CrewAI 多 Agent 协作实战

CrewAI 架构概览

CrewAI 是一个专注于多 Agent 协作的框架，通过 Role（角色）、Task（任务）、Process（流程） 三大抽象，将复杂项目拆解为多个 Agent 协同完成。适合研究助理、内容生产、代码审查等需要分工协作的场景。

Role（角色）

Role 定义 Agent 的「人设」：

• goal：该角色的核心目标（如「写出高质量技术文档」）
• backstory：背景描述，影响其决策风格
• llm：可指定不同模型，实现成本与效果平衡
• tools：该角色可用的工具集

researcher = Agent(
    role="研究员",
    goal="搜集并整理准确的信息",
    backstory="严谨的学术背景，擅长文献检索",
    tools=[search_tool]
)
writer = Agent(
    role="撰稿人",
    goal="将信息转化为易读的文章",
    backstory="曾任科技媒体编辑"
)

Task（任务）

Task 是具体工作单元，包含：

• description：任务描述
• expected_output：期望产出（如「一份 500 字摘要」）
• agent：负责执行的 Role
• context：依赖其他 Task 的输出，形成依赖图

通过 context=[task1, task2]，可实现「先调研再写作」的流水线。

Process（流程）

Process 决定 Task 的执行顺序与协作方式：

• Sequential：按依赖顺序依次执行，适合线性流水线
• Hierarchical：引入 Manager Agent，由它根据任务类型分配给下属 Agent，适合复杂、多分支项目

Delegation（委派）

Delegation 即 Agent 将子任务交给其他 Agent：

• 在 hierarchical 模式下，Manager 根据 Task 描述和下属能力进行分配
• 在 Task 的 expected_output 中可明确「将 X 部分交给 Y 角色完成」
• 通过 context 传递上游输出，下游 Agent 基于已有结果继续工作

实战技巧

角色边界清晰：每个 Role 的 goal 要聚焦，避免职责重叠

Task 粒度适中：过细会增加协调开销，过粗则难以并行

善用 context：明确依赖关系，确保信息正确传递

Manager 提示词：在 hierarchical 模式下，Manager 的 goal 和 backstory 要强调「协调与分配」能力

小结

CrewAI 通过 Role、Task、Process 和 Delegation，将多 Agent 协作抽象为可配置的流水线或层级结构。掌握这些概念，可快速搭建研究助手、内容团队、自动化工作流等协作型 Agent 系统。