CrewAI 上手攻略：多 Agent 自动化处理复杂任务，让 AI 像员工一样分工协作

CrewAI是一个可以专门用来编排自主 AI 智能体（Autonomous AI Agents）的Python 框架，你可以把它理解为在代码层面组建一个“虚拟团队”，给每个 Agent 分配特定的角色、目标，让它们协同处理那些单个 LLM 搞不定的复杂任务。

CrewAI 介绍

CrewAI 包含以下组件：

Agents是具体的执行实体，有角色设定和能力边界；Tasks是具体的任务指令；Crews是把“人”和事儿撮合到一起的团队容器；Tools则是 Agent 手里的工具（比如搜索、读文件、调 API等等）；Processes决定了活儿怎么干，比如说是大家排队干（顺序）还是层级汇报（层级）。

CrewA最适合的是那种链条长、环节多的工作流。比如你要搞个深度研报，需要先全网搜集信息，然后整理分析，写初稿，最后润色发布，这种“研究-写作-编辑”的流水线就非常契合。同理商业竞品分析、代码开发流程（设计-编码-测试）或者分工明确的客户支持系统，都是它的强项。

但有几种情况别用：

如果你的任务简单到一次 LLM 调用就能解决，用 CrewAI 就没有必要了而且还会增加复杂度和成本。对实时性要求极高的场景（比如毫秒级响应）也不合适，因为多 Agent 交互本来就慢。还有那种每一步都得让人盯着确认的流程，这种流程自动化程度太低也没必要上 Agent 编排。

安装与配置

环境准备很简单，基础包装上就行，如果需要额外的工具集，就把 tools 加上。

# Install CrewAI

pip install crewai crewai-tools

# For additional tools

pip install 'crewai[tools]'基础示例：搭建内容创作团队

下面这段代码展示了如何把 Research Analyst（研究员）、Content Writer（撰稿人）和 Editor（编辑）这三个角色串起来。代码逻辑很简单：定义 Agent，定义 Task，最后塞进 Crew 里跑起来。

注意观察context参数，它实现了任务间的数据流转。

from crewai import Agent, Task, Crew, Process

from crewai_tools import SerperDevTool, WebsiteSearchTool

# Initialize tools

search_tool = SerperDevTool()

web_tool = WebsiteSearchTool()

# Create Agents

researcher = Agent(

  role='Research Analyst',

  goal='Gather comprehensive information on {topic}',

  backstory='You are an expert researcher with a keen eye for detail and accuracy.',

  tools=[search_tool, web_tool],

  verbose=True,

  allow_delegation=False

)

writer = Agent(

  role='Content Writer',

  goal='Create engaging, well-structured content about {topic}',

  backstory='You are a skilled writer who transforms research into compelling narratives.',

  verbose=True,

  allow_delegation=False

)

editor = Agent(

  role='Editor',

  goal='Refine and polish content to ensure quality and clarity',

  backstory='You are a meticulous editor with an eye for grammar, style, and flow.',

  verbose=True,

  allow_delegation=False

)

# Define Tasks

research_task = Task(

  description='Research {topic} and gather key facts, statistics, and insights.',

  expected_output='A comprehensive research report with sources',

  agent=researcher

)

writing_task = Task(

  description='Using the research, write a 500-word blog post about {topic}',

  expected_output='A well-written blog post in markdown format',

  agent=writer,

  context=[research_task]  # Depends on research task

)

editing_task = Task(

  description='Edit the blog post for grammar, clarity, and engagement',

  expected_output='A polished, publication-ready blog post',

  agent=editor,

  context=[writing_task]

)

# Create Crew

crew = Crew(

  agents=[researcher, writer, editor],

  tasks=[research_task, writing_task, editing_task],

  process=Process.sequential,  # Tasks run in order

  verbose=True

)

# Execute

result = crew.kickoff(inputs={'topic': 'Artificial Intelligence in Healthcare'})

print(result)进阶示例：软件开发

对于更复杂的场景，比如软件开发，可能需要引入层级流程（Hierarchical Process）。这时候会有一个隐藏的 Manager Agent（通常用更强的模型如 GPT-5）来统筹分配任务，而不是简单的线性执行。

from crewai import Agent, Task, Crew

from crewai_tools import FileReadTool, CodeInterpreterTool

# Tools

file_tool = FileReadTool()

code_tool = CodeInterpreterTool()

# Agents with specific expertise

architect = Agent(

  role='Software Architect',

  goal='Design scalable software architecture for {project}',

  backstory='Senior architect with 15 years of experience in system design.',

  verbose=True

)

developer = Agent(

  role='Python Developer',

  goal='Write clean, efficient Python code',

  backstory='Expert Python developer focused on best practices.',

  tools=[code_tool],

  verbose=True

)

qa_engineer = Agent(

  role='QA Engineer',

  goal='Ensure code quality through comprehensive testing',

  backstory='Detail-oriented QA engineer specializing in test automation.',

  tools=[code_tool],

  verbose=True

)

# Tasks

design_task = Task(

  description='Design architecture for a {project} including component breakdown',

  expected_output='Detailed architecture document with diagrams',

  agent=architect

)

development_task = Task(

  description='Implement the core functionality based on the architecture',

  expected_output='Working Python code with documentation',

  agent=developer,

  context=[design_task]

)

testing_task = Task(

  description='Write and execute unit tests for the developed code',

  expected_output='Test suite with coverage report',

  agent=qa_engineer,

  context=[development_task]

)

# Hierarchical process with manager agent

dev_crew = Crew(

  agents=[architect, developer, qa_engineer],

  tasks=[design_task, development_task, testing_task],

  process=Process.hierarchical,  # Manager coordinates tasks

  manager_llm='gpt-4',  # Manager uses GPT-4

  verbose=True

)

result = dev_crew.kickoff(inputs={'project': 'RESTful API for task management'})进阶功能：异步、人工介入与结构化输出

如果你追求性能，异步执行（Asynchronous Execution）是一个可选项，特别是 IO 密集型任务。

# Run crew asynchronously for better performance

result = await crew.kickoff_async(inputs={'topic': 'AI trends'})

# Run specific tasks in parallel

from crewai import Task

task1 = Task(description='Research topic A', agent=researcher, async_execution=True)

task2 = Task(description='Research topic B', agent=researcher, async_execution=True)

有些关键节点不能完全信赖 AI，这时候开启Human-in-the-Loop，Agent 执行到一半会停下来问你要反馈。

agent = Agent(

  role='Decision Maker',

  goal='Make strategic decisions',

  human_input=True  # Will prompt for human feedback

)

工程化最头疼的是输出格式不可控，CrewAI 支持 Pydantic 模型，强制 Agent 输出结构化数据，这对后续的数据清洗非常有帮助。

from crewai import Task

from pydantic import BaseModel

class BlogPost(BaseModel):

  title: str

  content: str

  tags: list[str]

task = Task(

  description='Write a blog post',

  expected_output='Blog post with title and tags',

  agent=writer,

  output_json=BlogPost,  # Structured output

  output_file='output.json'  # Save to file

)生态与集成

官方内置了一堆工具库，覆盖了搜索（Google/Serper）、文件操作（File/Directory Read）、代码执行（CodeInterpreter）以及各种数据源（PDF, CSV, JSON, GitHub, YouTube）的读取。

模型支持方面利用了 LangChain 的生态，OpenAI, Anthropic, Google Gemini 都能切。想省钱或者数据敏感，用 Ollama 跑本地模型（Llama 3, Mistral）也没问题。

CrewAI vs 其他

经常有人问它和AutoGen的区别。简单说CrewAI 像是管理严密的正规军，强调角色（Role）和流程（Process）；AutoGen 更像是一个聊天室，Agent 之间通过对话来解决问题，更灵活但也更难控制。至于LangGraph，那是更底层的图编排工具，控制粒度极细，但上手门槛高。你可以理解为CrewAI 是在 LangChain 之上做了很好的封装，用起来简单。

补充规划、记忆与安全

新版本（0.30+）加入了Planning Mode，Agent 开干前会先生成个计划书（现在Agent基本上都会有计划了）。记忆系统也升级了：支持短期记忆（本次执行内）、长期记忆（跨执行持久化）甚至实体记忆（记住具体的人和事）。

如果你需要监控整个 Crew 的运行状态，可以开启 Telemetry，导出 JSON 格式的日志做分析。

总结

CrewAI 在处理角色分工明确、流程复杂的知识型工作时表现非常出色。如果你是初学者：先别整太复杂的流程，2-3 个 Agent 起步，把目标定死，用 Pydantic 锁死输出格式，把缓存开起来。等熟悉了 Agent 的操作，再上复杂的层级结构和记忆系统。

点个在看你最好看！