CrewAI 是一个轻量、快速的 Python 框架，用于构建协作式 AI 智能体团队和结构化工作流。它让开发者创建具有特定角色、工具和目标的自主 AI 智能体，使其协同完成复杂任务。本技能涵盖 Crews（自主协作）、Flows（结构化编排）、智能体、任务以及企业部署。
核心概念
智能体（Agents）：专业团队成员 智能体是具有特定角色、目标和能力的自主 AI 单元。通过 from crewai import Agent 导入，可设置 role（角色）、goal（目标）、backstory（背景故事）、verbose（详细日志）、allow_delegation（是否可委派任务）、tools（可用工具）、llm（自定义 LLM 配置）、max_iter（最大迭代次数）、max_rpm（每分钟请求限制）、memory（启用记忆）、cache（启用响应缓存）以及 system_template、prompt_template、response_template 等自定义模板。
任务（Tasks）：独立的工作分配 任务定义智能体需要完成的具体工作。通过 from crewai import Task 导入，可设置 description（任务描述）、expected_output（期望输出格式）、agent（执行智能体）、tools（任务专属工具）、context（依赖的前置任务）、async_execution（异步执行）、output_json / output_pydantic（结构化输出）、output_file（输出到文件）、callback（完成回调）、human_input（请求人工反馈）等。
Crews：组织智能体团队 Crews 编排智能体共同朝着一个目标工作。通过 from crewai import Crew, Process 导入，可设置 agents、tasks、process（Process.sequential 顺序执行或 Process.hierarchical 层级执行）、verbose、memory、cache、max_rpm、share_crew 等。使用 crew.kickoff() 启动，也可通过 inputs 传入自定义输入。层级流程需要指定 manager_llm。
Flows：结构化工作流编排 Flows 提供事件驱动、确定性的执行路径控制。通过 from crewai.flow.flow import Flow, listen, start 导入，使用 @start() 标记入口点，@listen() 监听前置步骤输出。支持 Flow State Management（通过 Pydantic BaseModel 管理状态）和 Router Pattern（使用 @router 根据条件路由到不同处理函数）。
工具（Tools）：扩展智能体能力 内置工具通过 from crewai_tools import ... 导入，包括 SerperDevTool（Google 搜索）、ScrapeWebsiteTool（网页抓取）、FileReadTool（读取文件）、DirectoryReadTool（读取目录）、CodeDocsSearchTool、CSVSearchTool、JSONSearchTool、MDXSearchTool、PDFSearchTool、TXTSearchTool、WebsiteSearchTool、SeleniumScrapingTool、YoutubeChannelSearchTool、YoutubeVideoSearchTool 等。自定义工具可继承 BaseTool 并实现 _run 方法，也可直接将函数作为工具传入。
记忆（Memory）：从过往交互中学习 在 Crew 中设置 memory=True 可启用所有记忆类型，也可通过 memory_config 配置 short_term（单次运行内记忆）、long_term（跨运行记忆）、entity（实体记忆）。
知识（Knowledge）：RAG 集成 通过 from crewai import knowledge 导入，可使用 StringKnowledgeSource、PDFKnowledgeSource、TextKnowledgeSource 等创建知识源，并在 Agent 中通过 knowledge_sources 参数使用。
结构化输出（Pydantic） 在 Task 中设置 output_pydantic 为 Pydantic 模型，执行后可通过 task.output.pydantic 获取结构化结果。
训练（Training） 使用 crew.train(n_iterations=..., inputs=..., filename=...) 进行训练循环，并通过 Crew.load('trained_crew.pkl') 加载训练后的 crew。
人工介入（Human-in-the-Loop） 在 Task 中设置 human_input=True，任务将暂停并请求人工输入。
测试 Crews 可使用 pytest 对 crew 进行测试，通过 crew.kickoff(inputs=...) 执行并断言结果，也可使用 mock 智能体进行测试。
自定义 LLM 可使用 langchain_openai 的 ChatOpenAI 等自定义 LLM，在 Agent 中通过 llm 参数设置，或在 Crew 中通过 manager_llm 设置（用于层级流程）。
异步执行 支持 await crew.kickoff_async(inputs=...) 异步启动，以及 crew.kickoff_for_each(inputs=inputs_list) 并行执行。
回调与事件监听 Task 支持 callback 参数，Agent 支持 step_callback 和 task_callback。
企业部署 环境配置：可设置 OPENAI_API_KEY、SERPER_API_KEY、CREWAI_API_KEY（CrewAI+ 企业版）、LANGCHAIN_TRACING_V2、LANGCHAIN_API_KEY 等环境变量。 项目结构：包含 src 目录、main.py、crew.py、config 目录（agents.yaml、tasks.yaml）、tools 目录、tests 目录、pyproject.toml、README.md。 YAML 配置：agents.yaml 定义智能体的 role、goal、backstory；tasks.yaml 定义任务的 description、expected_output、agent、context。
最佳实践 智能体设计：给予清晰具体的角色，提供详细背景故事，限制工具数量，为管理者启用委派，开发时使用 verbose 模式；避免模糊或重叠的角色、过多工具、缺少背景故事、过于复杂的目标。 任务设计：编写清晰可执行的描述，明确期望输出格式，设置正确的任务依赖。