结论先说
- CrewAI 把多智能体抽象成极其直观的三件套:定岗位(
Agent)、下工单(Task)、排班组队(Crew+Process),而且现在的底层引擎已独立重写,不再强依赖全套旧版 LangChain。 - 写好
Task比堆砌花哨的Agent人设更重要:每个Task都必须写清楚可验收的expected_output(预期输出格式与字数结构),否则前一个人交出的半成品会直接带偏整条流水线。 - 新手起步一律先用默认的顺序流程(
Process.sequential),并且把非主管角色的allow_delegation设为False,防止几个代理在后台互相转交任务把 Token 烧光。 - 只有当子任务顺序无法预先写死、确实需要中心主管动态派活复核时,才切到层级流程(
Process.hierarchical),且必须显式传入强推理能力的manager_llm。

图:本站根据 CrewAI 官方文档 Core Concepts 整理的示意图
本文根据 CrewAI 官方文档与crewAIInc/crewAI开源仓库说明整理,核对日期 2026-11-18。配图为本站整理的示意图,不是界面截图。本站(bigolab.com)不是 CrewAI 官方网站。
适用于谁
- 搜「crewai 入门」「crewai 教程」「crewai 角色 任务 流程」的人;
- 觉得手写状态图边和节点偏底层(如 /guides/langgraph-quickstart-install-first-graph),更喜欢按「市场调研员 → 技术撰稿人 → 审校编辑」这种人类团队岗位来组织多智能体的开发者;
- 刚装好 CrewAI,分不清顺序模式(
sequential)和层级经理模式(hierarchical)什么时候该开的人。
一、环境安装与脚手架说明
CrewAI 要求使用 Python 3.10 及以上兼容版本。官方推荐使用 uv 或虚拟环境安装核心包(如需内置搜索文件等现成工具,可一并安装 crewai-tools):
bash
mkdir crew-demo && cd crew-demo
python -m venv .venv
source .venv/bin/activate # Windows PowerShell: .venv\Scripts\Activate.ps1
pip install -U crewai
安装完成后有两种组织代码的方式:
- 工程化项目脚手架:运行
crewai create crew my_project(习惯传统agents.yaml与tasks.yaml分离写法的开发者可按新版 CLI 说明加--classic参数),把提示词文案和 Python 逻辑拆开维护; - 单文件 Python 直观写法:直接在脚本里实例化
Agent、Task和Crew,最适合第一次上手看清数据是怎么传递的。

图:本站根据 CrewAI 官方 Quickstart 文档 整理的示意图
二、最小可运行示例:双角色「调研提炼 + 结构化成文」
先在环境变量里配好你的模型密钥(例如 OPENAI_API_KEY 或 ANTHROPIC_API_KEY)。新建 first_crew.py,用占位变量 {topic} 实现一份可复用的双节点协作脚本:
python
from crewai import Agent, Task, Crew, Process
# 1. 定义两个专职角色(默认关闭自由转交 allow_delegation=False 更稳)
analyst = Agent(
role="技术情报分析员",
goal="围绕主题 {topic} 梳理核心技术机制、适用边界与常见误区",
backstory="你擅长从工程落地角度拆解技术概念,只列客观要点,不写空洞口号。",
llm="openai/gpt-4o-mini",
allow_delegation=False,
verbose=True,
)
writer = Agent(
role="开发者文档编辑",
goal="把分析员输出的要点整理成条理清晰的中文入门提纲",
backstory="你专门为一线程序员写简明手册,段落短、结论先行。",
llm="openai/gpt-4o-mini",
allow_delegation=False,
verbose=True,
)
# 2. 定义两张前后衔接的任务单,必填 expected_output
research_task = Task(
description="针对 {topic} 列出 5 条关键事实与 3 个新手常见踩坑。",
expected_output="包含 5 条机制要点和 3 条避坑提醒的 Markdown 无序列表。",
agent=analyst,
)
write_task = Task(
description="基于上一阶段的分析要点,撰写一份面向初学者的 {topic} 快速上手小结。",
expected_output="不少于三节的中文 Markdown 小结,包含结论列表与实操建议。",
agent=writer,
context=[research_task], # 显式声明依赖前序任务的输出结果
)
# 3. 组建团队,采用顺序接力流程启动
tech_crew = Crew(
agents=[analyst, writer],
tasks=[research_task, write_task],
process=Process.sequential,
verbose=True,
)
if __name__ == "__main__":
result = tech_crew.kickoff(inputs={"topic": "Git Worktree 多分支并行开发"})
print(result.raw)
运行脚本后,tech_crew.kickoff(inputs={...}) 会把 "Git Worktree 多分支并行开发" 自动填入所有带 {topic} 的角色目标和任务描述里,先跑完 analyst,再把产出作为上下文喂给 writer。
三、两种执行流程(Process)到底怎么选
这正好对应我们在 /guides/multi-agent-orchestration-patterns 里拆解过的两类拓扑:
- 顺序流程(
Process.sequential):严格按照Crew(tasks=[...])数组里的先后顺序一个接一个往下走。你可以用Task(context=[task_a, task_b])精确指定当前步骤只读取前面哪几个任务的产出,而不是把所有历史堆成一锅粥。九成内容生成、报告整理、固定流水线任务用它最稳最省钱; - 层级流程(
Process.hierarchical):切换成该模式时,你必须额外指定一个经理模型(如manager_llm="anthropic/claude-sonnet-4-5")或自定义manager_agent。经理会根据总目标自己决定先叫谁干活、审阅结果不合格时打回重做。但要注意经理每轮分派与复核都会额外产生多轮大模型调用(成本放大规律见 /guides/multi-agent-token-cost-why-high-how-to-control)。
四、和 LangGraph 比该怎么取舍
如果你已经看过 /guides/multi-agent-what-is-when-to-use,可以用一句话区分两者的甜点区:当你的业务天然长成「几个不同工种的人分工写方案、做调研、出报告」时,CrewAI 的 YAML 岗位模板写起来最快;当你的业务充满精确的条件分支跳转、循环重试计数与数据库事务状态机时,LangGraph 的显式状态图(或 CrewAI 后续补充的 Flows 事件流机制)更可控。日常借助官方 Claude 或 ChatGPT 网页端先行打磨各角色的 backstory 与验收标准时,个人订阅说明也可参考 /chongzhi/claude-pro。
常见问题
Q:为什么我没开层级模式,两个 Agent 还是在控制台里来回互相提问停不下来?
检查你定义的 Agent 有没有显式写 allow_delegation=False。一旦开启允许委派,当某个角色觉得问题超出自己能力时,就会把子问题抛给团队里的其他角色协助,没有设好 max_iter(单角色最大迭代次数,建议设 5 到 10)时很容易来回拉扯。
Q:想换用 Claude、Gemini 或本地 Ollama 模型怎么填 llm 字段?
CrewAI 底层集成了统一模型路由格式,只需按 "提供商前缀/模型名" 填写字符串即可,例如 "anthropic/claude-sonnet-4-5" 或 "ollama/qwen2.5:14b"(连接本地服务时配合传入本地 base_url)。
相关教程
- /guides/multi-agent-what-is-when-to-use:什么时候该用多智能体协同框架
- /guides/multi-agent-orchestration-patterns:编排者-工作者与顺序/并行编排模式详解
- /guides/langgraph-quickstart-install-first-graph:LangGraph 状态图快速入门(横向对比)
- /guides/multi-agent-token-cost-why-high-how-to-control:多 Agent 系统防死循环与成本控制
参考资料
- CrewAI 官方文档 — https://docs.crewai.com/
crewAIInc/crewAI官方开源仓库 — https://github.com/crewAIInc/crewAI
0 条评论
还没有评论,来抢沙发~