CrewAI 多轮对话与记忆怎么配:memory=True 三层记忆、人工介入与 Flows 状态持久化

刚用上 CrewAI 的人常疑惑 kickoff 跑完就结束,怎么做多轮连续对话与跨次记忆。本文按官方文档拆解 memory=True 的短期/长期/实体三层记忆、嵌入模型配置,以及用 Flows 状态流和 @persist 搭建多轮会话的实战写法。

NNathaniel bigo··原创首发·AI 辅助撰写
9 分钟读完
资料核对于 2026-11-18 · 依据官方文档与公开资料整理 免费账号 账号

结论先说

  1. 先分清「记笔记(Memory)」和「连续聊天(Multi-turn Chat)」:Crew(memory=True) 解决的是让团队自动检索过往片段与实体特征;而像聊天机器人一样一问一答维护历史消息列表,靠的是 CrewAI Flows(状态流)加 @persist 持久化。
  2. 一行 memory=True 会同时激活三层存储:基于本地向量库(ChromaDB)的短期记忆与实体记忆,加上基于本地 SQLite 的跨次长期经验记忆。
  3. 非 OpenAI 用户必看避坑点:CrewAI 的向量记忆默认使用 OpenAI 的嵌入接口算向量;如果你主模型用的是 Anthropic 或本地 Ollama,必须显式配置 embedder 字段,否则一开记忆就会报缺密钥。
  4. 单次任务中途只需人工拍板一句话时,不用搭多轮聊天架构,直接在对应 Task 上设 human_input=True 即可暂停等你在终端补充意见。

CrewAI 三层内置记忆机制对照

图:本站根据 CrewAI 官方文档 Memory 整理的示意图

本文根据 CrewAI 官方文档《Memory》《Flows》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 多 轮 对话」「crewai memory 怎么配置」的人;
  • 已经跑通了单次 crew.kickoff() 批处理任务(基础写法见 /guides/crewai-quickstart-roles-tasks-processes),想把它改造成能记住上一轮上下文、跟用户反复追问的对话式应用的开发者;
  • 加上 memory=True 后突然报 OPENAI_API_KEY 缺失错误(明明主模型配的是 Claude 或本地 Ollama),正在查原因的人。

一、memory=True 背后自动开启了哪三层记忆

在默认不传参数的 Crew 里,每次运行 kickoff() 都是从零开始。当你把开关打开后,框架会在本机自动建起三套互补的记忆库:

  1. 短期记忆(Short-Term Memory):基于向量相似度检索,让排在后面的角色能按相关性召回当前这一轮协作中前序角色查到的关键上下文,而不必硬塞全部原始文本;
  2. 长期记忆(Long-Term Memory):存入本机 SQLite 数据库,记录每次任务跑完后的自我评估与经验教训。下次再跑同类任务时,角色会先参考上次哪里做得好、哪里踩了坑;
  3. 实体记忆(Entity Memory):专门提取并追踪对话里反复出现的具体名词(客户名、产品代号、技术组件名)及其属性关系。

自定义 embedder(不用 OpenAI 密钥也能开记忆)

因为短期记忆和实体记忆底层要算文本向量,当你的主力模型是 Claude 或本机 Ollama 时,请在 Crew 里一并指定 embedder,避免默认去找 OpenAI 接口报错:

python
from crewai import Crew, Process

my_crew = Crew(
    agents=[analyst, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,
    memory=True,
    embedder={
        "provider": "ollama",
        "config": {
            "model": "nomic-embed-text",
            "url": "http://127.0.0.1:11434/api/embeddings",
        },
    },
)

如果你想清空某次测试污染的旧记忆,可以直接在命令行运行 crewai reset-memories --all 按类型重置本地数据库。

CrewAI 三种多轮交互方式怎么选

图:本站根据 CrewAI 官方文档 Flows 与 Memory 整理的示意图

二、真正的多轮对话怎么做:用 Flows 状态流管历史记录

很多新手试图在一个 while True: 循环里死磕同一个批处理 Crew,每次只塞最新一句用户输入,结果发现团队根本接不上话。原因很简单:Crew 天生是为「给定目标 → 多角色协作交付一份产物」设计的批处理单元。

要做带会话 ID 的多轮连续对话,官方推荐在 CrewAI Flows 里维护结构化状态(包含 history 消息列表),并在需要深度协作的回合按需调起底层的 Crew,或者配合 @persist() 装饰器自动按状态 ID 落盘恢复:

python
from pydantic import BaseModel
from crewai.flow.flow import Flow, start
from crewai.flow.persistence import persist

class ChatState(BaseModel):
    history: list[dict] = []
    latest_user_msg: str = ""

@persist()  # 自动将每次执行后的 ChatState 持久化到默认 SQLite 存储
class SupportChatFlow(Flow[ChatState]):

    @start()
    def handle_turn(self):
        # 1. 追加本轮用户提问到持久化的对话历史
        self.state.history.append({"role": "user", "content": self.state.latest_user_msg})

        # 2. 将最近几轮精简上下文格式化后传入你的专职 Crew(避免无限堆叠)
        recent_context = "\n".join(
            f"{m['role']}: {m['content']}" for m in self.state.history[-6:]
        )
        crew_output = support_crew.kickoff(inputs={
            "chat_history": recent_context,
            "question": self.state.latest_user_msg,
        })

        reply = crew_output.raw
        self.state.history.append({"role": "assistant", "content": reply})
        return reply

# 同一个 id 跨多次请求自动恢复上一轮保存的 history
flow = SupportChatFlow()
ans1 = flow.kickoff(inputs={"id": "session-1001", "latest_user_msg": "我们后端用的是 PostgreSQL 16"})
ans2 = flow.kickoff(inputs={"id": "session-1001", "latest_user_msg": "针对刚才说的数据库版本,升级连接池要注意什么?"})

注意代码里的一个小细节:我们只截取了 history[-6:] 喂给下一轮 kickoff,同时配合 memory=True 召回更早的关键实体——既实现了连贯追问,又防止几十轮长聊把每个 Agent 的输入 Token 翻倍撑爆(控费逻辑见 /guides/multi-agent-token-cost-why-high-how-to-control)。

三、和 LangGraph 的多轮记忆对比怎么选

对比我们在 /guides/langgraph-quickstart-install-first-graph 里写过的 MessagesState + Checkpointer 可以看出:如果你的核心产品形态从第一天起就是一个高并发、随时中途打断转向的多轮对话机器人(编排差异见 /guides/multi-agent-orchestration-patterns),LangGraph 原生以消息流为中心的检查点机制更直接;而如果你的核心是「对话收集完需求后,触发后台三四个专家角色合写一份深度方案」,用 CrewAI 的 Flows + Crew 组合写起来更省心。日常借助网页端 ChatGPT 或 Claude 调试复杂多轮提示词模板时,个人官方订阅渠道可参考 /chongzhi/chatgpt-plus。

常见问题

Q:本地存储的记忆文件默认放在电脑什么位置?部署多实例容器会丢吗?

CrewAI 默认把 ChromaDB 与 SQLite 记忆文件存在操作系统的用户应用数据目录下(可通过设置环境变量 CREWAI_STORAGE_DIR 改到指定挂载卷)。容器化部署时务必把该目录挂载到持久化存储卷,或接入外部托管记忆后端,否则容器重建后长期记忆会清空。

Q:只想要角色在交付最终稿前问我一句「还需不需要补充」,怎么开最简单?

不用写 Flow,直接在最后一个把关 Task 里加上 human_input=True。任务跑完初稿后会在控制台停住等待你的键盘输入:你敲回车确认满意即结束,如果输入修改意见,当前 Agent 就会结合你的反馈重改一版再交付。

相关教程

参考资料

  • CrewAI 官方文档:Memory 与 Flows — https://docs.crewai.com/
  • crewAIInc/crewAI 官方开源仓库 — https://github.com/crewAIInc/crewAI

Nathaniel 的更多内容

  1. 01

    LangGraph 流式输出(Streaming)详解:逐字 Token 流、节点进度与自定义事件写法

    多步智能体如果等全部节点跑完才返回,网页前端就会白屏干等十几秒。本文按 LangGraph 官方文档讲清 updates、messages、custom 与 values 四种 stream_mode 的区别,以及组合订阅逐字打字机输出加工具内部实时进度的完整代码。

    其他 AI 工具0
  2. 02

    LangGraph 持久化与长期记忆怎么配:Checkpointer、Store 与 PostgreSQL 实战

    在生产环境跑 LangGraph,单靠 InMemorySaver 一重启就会丢失全部对话。本文按官方文档讲清线程内短期检查点(Checkpointer)与跨线程长期记忆(Store)的分工,以及用 langgraph-checkpoint-postgres 对接 PostgreSQL 的完整步骤。

    其他 AI 工具0
  3. 03

    LangGraph 多智能体怎么写:Supervisor 主管包与 Subgraph 隔离子图实战

    在 LangGraph 里把单个图扩展成多智能体协作有两条官方路线:快速原型用预置包 langgraph-supervisor,大型生产系统用原生子图(Subgraph)嵌套。本文讲清两种写法的完整代码、私有状态隔离防 Token 膨胀技巧以及检查点传播规则。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入审批怎么写:interrupt 暂停图运行与 Command 恢复实战

    企业之所以选 LangGraph,很大程度看中它能安全挂起等待人工审批(Human-in-the-Loop)。本文按官方最新规范讲清 interrupt() 动态暂停、Checkpointer 必备条件、Command(resume=...) 恢复执行,以及防止副作用重复运行的重入规则。

    其他 AI 工具0
  5. 05

    多 Agent 协作平台怎么选:Dify、扣子(Coze)、n8n 与 LangGraph 多智能体机制对比

    搜「多agent协作平台」时,Dify、扣子、n8n 和 LangGraph 都宣称支持多智能体,但底层的调度方式完全不同。本文跳过基础安装,专门从多 Agent 角色跳转、子代理工具调用、上下文隔离与私有化部署四个维度帮你一次选准。

    其他 AI 工具0
  6. 06

    企业微信有官方 MCP 和 CLI 吗:@wecom/cli 安装初始化、长连接机器人与接入教程

    搜「企业 微信 有 mcp 吗」不用再东拼西凑民间群机器人脚本了:企业微信官方已推出 @wecom/cli 命令行工具并内置 stdio 模式的 MCP Server。本文按官方开发者文档讲清安装、智能机器人长连接初始化、业务命令与接入 Claude Code 步骤。

    Claude其他 AI 工具0

同产品的其他教程

  1. 01

    MCP 收费吗:开源协议免费边界、第三方 API 账单与隐形 Token 开销说明

    搜「mcp 收费 吗」的人常担心装多了插件会被扣费。MCP(模型上下文协议)本身和官方 SDK 采用 MIT 协议完全免费;实际使用中可能产生费用的只有两处:挂载过多工具占用的大模型上下文 Token,以及部分外部商业数据源自带的 API 套餐。

    Claude其他 AI 工具0
  2. 02

    MCP 协议最新版本更新了什么:无状态架构、OAuth 2.1、结构化输出与异步 Tasks 详解

    搜「mcp 重大 更新」「mcp 协议 更新」想补齐规范演进脉络?本文对照 modelcontextprotocol.io 官方规范更新日志,梳理从 Streamable HTTP 到无状态优先架构、OAuth 2.1 资源服务器、Elicitation 交互补参与异步 Tasks 扩展的核心变化。

    Claude其他 AI 工具0
  3. 03

    A2A 和 MCP 有什么区别:工具连接协议与智能体通信协议的边界和配合

    很多人问「有了 MCP 为什么还要出 A2A,两者是不是二选一的竞争关系」。两份官方规范都明确写明它们是上下互补关系:MCP 负责给单个智能体挂载工具与数据源,A2A 负责让多个独立黑盒智能体跨团队、跨框架互相派单协作。

    Claude其他 AI 工具0
  4. 04

    A2A 协议是什么、怎么用:Agent2Agent 智能体互联规范、名片发现与 Python 接入流程

    A2A(Agent2Agent)是由 Google 发起并移交 Linux 基金会托管的开放智能体通信协议,用来让不同团队、不同框架开发的独立智能体跨网络互相派单协作。本文按官方规范讲清 Agent Card、Task 状态机与 Python SDK 接入步骤。

    Gemini其他 AI 工具0
  5. 05

    AutoGen 现在怎么样了?微软官方演进路线与 Microsoft Agent Framework 入门

    搜 AutoGen 新教程常被 0.2、0.4、社区分支和 Semantic Kernel 绕晕。按微软官方文档,微软已将 AutoGen 与 Semantic Kernel 两支团队合并推出统一的开源框架 Microsoft Agent Framework。本文讲清现状与 Python 快速上手。

    ChatGPT其他 AI 工具0
  6. 06

    CrewAI 入门教程:Agent 角色、Task 任务、执行流程(Process)与第一个团队示例

    CrewAI 是主打「拟人化角色分工」的 Python 多智能体开源框架。本文按官方文档讲清安装要求、Agent(角色/目标/背景)、Task(任务描述与预期输出)和 Process(顺序接力与经理层级模式)的配合逻辑,并给出最小可运行代码。

    其他 AI 工具0

0 条评论

登录 后参与评论

还没有评论,来抢沙发~