标准化项目
  • 项目目录结构解析
• 首个多智能体示例：翻译与校对团队
  • 定义具有角色分工的 Agent
  • 配置带上下文传递的 Task
  • 组建顺序执行的 Crew
  • 启动执行并获取结构化结果
• API 速览
• Demo 示例
• 参考文档
• 总结
• 润色纠正的前后对比

CrewAI 简介与定位

CrewAI 是一个专注于多智能体协作的开源框架，当前在 GitHub 上已获得数万星标。与 LangChain / LangGraph 等底层编排工具不同，CrewAI 提供了更高层次的抽象，大量采用配置化与约定式设计，显著降低了多智能体系统的开发门槛。

CrewAI 的设计哲学可以概括为“像管理团队一样管理 AI”：开发者定义成员（Agent）、分配工作（Task）、组建团队（Crew），框架自动协调智能体之间的任务分配、工具调用与信息传递。在复杂业务场景下，还可以通过 Flow 将多个团队串联成流水线，支持分支、循环和条件路由等高级编排模式。

对于快速构建原型、自动化业务流程以及希望减少底层编码的团队，CrewAI 提供了一条高效路径。其高度封装的设计使得即便编程经验较少的成员也能参与 AI 应用的开发。

核心概念

在 CrewAI 中，存在四个核心抽象。理解这些概念是掌握框架用法的关键。

• Agent：智能体，是执行任务的最小单元。每个 Agent 绑定特定的大语言模型、一组工具以及定义其职责的角色提示词（role、goal、backstory）。
• Task：任务，描述某个 Agent 需要完成的具体工作。Task 支持结构化输出、异步执行、上下文传递（context）以及预期输出描述（expected_output）。
• Crew：团队，由多个 Agent 和 Task 组成的完整工作单元。Crew 负责调度成员、管理记忆、协调工具调用，并支持顺序（sequential）或层级（hierarchical）执行流程。
• Flow：流水线（自 v0.70.0 版本起稳定支持），用于将多个 Crew 或独立任务串联或并联，形成更复杂的业务流。Flow 内置状态管理和条件分支能力，其设计目标与 LangGraph 类似，但更紧密地集成在 CrewAI 生态中。

以下流程图展示了多团队流水线的典型拓扑结构：

在实际项目中，建议先用单个 Crew 快速验证核心流程；当业务逻辑变长或需要精细化控制（如条件分支、循环重试）时，再引入 Flow 来编排多个 Crew。

安装与环境配置

CrewAI 要求 Python 版本在 3.10 至 3.13 之间。推荐使用 pip 进行安装：

pip install crewai

从 v0.70.0 开始，官方将命令行工具集成在主包中，无需单独安装 crewai-cli。如需使用最新脚手架功能，可直接执行：

crewai create crew my_project

生成的项目目录结构如下：

my_project/
├── src/
│   ├── config/
│   │   ├── agents.yaml          # 声明式定义智能体角色、目标、背景
│   │   └── tasks.yaml           # 声明式定义任务描述与预期输出
│   ├── crew.py                  # 将智能体和任务组合成 Crew
│   ├── main.py                  # 程序执行入口
│   └── tools/                   # 自定义工具目录
├── knowledge/                   # 知识库文件（RAG 场景）
├── .env                         # 环境变量（API Key 等）
├── .gitignore
└── pyproject.toml               # 项目依赖与元数据

• agents.yaml / tasks.yaml：采用声明式配置，降低编码量，便于非开发人员参与调整。
• crew.py：将声明或代码定义的 Agent 与 Task 组合成 Crew，并配置执行流程（Process）。
• main.py：程序入口，负责触发 crew.kickoff()。

脚手架方式适合规范化、可维护性要求高的项目。若仅需快速验证想法，直接编写单脚本（如 simple_crew.py）同样可行。下文将采用脚本方式构建第一个示例。

首个多智能体示例：翻译与校对团队

本示例构建一个极简的多智能体系统——一个由两名成员组成的“翻译团队”：

• translator：负责将英文翻译成中文。
• proofreader：负责校对翻译质量，检查漏译、错译与语病。

完整可运行代码

将以下代码保存为 simple_crew.py，并确保已配置大模型 API Key（通过 .env 文件或系统环境变量）。

# simple_crew.py
import os
from dotenv import load_dotenv
from crewai import Agent, Task, Crew, Process

# 加载 .env 中的环境变量（需包含 OPENAI_API_KEY 或兼容接口的 API Key）
load_dotenv()

# 1. 定义智能体
translator = Agent(
    role="英文翻译专家",
    goal="将用户提供的英文文本准确翻译成中文",
    backstory="你是一名资深翻译，精通中英双语，译文流畅自然。",
    verbose=True,
    allow_delegation=False,
    # 若不指定 llm，默认使用环境变量 OPENAI_API_KEY 对应的模型
    # 也可显式指定：llm=ChatOpenAI(model="gpt-4o-mini")
)

proofreader = Agent(
    role="中文校对员",
    goal="检查中文翻译是否准确、通顺，并修正可能存在的错误",
    backstory="你是一名资深中文编辑，对语言细节极为敏感，追求完美。",
    verbose=True,
    allow_delegation=False,
)

# 2. 定义任务
translate_task = Task(
    description=(
        "请将以下英文段落翻译成中文：\n"
        "'Artificial intelligence is transforming every aspect of our lives. "
        "From healthcare to transportation, AI-powered systems are making "
        "decisions that affect millions of people.'"
    ),
    agent=translator,
    expected_output="一段流畅、准确的中文翻译文本",
)

proofread_task = Task(
    description="校对翻译任务（上一任务）的输出，确保无漏译、错译和语病。",
    agent=proofreader,
    expected_output=(
        "校对后的最终中文翻译，并附上简短的校对说明（如：'校对通过' 或 '已修正XX处'）。"
    ),
    context=[translate_task],  # 将翻译任务的输出作为上下文传入
)

# 3. 组建团队（Crew）
crew = Crew(
    agents=[translator, proofreader],
    tasks=[translate_task, proofread_task],
    process=Process.sequential,  # 按定义顺序依次执行
    verbose=True,
)

# 4. 启动团队工作
result = crew.kickoff()

print("\n===== 最终结果 =====\n")
print(result)

运行说明

1. 安装依赖：

   pip install crewai python-dotenv
   

2. 在项目根目录创建 .env 文件，写入：

   OPENAI_API_KEY=your-api-key-here
   

   若使用其他兼容 OpenAI 接口的模型服务（如 Azure OpenAI、本地 vLLM），需额外配置 OPENAI_API_BASE 等参数。
3. 执行脚本：

   python simple_crew.py
   

4. 观察控制台输出，可以看到两个智能体依次工作的详细日志（verbose=True 启用），最终打印校对后的中文翻译。

代码说明

• Agent 定义：通过 role、goal 和 backstory 三个自然语言字段赋予智能体明确的职责与个性，框架自动将其组装为系统提示词。
• Task 定义：description 给出具体指令；agent 指定执行者；expected_output 为输出格式提供参考；context 实现任务间数据传递。
• Crew 组装：将智能体列表与任务列表绑定，Process.sequential 指示按顺序执行。框架会自动将前一任务的输出注入后续任务的上下文。
• 执行入口：crew.kickoff() 启动同步执行，返回 CrewOutput 对象，其 __str__ 方法返回最终任务的输出文本。

技术点总结

• 多智能体角色分工与协作
• 任务间上下文传递（context 参数）
• 顺序执行流程（Process.sequential）
• 基于自然语言描述的低代码智能体定义
• 环境变量管理 API 凭证

API 速览

以下梳理本示例及常见场景中涉及的核心 API（基于 crewai v0.70.0+ 版本）。

Agent 构造器

参数名	类型	必填	说明
role	str	是	智能体的角色名称，用于提示词模板
goal	str	是	智能体的核心目标
backstory	str	否	背景故事，丰富角色设定
llm	BaseLLM	否	绑定的语言模型实例，默认使用 OPENAI_API_KEY
tools	List[BaseTool]	否	可调用的工具列表
allow_delegation	bool	否	是否允许委派任务给其他智能体，默认 False
verbose	bool	否	是否输出详细执行日志，默认 False

示例：

from crewai import Agent
from langchain_openai import ChatOpenAI

agent = Agent(
    role="数据分析师",
    goal="从给定数据中提取关键趋势",
    backstory="你拥有多年的商业分析经验。",
    llm=ChatOpenAI(model="gpt-4o-mini"),
    verbose=True
)

Task 构造器

参数名	类型	必填	说明
description	str	是	任务详细描述
agent	Agent	是	负责执行该任务的智能体
expected_output	str	是	预期输出的描述，用于引导模型生成
context	List[Task]	否	依赖的前置任务列表，其输出将作为上下文注入
tools	List[BaseTool]	否	任务级别绑定的工具，覆盖智能体默认工具

示例：

task1 = Task(
    description="提取 PDF 文件中的财务数据",
    agent=analyst_agent,
    expected_output="结构化 JSON 格式的财务摘要",
)

task2 = Task(
    description="根据财务数据生成投资建议",
    agent=advisor_agent,
    expected_output="一份包含买入/持有/卖出建议的报告",
    context=[task1],
)

Crew 构造器

参数名	类型	必填	说明
agents	List[Agent]	是	团队包含的智能体列表
tasks	List[Task]	是	团队需要执行的任务列表
process	Process	否	执行流程，Process.sequential 或 Process.hierarchical，默认 sequential
verbose	bool	否	是否输出团队执行日志
manager_llm	BaseLLM	否	层级模式下管理者的语言模型

示例：

from crewai import Crew, Process

crew = Crew(
    agents=[agent_a, agent_b],
    tasks=[task_a, task_b],
    process=Process.sequential,
    verbose=True,
)
result = crew.kickoff()

Flow 基础用法（进阶）

Flow 用于编排多个 Crew 或函数，支持状态共享与条件路由。以下是一个最小示例：

from crewai.flow.flow import Flow, start, listen

class MyFlow(Flow):
    @start()
    def fetch_data(self):
        return {"raw": "some data"}

    @listen(fetch_data)
    def process_data(self, data):
        print(f"Processing: {data['raw']}")
        return "processed"

flow = MyFlow()
flow.kickoff()

Demo 示例

本节提供一个可直接运行的完整 Demo，演示一个具备“信息检索 → 内容撰写 → 合规审查”三个角色的多智能体团队，模拟内部内容生产流程。

目录结构

demo_crew/
├── .env
├── demo.py
└── requirements.txt

依赖文件

# requirements.txt
crewai>=0.70.0
python-dotenv>=1.0.0

完整代码

# demo.py
import os
from dotenv import load_dotenv
from crewai import Agent, Task, Crew, Process

load_dotenv()

# 1. 定义三个专业智能体
researcher = Agent(
    role="资深技术研究员",
    goal="针对用户指定的技术主题，搜集并整理关键信息与最新动态",
    backstory="你曾在多家科技媒体担任技术主编，擅长从海量信息中提炼核心要点。",
    verbose=True,
)

writer = Agent(
    role="技术内容撰写专家",
    goal="根据研究员提供的信息，撰写清晰、有深度的技术博客文章",
    backstory="你是资深技术作者，文笔流畅，擅长将复杂概念转化为易懂的叙述。",
    verbose=True,
)

reviewer = Agent(
    role="内容合规审查员",
    goal="审核文章内容，确保技术准确性与合规性，杜绝错误与风险表述",
    backstory="你拥有法律与技术的双重背景，对信息准确性极为敏感。",
    verbose=True,
)

# 2. 定义任务链
research_task = Task(
    description=(
        "针对 '大型语言模型在医疗领域的应用现状' 这一主题，进行信息搜集。"
        "重点关注：已落地的应用场景、关键挑战、主流模型与效果评估。"
    ),
    agent=researcher,
    expected_output="一份结构化的信息摘要，包含 3-5 个要点，每个要点附简要说明。",
)

writing_task = Task(
    description="基于研究员提供的摘要，撰写一篇约 500 字的技术博客文章，标题自拟。",
    agent=writer,
    expected_output="完整的技术博客 Markdown 格式文章，包含引言、正文段落和结语。",
    context=[research_task],
)

review_task = Task(
    description="对撰写完成的文章进行技术准确性与合规性审查，指出潜在问题并给出修正建议。",
    agent=reviewer,
    expected_output="一份审查报告，包含：通过/不通过结论，以及具体修改建议列表。",
    context=[writing_task],
)

# 3. 组建团队
content_crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research_task, writing_task, review_task],
    process=Process.sequential,
    verbose=True,
)

# 4. 执行
if __name__ == "__main__":
    print("===== 启动内容生产团队 =====")
    result = content_crew.kickoff()
    print("\n===== 最终审查报告 =====\n")
    print(result)

运行说明

1. 创建虚拟环境并安装依赖：

   python -m venv venv
   source venv/bin/activate  # Windows: venv\Scripts\activate
   pip install -r requirements.txt
   

2. 在 .env 中配置 OPENAI_API_KEY。
3. 运行：

   python demo.py
   

技术点总结

• 多角色协作：研究员、撰写者、审查者各司其职，形成完整内容生产流水线。
• 上下文链式传递：research_task → writing_task → review_task，输出自动流转。
• 顺序执行流程：Process.sequential 保证任务严格按序完成。
• 低代码定义：全部使用自然语言配置，无需编写复杂的提示词模板或解析逻辑。

参考文档

官方文档

• CrewAI 官方文档：完整的 API 参考、指南与示例库。
• CrewAI GitHub 仓库：源码、版本发布与社区贡献指南。

参考链接

• LangChain 官方文档：CrewAI 的底层 LLM 抽象依赖 LangChain，其文档有助于理解模型接口与工具系统。
• OpenAI API 文档：配置大模型时的 API 参数参考。

总结

本文系统性地介绍了 CrewAI 框架的设计理念、核心概念与实操方法。CrewAI 通过高度封装的 Agent、Task、Crew 和 Flow 抽象，将多智能体系统的开发范式从“编码控制流”转向“声明式角色配置”，显著降低了开发门槛。

借助其顺序与层级执行流程、任务上下文传递机制以及可选的声明式 YAML 配置，开发者可以在数分钟内构建起具备分工协作能力的智能体团队。

在实际落地中，CrewAI 适用于自动化内容生产、智能客服路由、多步骤数据分析、报告生成等典型业务流程。当业务复杂度进一步上升时，可引入 Flow 实现多团队流水线编排，兼顾灵活性与可维护性。