CrewAI：多智能体协作框架，让 AI 团队自主工作

CrewAI：多智能体协作框架，让 AI 团队自主工作

CrewAI 解决的问题很直接：把多个 LLM 驱动的 agent 编排成一个有角色的团队，让它们自主分工、对话、执行任务，最终产出可验证的结果。你不再需要手动管理每个 agent 的上下文和调用顺序。

项目背景

CrewAI 由 João Moura 于 2024 年初创建，最初是为了解决个人项目中 Agent 协调难 的痛点：单个 agent 能力有限，多个 agent 各管一段时，互通信、共享上下文、结果聚合全靠手写胶水代码。核心痛点在于：缺乏一套轻量、可复用的多 agent 编排原语。CrewAI 抽象了 角色（Role）、任务（Task）、工具（Tool） 三个概念，让开发者像搭积木一样定义 AI 团队。

核心功能解析

角色驱动的 Agent 定义

每个 agent 有自己的 角色、目标、背景故事，框架会把它作为系统提示注入 LLM。你可以用自然语言精确描述 agent 的行为边界，比如“资深数据分析师，只输出 SQL 和图表”。

from crewai import Agent

analyst = Agent(
    role="数据分析师",
    goal="分析销售数据，找出趋势与异常",
    backstory="你是一名有10年经验的数据分析师，擅长用 Python 和 SQL。",
    verbose=True,
    allow_delegation=False
)

任务与依赖编排

任务可以指定 上下文任务，前序任务的输出会自动成为后序任务的输入。框架内置 协作模式：当 agent 需要其他 agent 的信息时，它会自动发起对话并等待结果。

from crewai import Task, Crew

task1 = Task(description="收集本周销售数据", expected_output="CSV文件路径", agent=analyst)
task2 = Task(description="基于数据生成分析报告", expected_output="Markdown报告", 
             agent=analyst, context=[task1])

crew = Crew(agents=[analyst], tasks=[task1, task2], verbose=2)
result = crew.kickoff()

工具集成与中间结果预览

Agent 可以使用任何 LangChain 工具 或自定义函数。框架还提供了 crew.kickoff() 的中间回调，让你实时查看每个 agent 的思考过程和中间输出。

agent1 = Agent(
    role="研究员",
    tools=[SearchTool(), WebScraper()],
    allow_delegation=True
)

快速上手

pip install crewai
# 或者使用 Poetry
poetry add crewai

# 基本示例（来自官方文档）
from crewai import Agent, Task, Crew, Process

# 定义两个 Agent
researcher = Agent(role="研究员", goal="收集 AI 行业最新动态", backstory="资深科技记者")
writer = Agent(role="写手", goal="将研究结果写成简洁报告", backstory="专业技术文档作者")

# 定义任务
research_task = Task(description="搜索2025年AI Agent 主要进展", expected_output="要点列表", agent=researcher)
write_task = Task(description="将要点整理为300字摘要", expected_output="Markdown 摘要", agent=writer)

# 创建团队并执行
crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task], process=Process.sequential)
result = crew.kickoff()
print(result)

技术亮点

深入看架构，CrewAI 有几个值得关注的设计决策：

• Process 抽象：提供 sequential、hierarchical、consensual 三种协作模式。sequential 最简单，按顺序执行；hierarchical 引入一个“管理者”agent 来分配和仲裁任务，类似人团队的 leader；consensual 让多个 agent 并行投票决策，适合需要共识的场景。
• 记忆机制：每个 agent 内部维护 短期记忆（当前任务上下文）和 长期记忆（跨任务的积累知识）。框架使用向量数据库存储长期记忆，agent 可以回忆之前合作过的信息，而不每次从头解释。
• 任务委托与消息传递：当 agent 设置了 allow_delegation=True，如果它觉得当前任务需要别的 agent 帮助，会主动发送“委托请求”。框架底层用事件循环管理消息队列，避免死锁。
• 可观测性：内置 verbose 和 callback 机制，可以 hook 每一步 agent 的输入输出，方便调试和监控。

一个值得注意的设计是：CrewAI 没有把 agent 之间的通信协议暴露给用户，而是用 “context + delegation” 隐式解决。对于大多数业务场景来说，这种高层次的抽象比手动编排消息传递要安全得多。

同类对比

总结

CrewAI 是目前在 多 agent 协作 领域最轻量、最 Pythonic 的选择。如果你需要快速搭建一个由多个 LLM 角色组成的“AI 团队”来完成复杂任务（如调研 + 写作、数据提取 + 分析 + 报告），且不希望被底层通信细节拖累，选它准没错。特别适合 AI 应用开发者、自动化工程师、以及想实验 Multi-Agent 架构的研究者。