【CrewAI】让AI组团干活：多角色协作框架入门

发表于 更新于 分类于

📚 AI Agent 开源框架实战系列（3/6） | ⬅️ 上一篇：LangGraph：用状态图构建有记忆的 AI 工作流 | ➡️ 下一篇：AutoGen：让多个 AI Agent 对话协作 | 🔗 配套代码仓库

开篇钩子：一个 AI 不够用，我需要一个 AI “团队”

你有没有遇到过这种情况：让 AI 帮你写一篇深度行业报告，它洋洒洒写了 3000 字，引用了十几个”权威数据”——结果你一查，至少一半数据是凭空编造的。

这不是 AI 在故意骗你。问题在于，单个 AI 同时扮演调研员、分析师、写手、校对——每件事都做，每件事都容易出错。就像让一个人同时当记者、编辑和主编：顾此失彼是必然的。

解决方案不是换一个更聪明的 AI，而是组建一个 AI 团队，让每个成员只专注自己的一件事。

CrewAI（多智能体协作框架）就是干这件事的工具。它让你像管理真实团队一样，给每个 AI 分配岗位、目标和专长，让它们流水线式协作，完成复杂任务。

一、为什么需要多 Agent？

单 Agent 的三大痛点

2023 年，美国律师直接把 ChatGPT 生成的案例引用提交法院，结果法官发现引用的多个判例根本不存在，律师因此被罚款。单个 AI 没有”同行审查”，错误直接流向结果。

痛点表现根因
注意力分散又调研又写作，每个环节都不专注角色混乱，无法深度聚焦
上下文溢出任务越长越容易前后矛盾单次对话的 token 上限
无审查机制输出直接是终态，无人把关缺少独立的质量检验环节

多 Agent 的解法

多 Agent 系统的核心是分工专注 + 流程审查：

角色类比职责
🔍 研究员 Agent调研部门搜集信息，输出事实
✍️ 写手 Agent内容部门基于事实写作，不编造
📝 主编 Agent质量部门审查内容，确保准确

每个 Agent 只做自己最擅长的一件事，上一个的输出是下一个的输入，形成完整闭环。

二、核心概念，用人话解释

🧑‍💼 Agent（角色）= 员工

一个 Agent 就是一名”AI 员工”。创建时需要告诉它三件事：

  • role（职位）：它是研究员还是写手？
  • goal（目标）：这个岗位的 KPI 是什么？
  • backstory（背景故事）：它有哪些经验、风格、工作原则？

backstory 听起来像小说里的人物设定，但它本质上是系统提示（System Prompt），直接决定 AI 的行为模式。写”你是严谨的科技记者，习惯用数据说话”，输出风格就截然不同于”你是活泼的科技博主”。

📋 Task（任务）= 工单

Task 是分配给 Agent 的具体工作，关键字段有三个：

  • description：要做什么
  • expected_output：产出物的格式和内容标准
  • agent：由谁负责

expected_output 必须写清楚。 “写个总结”和”用中文写一份 200 字摘要，包含 3 个要点”产出的结果天壤之别。

👥 Crew（团队）= 公司

Crew 把多个 Agent 和 Task 组合起来，定义谁来做、按什么顺序做。

⚙️ Process（流程）= 工作方式

  • sequential（顺序流）：流水线模式，A 做完交给 B，B 做完交给 C
  • hierarchical（层级流）：有”管理者” Agent 统一分配，类似老板派活

入门阶段用 sequential 就够了，直观且易于调试。

三、它是怎么工作的？

以”写一篇 AI 技术文章”为例，三个 Agent 按顺序协作：

sequenceDiagram
    actor User as 👤 用户
    participant R as 🔍 研究员
    participant W as ✍️ 写手
    participant E as 📝 主编

    User->>R: 给主题
    R->>R: 搜集整理
    R->>W: 交调研报告
    W->>W: 基于报告写作
    W->>E: 交初稿
    E->>E: 审查校对
    E-->>User: 返回终稿

关键机制是 context 参数（任务依赖）：写手 Task 设置 context=[research_task]，它就会自动获得研究员的输出作为素材，而不是凭空创作。这是多 Agent 协作的核心纽带。

四、5 分钟上手：完整可运行代码

📦 配套仓库：xuqi2024/ai-agent-tutorials
对应文件：03-crewai/01_content_crew.py

安装依赖

1
pip install crewai crewai-tools

核心代码片段

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
from crewai import Agent, Task, Crew, Process

# ── 第一步：定义员工（Agent） ──────────────────────────────────────────

researcher = Agent(
    role="资深科技研究员",
    goal="搜集准确、有深度的技术信息，绝不编造数据",
    backstory=(
        "你在科技行业有 10 年经验，擅长从学术论文和技术文档中提炼关键信息。"
        "你的铁则是：没有可验证的来源，就不引用数据。"
    ),
    verbose=True
)

writer = Agent(
    role="科技内容写手",
    goal="将研究结果转化为清晰易懂的中文技术文章",
    backstory=(
        "你是一名科技博主，擅长用生活类比解释复杂概念，文章风格简洁有力，"
        "从不使用空话套话，读者以技术初学者为主。"
    ),
    verbose=True
)

editor = Agent(
    role="主编",
    goal="确保文章事实准确、逻辑通顺、格式规范",
    backstory=(
        "你是经验丰富的技术主编，对错误零容忍。"
        "你会逐段核查事实，标注可疑数据，并给出具体的修改建议。"
    ),
    verbose=True
)

# ── 第二步：定义工单（Task） ──────────────────────────────────────────

research_task = Task(
    description="调研 CrewAI 框架的核心功能和最新进展",
    expected_output="一份 300 字的调研摘要，包含核心概念、使用场景和典型案例",
    agent=researcher
)

write_task = Task(
    description="基于调研结果，写一篇面向初学者的 CrewAI 入门文章",
    expected_output="一篇 600 字的中文博客，包含代码示例，不使用专业术语堆砌",
    agent=writer,
    context=[research_task]   # 依赖研究员的输出，关键！
)

edit_task = Task(
    description="审查文章的事实准确性和可读性，输出最终版本",
    expected_output="经过校对的最终文章，附一段修改说明（指出改了什么、为什么改）",
    agent=editor,
    context=[write_task]
)

# ── 第三步：组建团队并运行（Crew） ──────────────────────────────────────

crew = Crew(
    agents=[researcher, writer, editor],
    tasks=[research_task, write_task, edit_task],
    process=Process.sequential,   # 顺序执行：研究→写作→审查
    verbose=True
)

result = crew.kickoff()
print(result)

backstory 是整个系统最重要的调参旋钮。 把研究员的 backstory 改成”你喜欢凭直觉判断而不是查找来源”，整个团队的输出质量就会断崖式下降。它不是装饰性文字，而是在塑造 AI 的”职业人格”，直接影响每一次推理的方向。

五、常见误区（踩坑指南）

❌ 误区一：backstory 只是描述性文字

很多新手把 backstory 写成：”你是一名研究员，有丰富经验。” 这几乎没有效果。

有效的 backstory 要包含行为准则、禁忌事项和工作方式。 把它当成给新员工写的入职手册，而不是 LinkedIn 个人简介。例如明确写出”你的原则是：没有可验证来源，就不引用数据”，AI 就会在不确定时主动说”我找不到相关数据”，而不是编一个。

❌ 误区二：随手打开 allow_delegation=True

allow_delegation=True 允许 Agent 把收到的任务再转发给其他 Agent。听起来很智能，实际上在复杂场景中容易导致任务在 Agent 之间循环传递，最终陷入死循环或产生意外的任务链。

入门阶段保持默认值（False），等完全理解框架后再按需启用。

❌ 误区三：expected_output 写得模糊

expected_output="写一个总结" 和 expected_output="用中文写一份 200 字摘要，包含 3 个核心结论，每条不超过 2 句话" 的产出完全不是同一个量级。

越具体的期望，越稳定的输出。 写 expected_output 时，脑子里先想象一份满意的终态，再把它描述出来。

六、框架对比：CrewAI vs LangGraph vs AutoGen

维度CrewAILangGraphAutoGen
核心范式角色扮演 + 顺序流状态机 + 图结构对话驱动
学习难度⭐ 低（Python 类）⭐⭐⭐ 高（图论概念）⭐⭐ 中
适合场景内容生产、研究报告复杂业务流程代码生成、对话任务
角色系统✅ 原生支持❌ 需自行设计⚠️ 部分支持
入门友好度✅ 非常友好❌ 陡峭✅ 较友好

如果你是初学者，CrewAI 是入门多 Agent 开发的最佳起点。 用”公司团队”这个最直觉的模型，几十行代码就能搭出有实际产出的 AI 工作流。

七、下一步怎么学？

graph LR
    A["🚀 起点<br/>跑通示例代码"]
    B["🔧 实验<br/>改 backstory 看效果"]
    C["📋 进阶<br/>试 hierarchical 流程"]
    D["🛠️ 工具<br/>接入搜索工具"]
    E["🏗️ 实战<br/>搭自己的业务流水线"]

    A --> B --> C --> D --> E

    style A fill:#C7CEEA,stroke:#9FA8DA,color:#333
    style B fill:#FFDAB9,stroke:#FFAB76,color:#333
    style C fill:#E8D5F5,stroke:#CE93D8,color:#333
    style D fill:#FFB3C6,stroke:#F48FB1,color:#333
    style E fill:#B5EAD7,stroke:#80CBC4,color:#333

具体行动路径：

  1. 先跑通：克隆 ai-agent-tutorials，直接运行 03-crewai/01_content_crew.py，观察三个 Agent 的完整对话日志
  2. 再改参数：分别修改每个 Agent 的 backstory 和 Task 的 expected_output，对比输出变化
  3. 加真实工具：给研究员接入 SerperDevTool（联网搜索），让数据有真实来源而非 AI 臆造
  4. 读官方文档：docs.crewai.com 提供完整的工具库和进阶流程参考

多 Agent 系统的本质，不是”多个 AI 叠加就更聪明”，而是分工让每个 AI 更专注。就像一家运转良好的公司，不需要每个员工都是全才——需要的是清晰的职责边界和顺畅的协作流程。

你的第一个 AI 团队，今天就可以开始搭建。