crewai-multi-agent

用途

CrewAI 用于构建由多个自主 AI 智能体组成的团队，让它们通过协作解决复杂任务。文档指出，适用于以下情况：构建具有专业化角色的多智能体系统；需要智能体之间自主协作；希望按角色进行任务委派（如研究员、写作者、分析师）；需要顺序或层级式流程执行；构建带有记忆与可观测性的生产工作流；以及希望比 LangChain/LangGraph 更简单的配置方式。

主要能力

独立运行：无 LangChain 依赖，体量精简。
基于角色：每个智能体拥有角色、目标和背景故事。
双范式：Crews（自主协作）与 Flows（事件驱动）。
50+ 工具：网页抓取、搜索、数据库、AI 服务等。
记忆：短期、长期和实体记忆。
生产就绪：追踪、企业级特性。

核心概念包括三类：

Agent（智能体）——自主工作者。可设置 role（角色）、goal（目标）、backstory（背景）、llm（使用的模型）、tools（工具）、memory（是否启用记忆）、verbose（是否显示推理过程）、allow_delegation（是否可委派给其他智能体）、max_iter（最大推理迭代数）、max_rpm（速率限制）等参数。
Task（任务）——工作单元。可设置 description（描述）、expected_output（期望输出）、agent（分配的智能体）、context（来自其他任务的输入）、output_file（保存到文件）、async_execution（是否异步执行）、human_input（是否需要人工审批）等。
Crew（团队）——智能体团队。组合 agents、tasks，并设置 process（流程类型）、verbose、memory、cache、max_rpm、share_crew 等。执行后可访问 result.raw（最终输出）、result.tasks_output（全部任务输出）、result.token_usage（token 消耗）。

流程类型有两种：

Sequential（顺序，默认）：任务按顺序执行，每个智能体完成自己的任务后再进行下一个。
Hierarchical（层级）：自动创建一个管理者智能体来委派与协调，可指定 manager_llm。

工具支持：安装 pip install 'crewai[tools]' 后可获得 50+ 内置工具，例如 SerperDevTool（网页搜索）、ScrapeWebsiteTool（网页抓取）、FileReadTool（读取文件）、PDFSearchTool（搜索 PDF）、WebsiteSearchTool（搜索网站）、CodeDocsSearchTool（搜索代码文档）、YoutubeVideoSearchTool（搜索 YouTube）。也支持通过继承 BaseTool 编写自定义工具。

记忆系统：在 Crew 中设置 memory=True 启用记忆，并可自定义 embedder（嵌入提供方与模型）。记忆类型包括短期（ChromaDB）、长期（SQLite）、实体（ChromaDB）。

LLM 提供方：支持通过 LLM 类配置多种模型，如 OpenAI（默认，如 gpt-4o）、Anthropic、本地 Ollama、Azure 等。

Flows：针对带条件逻辑的复杂工作流，可使用事件驱动的 Flow，配合 start、listen、router 等装饰器与 pydantic 状态模型实现步骤编排与分支路由。

使用方式

安装：

# Core framework
pip install crewai

# With 50+ built-in tools
pip install 'crewai[tools]'

用 CLI 创建项目：

# Create new crew project
crewai create crew my_project
cd my_project

# Install dependencies
crewai install

# Run the crew
crewai run

也可纯代码定义。官方示例：先定义 agent 与 task，再组装 Crew 并执行：

from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role="Senior Research Analyst",
    goal="Discover cutting-edge developments in AI",
    backstory="You are an expert analyst with a keen eye for emerging trends.",
    verbose=True
)

writer = Agent(
    role="Technical Writer",
    goal="Create clear, engaging content about technical topics",
    backstory="You excel at explaining complex concepts to general audiences.",
    verbose=True
)

research_task = Task(
    description="Research the latest developments in {topic}. Find 5 key trends.",
    expected_output="A detailed report with 5 bullet points on key trends.",
    agent=researcher
)

write_task = Task(
    description="Write a blog post based on the research findings.",
    expected_output="A 500-word blog post in markdown format.",
    agent=writer,
    context=[research_task]
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,
    verbose=True
)

result = crew.kickoff(inputs={"topic": "AI Agents"})
print(result.raw)

推荐使用 YAML 配置方式。项目结构如下：

my_project/
├── src/my_project/
│   ├── config/
│   │   ├── agents.yaml    # Agent definitions
│   │   └── tasks.yaml     # Task definitions
│   ├── crew.py            # Crew assembly
│   └── main.py            # Entry point
└── pyproject.toml

agents.yaml、tasks.yaml 分别定义智能体与任务，crew.py 使用 @CrewBase 装饰器与 @agent、@task、@crew 方法组装，main.py 作为入口调用 kickoff 并传入 inputs。

适用场景

文档给出的典型场景包括：需要专业化角色的多智能体系统、智能体间自主协作、按角色委派任务（研究员、写作者、分析师）、顺序或层级流程执行、带记忆与可观测性的生产工作流，以及希望比 LangChain/LangGraph 更易配置的项目。文档同时建议以下情况选用替代方案：LangChain 适合通用 LLM 应用与 RAG 流水线；LangGraph 适合带环路的复杂有状态工作流；AutoGen 适合微软生态与多智能体对话；LlamaIndex 适合文档问答与知识检索。

限制与注意事项

文档列出了常见问题与最佳实践：

智能体陷入循环：可设置 max_iter（默认 15）与 max_rpm 限制。
任务未使用上下文：需通过 context=[task1] 显式传递。
记忆错误：可通过环境变量 CREWAI_STORAGE_DIR 指定存储目录。
最佳实践：为每个智能体设定清晰且互不重复的角色；较大项目使用 YAML 配置；启用记忆以改善跨任务上下文；设置 max_iter 防止无限循环；每个智能体工具数限制在 3-5 个；设置 max_rpm 避免 API 限流。

版本与许可：文档标注版本为 1.2.0+，许可证为 MIT。资源：GitHub https://github.com/crewAIInc/crewAI （25k+ stars）、文档 https://docs.crewai.com 、工具 https://github.com/crewAIInc/crewAI-tools 、示例 https://github.com/crewAIInc/crewAI-examples 。

关于具体收费、价格、平台支持范围或实际效果，资料未提供，暂未提供。

技能介绍

用途

主要能力

使用方式

适用场景

限制与注意事项