AI Agent从无到有74: CrewAI 核心组件详解——从智能体到知识库

纲要

• 组件概览：Agent、Task、Crew、Flow、Knowledge、Memory
• Agent：团队中的最小执行单元
  • YAML 配置化定义
  • 纯代码定义
  • 工具集成
• Task：智能体的工作任务
  • 配置与依赖关系
  • 结构化输出
• Crew：组建专业团队
  • 配置式与代码式两种风格
  • 启动与输出
• Flow：编排多个团队
  • 基于修饰符的事件驱动
  • 状态管理
• 知识库与记忆
  • 文本和 URL 加载
  • 嵌入模型切换
  • 短期、长期、实体、情境记忆
• 完整可运行示例：一个带搜索和报告的团队
• 总结与相关度说明

组件概览

CrewAI 框架围绕六个核心组件构建，各组件分工明确，层级关系清晰。下表简要概括了每个组件的角色及其现实类比：

组件	角色	类比
Agent	执行具体工作的个体	员工
Task	分配给 Agent 的工作项	任务单
Crew	管理 Agent 和 Task 的团队	小组
Flow	编排多个 Crew 的流水线	部门协作流程
Knowledge	外挂知识库（RAG）	参考资料库
Memory	短期/长期/实体/情境记忆	工作笔记

这些组件共同构成了多智能体应用的基础模块，通过组合它们可以灵活构建从简单到复杂的智能体系统。

以下 Mermaid 类图展示了各组件之间的核心关系：

Agent：团队中的最小执行单元

Agent 是 CrewAI 的原子执行单元，每个智能体拥有独立的角色（role）、目标（goal）和背景故事（backstory），并可绑定工具、记忆以及特定的大语言模型。CrewAI 支持两种定义方式：YAML 配置化和纯代码。

YAML 配置式定义

在 src/config/agents.yaml 文件中声明智能体配置：

researcher:
  role: "高级数据研究员"
  goal: "发掘某一话题领域的前沿发展"
  backstory: "你是一名经验丰富的研究员，擅长发现最新信息并以清晰简洁的方式呈现。"

reporting_analyst:
  role: "报告分析师"
  goal: "基于数据分析和研究发现创建详细报告"
  backstory: "你是一位一丝不苟的分析师，能够将复杂数据转化为清晰简洁的报告。"

然后通过 @agent 装饰器在 CrewBase 类中引用：

from crewai import Agent, Crew, Task, Process
from crewai.project import CrewBase, agent, task, crew

@CrewBase
class MyCrew:
    @agent
    def researcher(self) -> Agent:
        return Agent(
            config=self.agents_config['researcher'],
            verbose=True,
            tools=[search_tool]   # 可选：绑定搜索工具
        )

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

纯代码定义

若无需配置文件，可直接在代码中实例化 Agent：

from crewai import Agent

agent = Agent(
    role="资深Python开发者",
    goal="编写高质量、安全的Python代码",
    backstory="你有十年Python开发经验，熟悉安全编码规范。",
    allow_code_execution=True,      # 允许执行代码
    code_execution_mode="safe",     # 安全沙箱模式
    tools=[my_tool],
    memory=True,
    verbose=True
)

两种方式功能等价：配置式更适合规范化项目结构，便于团队协作；代码式则更灵活，适合快速原型验证。

Task：智能体的工作任务

每个 Task 描述一个具体的工作项，可指定负责的 Agent、依赖关系以及输出格式。

YAML 配置式定义

在 tasks.yaml 中声明任务：

research_task:
  description: "对{topic}进行深入研究，找出有趣且相关的信息。当前年份是2025年。"
  expected_output: "包含10个要点的列表，列出关于{topic}的相关信息"
  agent: researcher

reporting_task:
  description: "基于研究结果创建一份详细报告。"
  expected_output: "一份完整的Markdown报告"
  agent: reporting_analyst
  output_file: "report.md"
  context: [research_task]   # 依赖 research_task 完成后执行

在代码中通过 @task 装饰器引用：

@task
def research_task(self) -> Task:
    return Task(config=self.tasks_config['research_task'])

@task
def reporting_task(self) -> Task:
    return Task(config=self.tasks_config['reporting_task'])

结构化输出

Task 支持 output_pydantic 或 output_json 参数，强制输出符合指定模式的数据结构：

from pydantic import BaseModel
from crewai import Task

class BlogPost(BaseModel):
    title: str
    content: str

blog_task = Task(
    description="写一篇关于多智能体架构的博客",
    agent=writer,
    expected_output="结构化的博客文章",
    output_pydantic=BlogPost
)

执行后，通过 task.output.pydantic 即可获得 BlogPost 实例，便于后续程序化处理。

Crew：组建专业团队

Crew 负责将 Agent 和 Task 组合为一个可执行的工作单元，并指定执行策略（顺序或层次化）。

配置式组合

在 CrewBase 类中，通过 @crew 装饰器定义团队：

@crew
def crew(self) -> Crew:
    return Crew(
        agents=[self.researcher(), self.reporting_analyst()],
        tasks=[self.research_task(), self.reporting_task()],
        process=Process.sequential,   # 顺序执行
        verbose=True,
        memory=True,                  # 开启记忆
        knowledge_sources=[...]       # 挂载知识库
    )

代码式组合

不依赖配置文件，直接构建 Crew 实例：

crew = Crew(
    agents=[agent1, agent2],
    tasks=[task1, task2],
    process=Process.sequential,
    verbose=True
)
result = crew.kickoff()
print(result)

kickoff() 方法启动执行，返回最终输出结果。

Flow：编排多个团队

Flow 用于串联多个 Crew 或复杂逻辑，形成端到端的业务流程。它基于事件驱动模型，通过修饰符定义节点间的依赖关系，类似于 LangGraph 的图结构。

from crewai.flow import Flow, start, listen

class CityFactFlow(Flow):
    @start()
    def generate_city(self):
        city = "北京"
        self.state["city"] = city
        return city

    @listen(generate_city)
    def generate_fact(self, city):
        # 根据城市生成有趣事实
        return f"{city}是中国的首都，拥有超过3000年的历史。'

flow = CityFactFlow()
result = flow.kickoff()

• @start 标记入口节点，该节点无上游依赖。
• @listen 标记监听其他节点的输出，参数为被监听的方法名，自动建立依赖关系并传递返回值。

Flow 内部维护 state 字典，可在不同节点间共享数据，适用于复杂的状态机场景。

知识库与记忆

知识库（Knowledge）

CrewAI 将 RAG（检索增强生成）封装为高级接口，支持从文本字符串或 URL 加载知识源。

字符串知识源：

from crewai.knowledge.source.string_knowledge_source import StringKnowledgeSource

content = "Tommy住在北京，今年25岁。"
source = StringKnowledgeSource(content=content)

crew = Crew(
    agents=[qa_agent],
    tasks=[qa_task],
    knowledge_sources=[source],
    embedder={
        "provider": "openai",
        "config": {
            "model": "text-embedding-3-small",
            "api_key": "your-api-key"
        }
    }
)
result = crew.kickoff()

URL 知识源（适用于网页或文档）：

from crewai.knowledge.source.url_knowledge_source import URLKnowledgeSource

url_source = URLKnowledgeSource(urls=["https://example.com/doc.pdf"])
# 其他配置同字符串源

默认嵌入模型为 OpenAI 的 text-embedding-ada-002，若需切换至其他提供商（如 Ollama），通过 embedder 配置修改即可。

记忆（Memory）

在 Crew 中设置 memory=True 即可启用四种记忆类型：

记忆类型	作用
短期记忆	当前对话上下文，随会话结束而清除
长期记忆	跨会话持久化存储，依赖外部存储（默认 SQLite）
实体记忆	自动抽取人物、地点、组织等实体信息
情境记忆	维护交互的连贯性，保持对话一致性

底层存储可通过 memory_config 进行配置，例如指定长期记忆的存储路径或切换至 Redis 等后端。

完整可运行示例：带搜索的研究团队

以下构建一个“新闻研究助手”团队：先搜索最新动态，再生成分析报告。

环境准备

pip install crewai crewai-tools python-dotenv

.env 配置

OPENAI_API_KEY=sk-xxxx
SERPAPI_API_KEY=your-serpapi-key

代码 research_crew.py

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

load_dotenv()

# 1. 初始化搜索工具
search_tool = SerperDevTool()

# 2. 定义 Agent
researcher = Agent(
    role="信息检索专家",
    goal="查找关于指定主题的最新新闻和信息",
    backstory="你擅长使用搜索引擎，能快速找到高质量的信息来源。",
    tools=[search_tool],
    verbose=True,
    allow_delegation=False
)

analyst = Agent(
    role="分析报告撰写人",
    goal="基于搜索到的信息，撰写一份专业分析报告",
    backstory="你善于提炼关键信息，并用清晰的结构呈现。",
    verbose=True,
    allow_delegation=False
)

# 3. 定义 Task
search_task = Task(
    description="搜索关于'{topic}'的最新动态，找到至少5条相关信息。",
    agent=researcher,
    expected_output="包含5条以上新闻标题和摘要的列表"
)

write_task = Task(
    description="根据搜索到的信息，写一份关于'{topic}'的300字分析报告。",
    agent=analyst,
    expected_output="一份结构完整的分析报告",
    context=[search_task]   # 依赖 search_task 完成
)

# 4. 组建团队
crew = Crew(
    agents=[researcher, analyst],
    tasks=[search_task, write_task],
    process=Process.sequential,
    verbose=True
)

# 5. 执行并输出结果
result = crew.kickoff(inputs={"topic": "2024人工智能发展趋势"})
print("\n===== 最终输出 =====\n")
print(result)

运行 python research_crew.py，控制台将依次展示搜索过程与报告生成过程，最终输出完整的分析报告。

总结

CrewAI 通过高度封装的组件体系，将多智能体开发简化为“配置角色、分配任务、组建团队、编排流程”四个核心步骤。相比 LangGraph，CrewAI 的学习曲线更加平滑，特别适合快速构建原型和业务流程自动化。然而，当需要细粒度控制底层行为（如自定义状态管理、复杂路由）时，LangGraph 仍具优势。两者并非互斥，可根据实际场景互补使用。

本文完整覆盖了 CrewAI 的 Agent、Task、Crew、Flow、知识库和记忆等核心组件，包括 YAML 配置与代码定义两种方式、结构化输出、任务依赖、嵌入模型切换等技术要点，并提供了完整的可运行示例，便于读者快速上手实践。