CrewAI 制作智能体

CrewAI 是一个多智能体协作的开源框架，专门用于编排和协调多个 AI Agent 进行协作。

CrewAI 可以把一个复杂任务，拆成多个角色，各自负责一部分，通过流程协作完成。

对比理解：

单 Agent：一个大模型，从头干到尾
CrewAI：产品经理 + 工程师 + 分析师 + 编辑，各司其职

CrewAI 是一个协调、管理和框架化 AI Agent 的工具，它基于 LangChain 和 Pydantic 构建，用于促进角色扮演、自治和协作的 Agent 团队。

Crew（团队）：一个由多个 Agent 组成的项目组。
Agent（成员）：团队中的个体，每个都有明确的 role（角色）、goal（目标）和 backstory（背景故事）。
Task（任务）：需要团队完成的具体工作。一个 Crew 包含多个有序或并行的 Task，并分配给合适的 Agent。
Process（流程）：定义团队的工作流程，例如是顺序执行还是同时执行任务。

简单来说，crewAI 提供了一个结构化的方式来定义谁（Agent）在什么流程（Process）下，完成哪些事（Task），最终达成团队目标。

下面的流程图清晰地展示了 crewAI 框架中各个核心组件是如何协同工作的：

流程始于定义具备特定角色和目标的智能体（Agent），然后为其创建具体的任务（Task）。

接着，将这些智能体及其任务组建成一个团队（Crew），并为团队选择协同工作的流程（Process），如顺序执行或并行执行。最终，团队按照既定流程执行所有任务，产出最终结果。

环境搭建与安装

开始构建前，我们需要准备好开发环境。

前置条件

Python 版本要求：

必须：Python ≥ 3.10 且 < 3.14
可以在终端输入 `python --version` 来检查，不满足版本范围，后续问题会非常多，不建议硬扛

CrewAI 使用 UV 做依赖和包管理，目的只有一个：
让多 Agent 项目更稳定，不被环境问题拖垮

UV 入门教程参考：UV - Python 包与环境管理工具。

API 密钥：

crewAI 本身不提供 AI 模型，它需要连接像 OpenAI 的 GPT、Anthropic 的 Claude 等大语言模型。

安装 crewAI

打开你的终端或命令行工具，使用 pip 命令安装 crewAI 包。

bash

# 正常安装
pip install crewai
# 其他依赖
pip install langchain
pip install openai

# 如果安装慢，可以使用国内镜像安装
pip install crewai -i https://mirrors.aliyun.com/pypi/simple/
pip install langchain -i https://mirrors.aliyun.com/pypi/simple/
pip install openai -i https://mirrors.aliyun.com/pypi/simple/

如果希望使用 crewAI 内置的一些高级工具（如网络搜索），可以安装额外的依赖项：

bash

# 正常安装
pip install 'crewai[tools]'

# 如果安装慢，可以使用国内镜像安装
pip install 'crewai[tools]' -i https://mirrors.aliyun.com/pypi/simple/

国内我们可以采用 DeepSeek 大模型来测试，如果还没有需要先去 https://platform.deepseek.com/api_keys 创建一个 API key。

DeepSeek 的 API 文档参考：https://api-docs.deepseek.com/zh-cn/。

安装完成后，创建一个新的 Python 文件，例如 my_first_crew.py，并导入必要的库。

CrewAI 的 LLM 对第三方模型（包括 DeepSeek）底层必须通过 LiteLLM，使用前我们需要先安装：

bash

pip install -U litellm

实例

python

from crewai import Agent, Task, Crew, Process

from crewai.llm import LLM

# =====================================================

# LLM 配置（DeepSeek｜LiteLLM 规范写法）

# =====================================================

llm = LLM(

    model="deepseek/deepseek-v4-flash",  # 关键： 必须包含服务商 deepseek，然后再写模型名 deepseek-v4-flash 或 deepseek-v4-pro

    api_key="sk-xxxxx",   # 设置 API key

    api_base="https://api.deepseek.com/v1",

    temperature=0.7,

)

# =====================================================

# Agents

# =====================================================

researcher = Agent(

    role="技术研究员",

    goal="寻找最新、准确、可验证的技术资料，并给出代码证明。",

    backstory="擅长系统性分析技术问题，注重事实和可复现性。",

    llm=llm,

    verbose=True,

    allow_delegation=False,

)

writer = Agent(

    role="技术博客作家",

    goal="将研究成果整理成适合初学者阅读的技术文章。",

    backstory="擅长将复杂概念拆解为清晰步骤，并提供完整示例。",

    llm=llm,

    verbose=True,

    allow_delegation=True,

)

# =====================================================

# Tasks

# =====================================================

research_task = Task(

    description=(

        "深入研究：使用 Python 进行自动化数据清洗。\n"

        "重点包括：pandas、numpy、缺失值、重复值、格式不一致问题。\n"

        "必须提供完整、可运行的代码示例。"

    ),

    agent=researcher,

    expected_output=(

        "一份研究报告，包含问题分类、解决方案代码和完整清洗流程。"

    ),

)

write_task = Task(

    description=(

        "基于研究报告，撰写入门级技术博客。\n"

        "标题：《Python 数据清洗入门：用 pandas 告别脏数据》。"

    ),

    agent=writer,

    context=[research_task],

    expected_output="不少于 800 字的 Markdown 技术博客。",

)

# =====================================================

# Crew

# =====================================================

crew = Crew(

    agents=[researcher, writer],

    tasks=[research_task, write_task],

    process=Process.sequential,

    verbose=True,

)

# =====================================================

# Run

# =====================================================

if __name__ == "__main__":

    result = crew.kickoff()

    output = result.raw

    with open("python_data_cleaning_blog.md", "w", encoding="utf-8") as f:

        f.write(output)

接下来，就会开始执行任务，输出相关信息：

完成后就会把输出的内容写入到 python_data_cleaning_blog.md 文件中。

以下是代码中相关属性的说明。

LLM（模型层）关键属性

属性	示例值	作用	错误后果
`model`	`deepseek/deepseek-v4-flash`	LiteLLM 规范写法：`服务商/模型名`	少了 `deepseek/` 会直接报 `LLM Provider NOT provided`
`api_key`	`sk-xxxxx`	模型鉴权	为空或错误直接 401 / LLM Failed
`api_base`	`https://api.deepseek.com/v1`	DeepSeek API 地址	根据具体模型的地址来
`temperature`	`0.7`	控制输出随机性	过高内容发散，过低文本僵硬

Agent（智能体）关键属性

属性	作用	本质
`role`	Agent 的"身份标签"	写进 system prompt
`goal`	当前 Agent 的核心目标	决定回答方向
`backstory`	行为约束与风格	稳定输出质量
`llm`	使用哪个模型	必须显式绑定
`verbose`	打印执行过程	仅影响日志
`allow_delegation`	是否允许转派任务	极易踩坑

researcher（研究员）

属性	值	设计意图
`allow_delegation`	`False`	防止无限拆任务
`goal`	找资料 + 给代码	输出是"原料"

writer（写作）

属性	值	风险
`allow_delegation`	`True`	可能触发 delegate 再研究
`context`	`[research_task]`	已有输入，其实不需要再 delegate

结论
顺序流水线中，写作 Agent 应关闭 delegation，否则容易二次委托失败。

Task（任务）关键属性

Task 通用字段:

属性	作用	关键点
`description`	实际发给 LLM 的任务文本	越具体越稳
`agent`	谁来执行	必须唯一
`expected_output`	结果约束	不强制，但强烈建议
`context`	依赖的上游任务	顺序执行核心

research_task:

属性	说明
`agent=researcher`	绑定研究员
无 `context`	第一阶段任务
输出	结构化研究内容

write_task:

属性	说明
`context=[research_task]`	强制读取研究结果
`agent=writer`	只做整理与表达
输出	最终 Markdown 文本

Crew（执行器）关键属性

属性	示例值	作用	错误后果
`agents`	`[researcher, writer]`	所有可用 Agent	少一个直接报错
`tasks`	`[research_task, write_task]`	执行队列	顺序按列表
`process`	`Process.sequential`	执行策略	并行会打乱依赖
`verbose`	`True`	日志开关	只能是 bool

kickoff() 与输出结构

表达式	类型	用途
`crew.kickoff()`	`CrewOutput`	执行结果容器
`result.raw`	`str`	最终文本输出
`result.tasks_output`	list/dict	每个 Task 的输出
`result.token_usage`	dict	统计信息

crewai 命令

我们可以使用 crewai 命令生成完整工程结构：

python

crewai create crew <项目名>

例如我们创建一个项目 runoob-agent-test，还行以下命令：

python

crewai create crew runoob-agent-test

接下来出现以下内容，可以先选择大模型的提供商：

sql

Creating folder runoob_agent_test...
Cache expired or not found. Fetching provider data from the web...
Downloading  [####################################]  1102019/56339
Select a provider to set up:
1. openai
2. anthropic
3. gemini
4. nvidia_nim
5. groq
6. huggingface
7. ollama
8. watson
9. bedrock
10. azure
11. cerebras
12. sambanova
13. other
q. Quit

本章节，我们就选 DeepSeek，先输入 13 选 other，然后可以鼠标滚动看下 DeepSeek 在 23，输入序号 23 即可：

如果你有其他模型的 API key ，根据序号选择即可。

完成后，可以看到生成的目录如下：

项目结构说明:

python

my_project/
├── .env                # 环境变量（API Key）
├── pyproject.toml      # 项目依赖声明
├── README.md
└── src/
    └── my_project/
        ├── main.py     # 程序入口
        ├── crew.py     # Crew 与 Agent 的核心逻辑
        ├── tools/      # 自定义工具
        └── config/
            ├── agents.yaml  # Agent 定义
            └── tasks.yaml   # Task 定义

运行你的 Crew

进入项目根目录：

bash

cd my_project

锁定并安装依赖：

python

crewai install

运行：

python

crewai run

或直接：

bash

python src/my_project/main.py

配置 API 密钥

为了安全起见，不建议将 API Key 直接写在代码里，我们可以将其设置为环境变量。

在代码中设置（仅用于测试）：

python

import os
os.environ["OPENAI_API_KEY"] = "你的-openai-api-key-here"

推荐方式：使用 .env 文件

在项目根目录创建一个名为 .env 的文件。

在文件中写入：OPENAI_API_KEY=你的-openai-api-key-here

在 Python 代码中，使用 python-dotenv 包来加载。

安装命令：

bash

pip install python-dotenv

接下来在代码中载入：

python

from dotenv import load_dotenv
load_dotenv() # 这会自动加载 .env 文件中的变量
# 现在 os.environ["OPENAI_API_KEY"] 就已经有了值

核心组件详解与实战

现在，让我们像组建公司一样，一步步创建我们的 AI 团队，我们将模拟一个技术博客创作团队。

第一步：定义智能体 (Agent)

Agent 是你的团队成员。创建时需要定义几个关键属性：

参数	说明	示例
role	代理的角色或职位。	`资深技术作家`
goal	代理的最终目标。	`创作深入浅出、实用的技术教程`
backstory	角色的背景故事，用于塑造其行为和语气。	`你是一位拥有10年全栈开发经验的开发者，热爱分享，擅长将复杂概念简单化。`
llm	指定代理使用的大语言模型。	`ChatOpenAI(model="gpt-4", temperature=0.7)`
verbose	设置为 `True` 时，会输出代理的详细思考过程。	`True` (调试时很有用)
allow_delegation	是否允许此代理将任务委托给其他代理。	`True`

让我们创建两个代理：一个研究员和一个作家。

实例

python

# 首先，定义一个共享的 LLM，这样所有代理可以使用相同的模型配置

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)

# 创建研究员代理

researcher = Agent(

    role='技术研究员',

    goal='为你分配的主题，寻找最新、最准确、最相关的技术信息。',

    backstory='你是一位专注且严谨的技术分析师，擅长从海量信息中筛选出关键点，并验证其来源的可靠性。',

    llm=llm, # 使用上面定义的模型

    verbose=True, # 输出详细日志

    allow_delegation=False # 研究员不需要委托任务

)

# 创建作家代理

writer = Agent(

    role='技术博客作家',

    goal='根据研究员提供的资料，撰写结构清晰、生动有趣、代码示例完整的技术博客文章。',

    backstory='你是一位广受欢迎的技术博主，文风亲切，逻辑严谨，尤其擅长通过比喻和实例来解释复杂概念。',

    llm=llm,

    verbose=True,

    allow_delegation=True # 作家如果觉得需要，可以委托任务（比如回去让研究员补充资料）

)

第二步：创建任务 (Task)

Task 是具体的工作项，需要分配给 Agent 去完成。关键属性包括：

参数	说明	示例
description	对任务的清晰描述。	`研究 "Python异步编程asyncio" 在 2023 年后的核心应用场景和最佳实践。`
agent	负责执行此任务的 `Agent` 对象。	`researcher`
expected_output	对任务产出物的详细描述。	`一份结构化的研究报告，包含概述、3-4个核心应用场景、2-3个代码片段示例以及总结。`

我们为研究员和作家各创建一个任务。

实例

python

# 创建研究任务

research_task = Task(

    description=(

        "对 '使用 Python 进行自动化数据清洗' 这个主题进行深入研究。\n"

        "重点关注 pandas 和 numpy 库的最新用法（2023年后），常见的脏数据问题（如缺失值、重复值、格式不一致），以及高效的清洗流程。\n"

        "请提供具体的代码片段来说明每个步骤。"

    ),

    agent=researcher, # 这个任务交给研究员

    expected_output=(

        "一份完整的研究报告，格式如下：\n"

        "1. 主题概述\n"

        "2. 常见数据问题分类（至少3类）\n"

        "3. 针对每类问题的 pandas/numpy 解决方案（附代码片段）\n"

        "4. 一个完整的端到端清洗流程示例\n"

        "5. 总结与建议"

    )

)

# 创建写作任务

write_task = Task(

    description=(

        "利用研究员提供的研究报告，撰写一篇面向初学者的技术博客文章。\n"

        "文章标题为：'Python 数据清洗入门：用 pandas 告别脏数据'。\n"

        "文章要求：语言通俗易懂，逻辑层层递进，包含研究员提供的所有关键代码片段并添加详细注释。\n"

        "最后，提供一个完整的、可运行的示例，演示清洗一个模拟数据集的全过程。"

    ),

    agent=writer, # 这个任务交给作家

    expected_output=(

        "一篇不少于800字的 Markdown 格式博客文章。\n"

        "包含引言、正文（分小节）、代码块、总结。\n"

        "文末必须附上一个完整的、包含模拟数据和清洗代码的 Python 脚本。"

    ),

    # context 参数非常重要！它指定了此任务的依赖，即需要先完成 research_task

    context=[research_task]

)

注意 write_task 中的 context=[research_task]，这建立了任务间的依赖关系，意味着作家需要等研究员完成任务后才能开始工作。

第三步：组建团队与设置流程 (Crew & Process)

现在，将 Agent 和 Task 组装成 Crew，并定义他们的工作 Process。

实例

python

# 组建团队

blog_crew = Crew(

    agents=[researcher, writer], # 团队由哪些成员构成

    tasks=[research_task, write_task], # 团队有哪些任务

    process=Process.sequential, # 流程类型：顺序执行。研究员做完，作家再做。

    verbose=2 # 设置团队执行时的日志详细程度 (0=安静, 1=基础, 2=详细)

)

crewAI 主要支持两种流程：

Process.sequential：任务按在列表中的顺序依次执行。适合有严格依赖关系的流水线作业。
Process.hierarchical：配合一个管理者（Manager）Agent，由它来协调和分配任务。适合更复杂、动态的协作场景。

第四步：执行任务并获取结果

一切就绪，启动你的 AI 团队！

实例

python

# 执行团队任务

result = blog_crew.kickoff()

# 打印最终结果

print("###################### 最终成果 ######################")

print(result)

运行你的 Python 脚本 (python my_first_crew.py)。由于我们设置了 verbose=True 和 verbose=2，你将在终端看到每个 Agent 的思考过程和任务执行日志，最后看到生成的博客文章。

进阶技巧：为 Agent 配备工具 (Tools)

crewAI 可以让 Agent 调用外部 Tool，如搜索网络、查询数据库、执行计算等。

以下示例为研究员配备网络搜索和计算工具：

实例

python

from crewai_tools import SerperDevTool, CalculatorTool

# 初始化工具

# 注意：SerperDevTool 需要单独的 API Key，请在 https://serper.dev/ 注册获取

search_tool = SerperDevTool(serper_api_key="你的-serper-api-key")

calc_tool = CalculatorTool()

# 创建配备工具的研究员

advanced_researcher = Agent(

    role='高级技术研究员',

    goal='搜索最新的技术动态并进行量化分析',

    backstory='你不仅善于查找信息，还能对数据进行简单的计算和对比。',

    tools=[search_tool, calc_tool], # 将工具列表赋予代理

    llm=llm,

    verbose=True

)

# 创建一个使用工具的任务

analysis_task = Task(

    description=(

        "搜索并比较 'FastAPI' 和 'Django' 在 GitHub 上过去一年的 Star 增长数量。\n"

        "计算两者的增长率，并分析可能的原因。"

    ),

    agent=advanced_researcher,

    expected_output="包含具体数据、计算过程和原因分析的简短报告。"

)

AI 思考中...

提示词工程（Prompt Engineering）

LangChain 制作智能体

CrewAI 制作智能体 ​

环境搭建与安装 ​

前置条件 ​

安装 crewAI ​

实例 ​

LLM（模型层）关键属性 ​

Agent（智能体）关键属性 ​

researcher（研究员） ​

writer（写作） ​

Task（任务）关键属性 ​

Crew（执行器）关键属性 ​

kickoff() 与输出结构 ​

crewai 命令 ​

运行你的 Crew ​

配置 API 密钥 ​

核心组件详解与实战 ​

第一步：定义智能体 (Agent) ​

实例 ​

第二步：创建任务 (Task) ​

实例 ​

第三步：组建团队与设置流程 (Crew & Process) ​

实例 ​

第四步：执行任务并获取结果 ​

实例 ​

进阶技巧：为 Agent 配备工具 (Tools) ​

实例 ​

CrewAI 制作智能体

环境搭建与安装

前置条件

安装 crewAI

实例

LLM（模型层）关键属性

Agent（智能体）关键属性

researcher（研究员）

writer（写作）

Task（任务）关键属性

Crew（执行器）关键属性

kickoff() 与输出结构

crewai 命令

运行你的 Crew

配置 API 密钥

核心组件详解与实战

第一步：定义智能体 (Agent)

实例

第二步：创建任务 (Task)

实例

第三步：组建团队与设置流程 (Crew & Process)

实例

第四步：执行任务并获取结果

实例

进阶技巧：为 Agent 配备工具 (Tools)

实例