結論先說
- CrewAI 把多智能體抽象成極其直觀的三件套:定崗位(
Agent)、下工單(Task)、排班組隊(Crew+Process),而且現在的底層引擎已獨立重寫,不再強依賴全套舊版 LangChain。 - 寫好
Task比堆砌花哨的Agent人設更重要:每個Task都必須寫清楚可驗收的expected_output(預期輸出格式與字數結構),否則前一個人交出的半成品會直接帶偏整條流水線。 - 新手起步一律先用預設的順序流程(
Process.sequential),並且把非主管角色的allow_delegation設為False,防止幾個代理在後台互相轉交任務把 Token 燒光。 - 只有當子任務順序無法預先寫死、確實需要中心主管動態派活覆核時,才切到層級流程(
Process.hierarchical),且必須顯式傳入強推理能力的manager_llm。

圖:本站根據 CrewAI 官方文檔 Core Concepts 整理的示意圖
本文根據 CrewAI 官方文檔與crewAIInc/crewAI開源倉庫說明整理,核對日期 2026-11-18。配圖為本站整理的示意圖,不是介面截圖。本站(bigolab.com)不是 CrewAI 官方網站。
適用於誰
- 搜「crewai 入門」「crewai 教學」「crewai 角色 任務 流程」的人;
- 覺得手寫狀態圖邊和節點偏底層(如 /guides/langgraph-quickstart-install-first-graph),更喜歡按「市場調研員 → 技術撰稿人 → 審校編輯」這種人類團隊崗位來組織多智能體的開發者;
- 剛裝好 CrewAI,分不清順序模式(
sequential)和層級經理模式(hierarchical)什麼時候該開的人。
一、環境安裝與腳手架說明
CrewAI 要求使用 Python 3.10 及以上兼容版本。官方推薦使用 uv 或虛擬環境安裝核心包(如需內置搜尋文件等現成工具,可一併安裝 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
安裝完成後有兩種組織代碼的方式:
- 工程化項目腳手架:運行
crewai create crew my_project(習慣傳統agents.yaml與tasks.yaml分離寫法的開發者可按新版 CLI 說明加--classic參數),把提示詞文案和 Python 邏輯拆開維護; - 單文件 Python 直觀寫法:直接在腳本里實例化
Agent、Task和Crew,最適合第一次上手看清數據是怎麼傳遞的。

圖:本站根據 CrewAI 官方 Quickstart 文檔 整理的示意圖
二、最小可運行示例:雙角色「調研提煉 + 結構化成文」
先在環境變量裏配好你的模型密鑰(例如 OPENAI_API_KEY 或 ANTHROPIC_API_KEY)。新建 first_crew.py,用佔位變量 {topic} 實現一份可複用的雙節點協作腳本:
python
from crewai import Agent, Task, Crew, Process
# 1. 定義兩個專職角色(預設關閉自由轉交 allow_delegation=False 更穩)
analyst = Agent(
role="技術情報分析員",
goal="圍繞主題 {topic} 梳理核心技術機制、適用邊界與常見誤區",
backstory="你擅長從工程落地角度拆解技術概念,只列客觀要點,不寫空洞口號。",
llm="openai/gpt-4o-mini",
allow_delegation=False,
verbose=True,
)
writer = Agent(
role="開發者文檔編輯",
goal="把分析員輸出的要點整理成條理清晰的中文入門提綱",
backstory="你專門為一線程式員寫簡明手冊,段落短、結論先行。",
llm="openai/gpt-4o-mini",
allow_delegation=False,
verbose=True,
)
# 2. 定義兩張前後銜接的任務單,必填 expected_output
research_task = Task(
description="針對 {topic} 列出 5 條關鍵事實與 3 個新手常見踩坑。",
expected_output="包含 5 條機制要點和 3 條避坑提醒的 Markdown 無序列表。",
agent=analyst,
)
write_task = Task(
description="基於上一階段的分析要點,撰寫一份面向初學者的 {topic} 快速上手小結。",
expected_output="不少於三節的中文 Markdown 小結,包含結論列表與實操建議。",
agent=writer,
context=[research_task], # 顯式聲明依賴前序任務的輸出結果
)
# 3. 組建團隊,採用順序接力流程啟動
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 多分支並行開發"})
print(result.raw)
運行腳本後,tech_crew.kickoff(inputs={...}) 會把 "Git Worktree 多分支並行開發" 自動填入所有帶 {topic} 的角色目標和任務描述裏,先跑完 analyst,再把產出作為上下文餵給 writer。
三、兩種執行流程(Process)到底怎麼選
這正好對應我們在 /guides/multi-agent-orchestration-patterns 裏拆解過的兩類拓撲:
- 順序流程(
Process.sequential):嚴格按照Crew(tasks=[...])數組裏的先後順序一個接一個往下走。你可以用Task(context=[task_a, task_b])精確指定當前步驟只讀取前面哪幾個任務的產出,而不是把所有歷史堆成一鍋粥。九成內容生成、報告整理、固定流水線任務用它最穩最省錢; - 層級流程(
Process.hierarchical):切換成該模式時,你必須額外指定一個經理模型(如manager_llm="anthropic/claude-sonnet-4-5")或自定義manager_agent。經理會根據總目標自己決定先叫誰幹活、審閱結果不合格時打回重做。但要注意經理每輪分派與覆核都會額外產生多輪大模型調用(成本放大規律見 /guides/multi-agent-token-cost-why-high-how-to-control)。
四、和 LangGraph 比該怎麼取捨
如果你已經看過 /guides/multi-agent-what-is-when-to-use,可以用一句話區分兩者的甜點區:當你的業務天然長成「幾個不同工種的人分工寫方案、做調研、出報告」時,CrewAI 的 YAML 崗位模板寫起來最快;當你的業務充滿精確的條件分支跳轉、循環重試計數與數據庫事務狀態機時,LangGraph 的顯式狀態圖(或 CrewAI 後續補充的 Flows 事件流機制)更可控。日常藉助官方 Claude 或 ChatGPT 網頁端先行打磨各角色的 backstory 與驗收標準時,個人訂閱說明也可參考 /chongzhi/claude-pro。
常見問題
Q:為什麼我沒開層級模式,兩個 Agent 還是在控制檯裏來回互相提問停不下來?
檢查你定義的 Agent 有沒有顯式寫 allow_delegation=False。一旦開啟允許委派,當某個角色覺得問題超出自己能力時,就會把子問題拋給團隊裏的其他角色協助,沒有設好 max_iter(單角色最大迭代次數,建議設 5 到 10)時很容易來回拉扯。
Q:想換用 Claude、Gemini 或本地 Ollama 模型怎麼填 llm 字段?
CrewAI 底層集成了統一模型路由格式,只需按 "提供商前綴/模型名" 填寫字符串即可,例如 "anthropic/claude-sonnet-4-5" 或 "ollama/qwen2.5:14b"(連接本地服務時配合傳入本地 base_url)。
相關教學
- /guides/multi-agent-what-is-when-to-use:什麼時候該用多智能體協同框架
- /guides/multi-agent-orchestration-patterns:編排者-工作者與順序/並行編排模式詳解
- /guides/langgraph-quickstart-install-first-graph:LangGraph 狀態圖快速入門(橫向對比)
- /guides/multi-agent-token-cost-why-high-how-to-control:多 Agent 系統防死循環與成本控制
參考資料
- CrewAI 官方文檔 — https://docs.crewai.com/
crewAIInc/crewAI官方開源倉庫 — https://github.com/crewAIInc/crewAI
0 條評論
還沒有評論,來搶沙發~