CrewAI怎麼用 多AI代理協作框架教程

CrewAI是一個多AI代理協作框架，能讓多個不同角色的AI分工合作，像團隊一樣完成複雜任務，比如寫報告、做研究、處理客戶問題。你可以把它理解成一套“數字團隊”搭建工具：先安排每個代理的職責，再把具體任務交給團隊執行。下面從安裝、定義角色到執行團隊，帶你做一個研究並撰寫簡報的入門流程。

第一步：安裝CrewAI

先確認電腦已安裝較新的Python，然後開啟終端建立獨立環境，避免專案依賴和其他程式互相影響。可以依次執行：python -m venv .venv，再啟用環境；Windows執行 .venv\Scripts\activate，macOS或Linux執行 source .venv/bin/activate。接著執行 pip install crewai。若需要使用額外工具，可按專案需要安裝對應工具包。不同系統的命令略有差異，遇到報錯先檢查Python版本和環境是否已啟用。

想從專案模板開始，也可以執行 crewai create crew research_crew，進入生成的專案目錄後執行 crewai install 安裝專案依賴。首次執行前還要準備模型服務的憑據：按照所選模型提供方的說明配置環境變數，不要把金鑰直接寫進程式碼或提交到程式碼倉庫。專案通常會提供配置檔案和啟動入口；先閱讀生成的說明，再改角色、任務和模型配置，能少走不少彎路。

第二步：定義角色和任務

先把目標拆成能檢查結果的小任務，例如“收集某主題的資料”和“據此寫一頁簡報”。為每個任務安排合適角色：研究員負責找資訊、整理要點；分析員負責比較證據、標記不確定內容；撰稿人負責把結論寫清楚。建立Agent時，為它填寫role、goal和backstory；描述越具體，越容易減少職責重疊。任務用Task定義，寫明description、預期輸出expected_output，以及需要負責的agent。

實際操作時，先明確主題、讀者、時間範圍和輸出格式，避免只寫“做研究”這種寬泛要求。比如讓研究員交付帶出處的要點清單，再讓撰稿人根據清單寫簡報，並要求區分事實與推測。若使用Python專案模板，可以在專案的代理與任務配置檔案中編輯這些內容；也可以在Python程式碼裡匯入Agent和Task後逐個建立。配置時以當前安裝版本的模板和文件為準。

配置代理的工具和記憶

代理可以透過工具執行具體動作，例如搜尋資料、讀取檔案或呼叫你接入的服務。先確認工具的來源、權限和輸入輸出，再把確實需要的工具分配給對應角色；研究員需要檢索能力，撰稿人未必需要訪問外部服務。不要為了“顯得智慧”塞入過多工具，權限越少、職責越清楚，越容易排查錯誤。執行前也要測試工具是否可用，併為失敗情況準備替代步驟。

記憶適合儲存後續任務確實要複用的資訊，比如專案術語、使用者偏好或此前整理的背景；它不等於可靠的事實資料庫，也不保證每次都準確回憶。可以先用較小樣例觀察團隊是否需要記憶，再啟用相應配置。涉及敏感資料時，先確認模型與工具的資料處理方式，並避免把不必要的個人資訊寫進任務或記憶。輸出仍應由人檢查，尤其是數字、引用和重要結論。

第三步：組建團隊並執行

把代理和任務放進Crew中，指定協作過程。入門時可採用順序執行：研究員先完成資料整理，撰稿人再根據前一任務的結果生成簡報。可在程式碼中建立Crew，傳入agents和tasks，並按需要設定process；如果使用模板專案，就檢查團隊定義檔案中的對應配置。先讓團隊處理一個範圍小、結果容易核對的主題，再逐步增加任務和代理。

執行模板專案時，通常可在專案目錄執行 crewai run；若是自己寫的Python入口，則執行對應指令碼。檢視終端輸出和最終結果，重點檢查任務有沒有遺漏、代理是否呼叫了預期工具、輸出格式是否合要求。失敗時先縮短任務描述、減少代理數量，再核對模型配置和工具權限。把成功案例儲存為測試樣例，後續改提示詞或流程時對照結果，避免越改越難判斷。

剛開始不必追求多個代理和複雜記憶：一名研究員加一名撰稿人，已經足以驗證流程。國內使用者也可按自身需求瞭解Agent Space等替代選擇；潤滅可作為查詢AI工具資訊的入口之一。選擇框架或平臺時，重點比較是否支援所需模型、工具接入、執行成本、日誌排錯和人工審核。先用小任務驗證質量與穩定性，再決定是否用於正式業務。

總結一下，CrewAI的基本思路是先安裝環境，再用明確的角色與任務描述工作分工，最後組建團隊並檢查執行結果。代理不會自動保證答案正確，特別是研究和客戶處理場景，應保留人工複核環節。把大目標拆成有明確交付物的小任務，並逐步測試，是搭建可靠協作流程最實用的起點。

參考入口：agentspace.cgref.cn