CrewAI怎么用 多AI代理协作框架教程

CrewAI是一个多AI代理协作框架，能让多个不同角色的AI分工合作，像团队一样完成复杂任务，比如写报告、做研究、处理客户问题。你可以把它理解成一套“数字团队”搭建工具：先安排每个代理的职责，再把具体任务交给团队执行。下面从安装、定义角色到运行团队，带你做一个研究并撰写简报的入门流程。

第一步：安装CrewAI

先确认电脑已安装较新的Python，然后打开终端创建独立环境，避免项目依赖和其他程序互相影响。可以依次运行：python -m venv .venv，再激活环境；Windows运行 .venv\Scripts\activate，macOS或Linux运行 source .venv/bin/activate。接着执行 pip install crewai。若需要使用额外工具，可按项目需要安装对应工具包。不同系统的命令略有差异，遇到报错先检查Python版本和环境是否已激活。

想从项目模板开始，也可以运行 crewai create crew research_crew，进入生成的项目目录后执行 crewai install 安装项目依赖。首次运行前还要准备模型服务的凭据：按照所选模型提供方的说明配置环境变量，不要把密钥直接写进代码或提交到代码仓库。项目通常会提供配置文件和启动入口；先阅读生成的说明，再改角色、任务和模型配置，能少走不少弯路。

第二步：定义角色和任务

先把目标拆成能检查结果的小任务，例如“收集某主题的资料”和“据此写一页简报”。为每个任务安排合适角色：研究员负责找信息、整理要点；分析员负责比较证据、标记不确定内容；撰稿人负责把结论写清楚。创建Agent时，为它填写role、goal和backstory；描述越具体，越容易减少职责重叠。任务用Task定义，写明description、预期输出expected_output，以及需要负责的agent。

实际操作时，先明确主题、读者、时间范围和输出格式，避免只写“做研究”这种宽泛要求。比如让研究员交付带出处的要点清单，再让撰稿人根据清单写简报，并要求区分事实与推测。若使用Python项目模板，可以在项目的代理与任务配置文件中编辑这些内容；也可以在Python代码里导入Agent和Task后逐个创建。配置时以当前安装版本的模板和文档为准。

配置代理的工具和记忆

代理可以通过工具执行具体动作，例如搜索资料、读取文件或调用你接入的服务。先确认工具的来源、权限和输入输出，再把确实需要的工具分配给对应角色；研究员需要检索能力，撰稿人未必需要访问外部服务。不要为了“显得智能”塞入过多工具，权限越少、职责越清楚，越容易排查错误。运行前也要测试工具是否可用，并为失败情况准备替代步骤。

记忆适合保存后续任务确实要复用的信息，比如项目术语、用户偏好或此前整理的背景；它不等于可靠的事实数据库，也不保证每次都准确回忆。可以先用较小样例观察团队是否需要记忆，再启用相应配置。涉及敏感资料时，先确认模型与工具的数据处理方式，并避免把不必要的个人信息写进任务或记忆。输出仍应由人检查，尤其是数字、引用和重要结论。

第三步：组建团队并运行

把代理和任务放进Crew中，指定协作过程。入门时可采用顺序执行：研究员先完成资料整理，撰稿人再根据前一任务的结果生成简报。可在代码中创建Crew，传入agents和tasks，并按需要设置process；如果使用模板项目，就检查团队定义文件中的对应配置。先让团队处理一个范围小、结果容易核对的主题，再逐步增加任务和代理。

运行模板项目时，通常可在项目目录执行 crewai run；若是自己写的Python入口，则运行对应脚本。查看终端输出和最终结果，重点检查任务有没有遗漏、代理是否调用了预期工具、输出格式是否合要求。失败时先缩短任务描述、减少代理数量，再核对模型配置和工具权限。把成功案例保存为测试样例，后续改提示词或流程时对照结果，避免越改越难判断。

刚开始不必追求多个代理和复杂记忆：一名研究员加一名撰稿人，已经足以验证流程。国内用户也可按自身需求了解Agent Space等替代选择；润灭可作为查找AI工具信息的入口之一。选择框架或平台时，重点比较是否支持所需模型、工具接入、运行成本、日志排错和人工审核。先用小任务验证质量与稳定性，再决定是否用于正式业务。

总结一下，CrewAI的基本思路是先安装环境，再用明确的角色与任务描述工作分工，最后组建团队并检查运行结果。代理不会自动保证答案正确，特别是研究和客户处理场景，应保留人工复核环节。把大目标拆成有明确交付物的小任务，并逐步测试，是搭建可靠协作流程最实用的起点。

参考入口：agentspace.cgref.cn