1. 引言CrewAI 是一个基于 Python 的多智能体协作框架旨在让开发者能够轻松创建、编排和管理多个 AI 智能体Agent让它们像团队成员一样协同完成复杂任务。本文将系统介绍 CrewAI 的核心功能、安装配置、语法参数并通过 8 个实际案例展示其应用场景最后总结常见错误与使用注意事项。2. CrewAI 核心功能CrewAI 提供了以下核心能力多智能体编排支持定义多个具有不同角色、目标和背景的智能体并指定它们之间的协作方式。任务管理支持定义任务依赖关系、执行顺序和输出格式智能体可以按顺序或并行执行任务。工具集成内置丰富的工具库如搜索、文件读写、API 调用等也支持自定义工具扩展。LLM 灵活接入支持 OpenAI、Anthropic、Google Gemini、本地模型等多种大语言模型后端。过程追踪提供详细的执行日志和中间结果查看能力便于调试和优化。输出格式化支持 JSON、Markdown、纯文本等多种输出格式方便下游系统消费。3. 安装与配置3.1 环境要求Python 3.10 及以上版本建议使用虚拟环境venv / conda / poetry3.2 安装 CrewAIpip install crewai如需安装包含额外工具包的完整版本pip install crewai[tools]3.3 配置 LLM 后端CrewAI 默认使用 OpenAI API。可以通过环境变量或代码中直接指定模型export OPENAI_API_KEYyour-api-key export OPENAI_MODEL_NAMEgpt-4o使用其他模型提供商的示例from crewai import Agent, Task, Crew, Process agent Agent( role数据分析师, goal分析销售数据并生成报告, backstory你是一名经验丰富的数据分析师, llmanthropic/claude-sonnet-4-20250514, # 使用 Anthropic 模型 verboseTrue )4. 核心语法与参数详解4.1 Agent智能体from crewai import Agent agent Agent( role市场研究员, # 角色名称 goal收集并分析市场趋势, # 目标描述 backstory你是一名资深市场分析师擅长发现行业趋势, # 背景故事 llmgpt-4o, # 使用的 LLM 模型 tools[], # 可用工具列表 verboseTrue, # 是否输出详细日志 allow_delegationTrue, # 是否允许委派任务给其他智能体 max_iter15, # 最大迭代次数 memoryTrue # 是否启用记忆功能 )4.2 Task任务from crewai import Task task Task( description分析 2025 年新能源汽车市场数据找出增长最快的三个细分领域, # 任务描述 expected_output一份包含数据来源、增长率和关键发现的 Markdown 报告, # 期望输出 agentagent, # 负责执行的智能体 tools[], # 任务级工具覆盖 context[], # 依赖的其他任务输出 async_executionFalse, # 是否异步执行 output_filereport.md # 输出文件路径可选 )4.3 Crew团队from crewai import Crew, Process crew Crew( agents[agent1, agent2], # 智能体列表 tasks[task1, task2, task3], # 任务列表 processProcess.sequential, # 执行流程sequential / hierarchical verboseTrue, # 详细日志 memoryTrue, # 启用团队记忆 cacheTrue, # 启用缓存 max_rpm10 # 每分钟最大请求数限制 )4.4 Process流程Process.sequential顺序执行任务按列表顺序依次完成前一个任务的输出可作为后一个任务的上下文。Process.hierarchical层级执行需要一个 manager 智能体来协调和分配任务给其他智能体。4.5 Tool工具from crewai_tools import ( SerperDevTool, # 搜索引擎工具 ScrapeWebsiteTool, # 网页抓取工具 FileReadTool, # 文件读取工具 FileWriteTool, # 文件写入工具 JSONSearchTool, # JSON 搜索工具 CodeDocsSearchTool, # 代码文档搜索工具 ) search_tool SerperDevTool() scrape_tool ScrapeWebsiteTool()5. 8 个实际应用案例案例 1市场调研报告生成让两个智能体协作完成市场调研研究员收集数据分析师撰写报告。from crewai import Agent, Task, Crew, Process from crewai_tools import SerperDevTool search_tool SerperDevTool() researcher Agent( role市场研究员, goal收集最新的 AI 编程工具市场数据, backstory你擅长从互联网收集和整理信息, tools[search_tool], verboseTrue ) analyst Agent( role市场分析师, goal基于数据撰写分析报告, backstory你擅长将数据转化为洞察, verboseTrue ) research_task Task( description搜索 2025 年 AI 编程工具的市场规模、主要玩家和增长趋势, expected_output包含数据来源和关键数字的要点列表, agentresearcher ) report_task Task( description根据研究数据撰写一份完整的市场分析报告, expected_output一份结构化的 Markdown 报告包含摘要、分析和结论, agentanalyst, context[research_task] ) crew Crew( agents[researcher, analyst], tasks[research_task, report_task], processProcess.sequential, verboseTrue ) result crew.kickoff() print(result)案例 2博客文章自动写作三个智能体协作完成从选题到发布的完整写作流程。from crewai import Agent, Task, Crew, Process planner Agent( role内容策划, goal规划博客文章的大纲和结构, backstory你是一名资深内容策划擅长规划高阅读量的文章结构, verboseTrue ) writer Agent( role技术写手, goal根据大纲撰写技术博客正文, backstory你是一名技术博客作者擅长用通俗语言解释复杂概念, verboseTrue ) editor Agent( role编辑, goal审阅并优化文章确保语言流畅、逻辑清晰, backstory你是一名专业编辑擅长润色和校对, verboseTrue ) plan_task Task( description为「Python 异步编程入门」规划文章大纲, expected_output包含引言、3-4 个核心章节和总结的大纲, agentplanner ) write_task Task( description根据大纲撰写完整的博客正文, expected_output一篇 2000 字左右的技术博客, agentwriter, context[plan_task] ) edit_task Task( description审阅并优化文章修正语法错误提升可读性, expected_output优化后的最终版本, agenteditor, context[write_task] ) crew Crew( agents[planner, writer, editor], tasks[plan_task, write_task, edit_task], processProcess.sequential, verboseTrue ) result crew.kickoff()案例 3代码审查助手让智能体审查代码并给出改进建议。from crewai import Agent, Task, Crew, Process from crewai_tools import FileReadTool file_tool FileReadTool() reviewer Agent( role代码审查员, goal审查代码质量、安全性和性能, backstory你是一名资深软件工程师擅长代码审查, tools[file_tool], verboseTrue ) review_task Task( description审查提供的 Python 代码找出潜在问题并给出改进建议, expected_output包含问题列表、严重等级和修复建议的审查报告, agentreviewer ) crew Crew( agents[reviewer], tasks[review_task], processProcess.sequential, verboseTrue ) result crew.kickoff(inputs{code: def add(a,b): return ab})案例 4客户支持工单分类与回复自动分类客户工单并生成回复草稿。from crewai import Agent, Task, Crew, Process classifier Agent( role工单分类员, goal将客户工单分类为技术问题、账单问题或一般咨询, backstory你是一名客服专家擅长快速分类问题, verboseTrue ) responder Agent( role客服代表, goal根据工单分类生成专业且友好的回复, backstory你是一名经验丰富的客服代表, verboseTrue ) classify_task Task( description将以下客户工单分类{ticket}, expected_output分类结果和简要理由, agentclassifier ) respond_task Task( description根据分类结果生成回复草稿, expected_output一封完整的回复邮件, agentresponder, context[classify_task] ) crew Crew( agents[classifier, responder], tasks[classify_task, respond_task], processProcess.sequential, verboseTrue ) result crew.kickoff(inputs{ticket: 我的账户无法登录显示 500 错误})案例 5多语言翻译与本地化将英文内容翻译为中文并进行本地化适配。from crewai import Agent, Task, Crew, Process translator Agent( role翻译员, goal将英文内容准确翻译为中文, backstory你是一名专业中英翻译擅长技术文档翻译, verboseTrue ) localizer Agent( role本地化专家, goal检查翻译内容是否符合中文表达习惯和文化背景, backstory你是一名本地化专家确保内容在目标市场自然流畅, verboseTrue ) translate_task Task( description将以下英文内容翻译为中文{text}, expected_output准确的中文翻译, agenttranslator ) localize_task Task( description检查并优化翻译确保符合中文表达习惯, expected_output本地化后的最终版本, agentlocalizer, context[translate_task] ) crew Crew( agents[translator, localizer], tasks[translate_task, localize_task], processProcess.sequential, verboseTrue ) result crew.kickoff(inputs{text: This feature enables seamless integration with cloud services.})案例 6数据清洗与预处理自动识别并修复数据集中的常见问题。from crewai import Agent, Task, Crew, Process data_inspector Agent( role数据检查员, goal检查数据集中的缺失值、异常值和格式问题, backstory你是一名数据质量专家, verboseTrue ) data_cleaner Agent( role数据清洗员, goal根据检查结果清洗数据并生成清洗报告, backstory你擅长数据预处理和清洗, verboseTrue ) inspect_task Task( description检查数据集 {data} 的质量问题, expected_output数据质量问题清单, agentdata_inspector ) clean_task Task( description根据问题清单清洗数据并生成清洗前后的对比报告, expected_output清洗后的数据和清洗报告, agentdata_cleaner, context[inspect_task] ) crew Crew( agents[data_inspector, data_cleaner], tasks[inspect_task, clean_task], processProcess.sequential, verboseTrue ) result crew.kickoff(inputs{data: name,age,email\nAlice,30,alicetest\nBob,,bobtest\nCharlie,abc,charlietest})案例 7竞品分析报告多智能体协作完成竞品深度分析。from crewai import Agent, Task, Crew, Process from crewai_tools import SerperDevTool, ScrapeWebsiteTool search_tool SerperDevTool() scrape_tool ScrapeWebsiteTool() collector Agent( role信息收集员, goal收集竞品的产品功能、定价和用户评价信息, backstory你擅长从网络收集竞品信息, tools[search_tool, scrape_tool], verboseTrue ) analyst Agent( role竞品分析师, goal对比分析竞品优劣势给出差异化建议, backstory你是一名战略分析师擅长竞品分析, verboseTrue ) collect_task Task( description收集 Notion、Obsidian 和 Logseq 三款笔记工具的功能、定价和用户评价, expected_output结构化的竞品信息汇总, agentcollector ) analyze_task Task( description基于收集的信息进行对比分析找出各自的优劣势和市场定位, expected_output包含对比表格、SWOT 分析和建议的完整报告, agentanalyst, context[collect_task] ) crew Crew( agents[collector, analyst], tasks[collect_task, analyze_task], processProcess.sequential, verboseTrue ) result crew.kickoff()案例 8自动化简历筛选根据职位描述自动筛选和评估简历。from crewai import Agent, Task, Crew, Process screener Agent( role简历筛选员, goal根据职位要求筛选符合条件的简历, backstory你是一名 HR 专家擅长快速筛选简历, verboseTrue ) evaluator Agent( role面试评估员, goal对筛选出的候选人进行深度评估并打分, backstory你是一名技术面试官擅长评估候选人能力, verboseTrue ) screen_task Task( description根据职位描述 {jd} 筛选简历 {resumes}找出符合条件的候选人, expected_output符合条件的候选人列表及匹配理由, agentscreener ) evaluate_task Task( description对每位候选人进行技能匹配度、经验深度和沟通能力的综合评估, expected_output每位候选人的评分表和推荐意见, agentevaluator, context[screen_task] ) crew Crew( agents[screener, evaluator], tasks[screen_task, evaluate_task], processProcess.sequential, verboseTrue ) result crew.kickoff(inputs{ jd: 招聘高级 Python 后端工程师3 年以上经验熟悉 FastAPI 和 PostgreSQL, resumes: 候选人A5 年 Python 经验熟悉 Django 和 MySQL\n候选人B2 年 Python 经验熟悉 Flask 和 MongoDB })6. 常见错误与使用注意事项6.1 常见错误错误类型错误信息原因与解决方案API 密钥缺失OpenAI API key not found未设置OPENAI_API_KEY环境变量。检查环境变量或直接在代码中传入api_key参数。模型不可用Model not found指定的模型名称不存在或当前 API 密钥无权访问。检查模型名称拼写和 API 权限。工具导入失败ModuleNotFoundError: No module named crewai_tools未安装 tools 扩展包。运行pip install crewai[tools]。任务上下文错误Context task not foundcontext参数中引用的任务对象未在Crew的tasks列表中。确保所有上下文任务都已添加到 Crew。速率限制Rate limit exceededAPI 请求频率过高。设置max_rpm参数限制每分钟请求数或使用更长的延迟。内存溢出MemoryError任务输出过大或迭代次数过多。减少max_iter或拆分任务为更小的子任务。6.2 使用注意事项明确角色定义为每个 Agent 提供清晰、具体的role、goal和backstory模糊的定义会导致输出质量下降。任务描述要具体description和expected_output越具体智能体的执行效果越好。避免使用模糊的指令。合理设置 verbose开发阶段开启verboseTrue便于调试生产环境建议关闭以节省 Token 消耗。注意 Token 消耗多智能体协作会显著增加 Token 使用量。对于长文本任务考虑拆分或使用支持更长上下文的模型。缓存机制启用cacheTrue可以避免重复执行相同任务节省时间和成本。错误处理建议在调用crew.kickoff()时使用 try-except 捕获异常避免任务中断导致数据丢失。版本兼容性CrewAI 迭代较快不同版本间 API 可能有变化。建议固定版本号pip install crewai0.108.0。本地模型支持使用本地模型如 Ollama时需确保模型支持工具调用function calling功能否则部分高级特性不可用。7. 总结CrewAI 为 Python 开发者提供了一个强大而灵活的多智能体协作框架。通过合理定义 Agent 角色、Task 依赖关系和 Crew 执行流程可以构建出能够自动完成复杂工作流的 AI 应用。从市场调研、内容创作到代码审查和数据分析CrewAI 在多个领域都展现出了实用价值。建议从简单的顺序流程开始实践逐步探索层级流程和自定义工具等高级特性。《动手学PyTorch建模与应用:从深度学习到大模型》是一本从零基础上手深度学习和大模型的PyTorch实战指南。全书共11章前6章涵盖深度学习基础包括张量运算、神经网络原理、数据预处理及卷积神经网络等后5章进阶探讨图像、文本、音频建模技术并结合Transformer架构解析大语言模型的开发实践。书中通过房价预测、图像分类等案例讲解模型构建方法每章附有动手练习题帮助读者巩固实战能力。内容兼顾数学原理与工程实现适配PyTorch框架最新技术发展趋势。
