CrewAI 多智能体框架入门：用角色、目标与背景故事组装 AI 团队

CrewAI 的核心抽象：role 、 goal 、 backstory

一句话结论：CrewAI 用三个拟人化字段定义每个智能体——角色（role）定身份、目标（goal）定产出、背景故事（backstory）定风格，再把任务像排班一样串成 Crew（队伍）。对习惯”给 AI 分工”的开发者来说，这是上手最快的多智能体框架之一。

五个核心概念

• Agent：一个智能体，由 role/goal/backstory + 可选 LLM 与工具定义。
• Task：一项任务，带 description 、 expected_output 和负责的 agent 。
• Crew：智能体与任务的编组，process 字段决定顺序执行（sequential）还是分层管理（hierarchical）。
• Tool：智能体可调用的外部能力，如联网搜索、文件读写。
• Process：执行策略，入门用 sequential，复杂协作再上 hierarchical 。

最小可跑示例：研究员 + 分析师

from crewai import Agent, Task, Crew

researcher = Agent(
    role="资深研究员",
    goal="找到关于{topic}的最新、最准确的信息",
    backstory="你是有十年经验的行业分析师，擅长把复杂信息整理成清晰的要点。",
    allow_delegation=False,
)

analyst = Agent(
    role="报告分析师",
    goal="把研究结论整理成结构化报告",
    backstory="你文字功底扎实，总能从原始素材中提炼出关键洞察。",
)

research = Task(description="深入研究{topic}的现状与趋势",
                expected_output="分点列出 10 条关键发现",
                agent=researcher)
report = Task(description="基于研究发现撰写报告",
              expected_output="带摘要、正文与建议的 Markdown 报告",
              agent=analyst,
              context=[research])

Crew(agents=[researcher, analyst],
     tasks=[research, report],
     process="sequential").kickoff(inputs={"topic": "AI 智能体"})

关键在 context=[research]：它声明报告任务消费研究任务的输出，数据就这样在智能体之间流动。

三条实战建议

• expected_output 越具体越好：”分点 10 条”比”一份好报告”的产出质量高一个档次。
• 先 sequential 后 hierarchical：分层模式会引入管理者智能体，token 消耗和调试成本都翻倍。
• allow_delegation 按需打开：智能体互相委派很灵活，但也容易失控循环。

与 LangChain 的定位差异可对照站内LangChain 入门教程理解——前者偏协作编排，后者偏组件拼装；不想写代码的低代码路线见Dify 搭建智能体教程；单智能体的推理循环设计参考ReAct 模式实战。