CrewAI 多輪對話與記憶怎麼配:memory=True 三層記憶、人工介入與 Flows 狀態持久化

剛用上 CrewAI 的人常疑惑 kickoff 跑完就結束,怎麼做多輪連續對話與跨次記憶。本文按官方文檔拆解 memory=True 的短期/長期/實體三層記憶、嵌入模型配置,以及用 Flows 狀態流和 @persist 搭建多輪會話的實戰寫法。

NNathaniel bigo··原創首發·AI 輔助撰寫
9 分鐘讀完
資料核對於 2026-11-18 · 依據官方文檔與公開資料整理 免費帳號 帳號

結論先說

  1. 先分清「記筆記(Memory)」和「連續聊天(Multi-turn Chat)」:Crew(memory=True) 解決的是讓團隊自動檢索過往片段與實體特徵;而像聊天機器人一樣一問一答維護歷史消息列表,靠的是 CrewAI Flows(狀態流)加 @persist 持久化。
  2. 一行 memory=True 會同時激活三層存儲:基於本地向量庫(ChromaDB)的短期記憶與實體記憶,加上基於本地 SQLite 的跨次長期經驗記憶。
  3. 非 OpenAI 用戶必看避坑點:CrewAI 的向量記憶預設使用 OpenAI 的嵌入接口算向量;如果你主模型用的是 Anthropic 或本地 Ollama,必須顯式配置 embedder 字段,否則一開記憶就會報缺密鑰。
  4. 單次任務中途只需人工拍板一句話時,不用搭多輪聊天架構,直接在對應 Task 上設 human_input=True 即可暫停等你在終端補充意見。

CrewAI 三層內置記憶機制對照

圖:本站根據 CrewAI 官方文檔 Memory 整理的示意圖

本文根據 CrewAI 官方文檔《Memory》《Flows》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 多 輪 對話」「crewai memory 怎麼配置」的人;
  • 已經跑通了單次 crew.kickoff() 批處理任務(基礎寫法見 /guides/crewai-quickstart-roles-tasks-processes),想把它改造成能記住上一輪上下文、跟用戶反覆追問的對話式應用的開發者;
  • 加上 memory=True 後突然報 OPENAI_API_KEY 缺失錯誤(明明主模型配的是 Claude 或本地 Ollama),正在查原因的人。

一、memory=True 背後自動開啟了哪三層記憶

在預設不傳參數的 Crew 裏,每次運行 kickoff() 都是從零開始。當你把開關打開後,框架會在本機自動建起三套互補的記憶庫:

  1. 短期記憶(Short-Term Memory):基於向量相似度檢索,讓排在後面的角色能按相關性召回當前這一輪協作中前序角色查到的關鍵上下文,而不必硬塞全部原始文本;
  2. 長期記憶(Long-Term Memory):存入本機 SQLite 數據庫,記錄每次任務跑完後的自我評估與經驗教訓。下次再跑同類任務時,角色會先參考上次哪裏做得好、哪裏踩了坑;
  3. 實體記憶(Entity Memory):專門提取並追蹤對話裏反覆出現的具體名詞(客戶名、產品代號、技術組件名)及其屬性關係。

自定義 embedder(不用 OpenAI 密鑰也能開記憶)

因為短期記憶和實體記憶底層要算文本向量,當你的主力模型是 Claude 或本機 Ollama 時,請在 Crew 裏一併指定 embedder,避免預設去找 OpenAI 接口報錯:

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",
        },
    },
)

如果你想清空某次測試污染的舊記憶,可以直接在命令行運行 crewai reset-memories --all 按類型重置本地數據庫。

CrewAI 三種多輪交互方式怎麼選

圖:本站根據 CrewAI 官方文檔 Flows 與 Memory 整理的示意圖

二、真正的多輪對話怎麼做:用 Flows 狀態流管歷史記錄

很多新手試圖在一個 while True: 循環裏死磕同一個批處理 Crew,每次只塞最新一句用戶輸入,結果發現團隊根本接不上話。原因很簡單:Crew 天生是為「給定目標 → 多角色協作交付一份產物」設計的批處理單元。

要做帶會話 ID 的多輪連續對話,官方推薦在 CrewAI Flows 裏維護結構化狀態(包含 history 消息列表),並在需要深度協作的回合按需調起底層的 Crew,或者配合 @persist() 裝飾器自動按狀態 ID 落盤恢復:

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()  # 自動將每次執行後的 ChatState 持久化到預設 SQLite 存儲
class SupportChatFlow(Flow[ChatState]):

    @start()
    def handle_turn(self):
        # 1. 追加本輪用戶提問到持久化的對話歷史
        self.state.history.append({"role": "user", "content": self.state.latest_user_msg})

        # 2. 將最近幾輪精簡上下文格式化後傳入你的專職 Crew(避免無限堆疊)
        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

# 同一個 id 跨多次請求自動恢復上一輪儲存的 history
flow = SupportChatFlow()
ans1 = flow.kickoff(inputs={"id": "session-1001", "latest_user_msg": "我們後端用的是 PostgreSQL 16"})
ans2 = flow.kickoff(inputs={"id": "session-1001", "latest_user_msg": "針對剛才說的數據庫版本,升級連接池要注意什麼?"})

注意代碼裏的一個小細節:我們只截取了 history[-6:] 餵給下一輪 kickoff,同時配合 memory=True 召回更早的關鍵實體——既實現了連貫追問,又防止幾十輪長聊把每個 Agent 的輸入 Token 翻倍撐爆(控費邏輯見 /guides/multi-agent-token-cost-why-high-how-to-control)。

三、和 LangGraph 的多輪記憶對比怎麼選

對比我們在 /guides/langgraph-quickstart-install-first-graph 裏寫過的 MessagesState + Checkpointer 可以看出:如果你的核心產品形態從第一天起就是一個高並發、隨時中途打斷轉向的多輪對話機器人(編排差異見 /guides/multi-agent-orchestration-patterns),LangGraph 原生以消息流為中心的檢查點機制更直接;而如果你的核心是「對話收集完需求後,觸發後台三四個專家角色合寫一份深度方案」,用 CrewAI 的 Flows + Crew 組合寫起來更省心。日常藉助網頁端 ChatGPT 或 Claude 調試複雜多輪提示詞模板時,個人官方訂閱渠道可參考 /chongzhi/chatgpt-plus。

常見問題

Q:本地存儲的記憶文件預設放在電腦什麼位置?部署多實例容器會丟嗎?

CrewAI 預設把 ChromaDB 與 SQLite 記憶文件存在操作系統的用戶應用數據目錄下(可通過設定環境變量 CREWAI_STORAGE_DIR 改到指定掛載卷)。容器化部署時務必把該目錄掛載到持久化存儲卷,或接入外部託管記憶後端,否則容器重建後長期記憶會清空。

Q:只想要角色在交付最終稿前問我一句「還需不需要補充」,怎麼開最簡單?

不用寫 Flow,直接在最後一個把關 Task 裏加上 human_input=True。任務跑完初稿後會在控制檯停住等待你的鍵盤輸入:你敲回車確認滿意即結束,如果輸入修改意見,當前 Agent 就會結合你的反饋重改一版再交付。

相關教學

參考資料

  • CrewAI 官方文檔:Memory 與 Flows — https://docs.crewai.com/
  • crewAIInc/crewAI 官方開源倉庫 — https://github.com/crewAIInc/crewAI

Nathaniel 的更多內容

  1. 01

    LangGraph 流式輸出(Streaming)詳解:逐字 Token 流、節點進度與自定義事件寫法

    多步智能體如果等全部節點跑完才返回,網頁前端就會白屏乾等十幾秒。本文按 LangGraph 官方文檔講清 updates、messages、custom 與 values 四種 stream_mode 的區別,以及組合訂閱逐字打字機輸出加工具內部實時進度的完整代碼。

    其他 AI 工具0
  2. 02

    LangGraph 持久化與長期記憶怎麼配:Checkpointer、Store 與 PostgreSQL 實戰

    在生產環境跑 LangGraph,單靠 InMemorySaver 一重啟就會丟失全部對話。本文按官方文檔講清線程內短期檢查點(Checkpointer)與跨線程長期記憶(Store)的分工,以及用 langgraph-checkpoint-postgres 對接 PostgreSQL 的完整步驟。

    其他 AI 工具0
  3. 03

    LangGraph 多智能體怎麼寫:Supervisor 主管包與 Subgraph 隔離子圖實戰

    在 LangGraph 裏把單個圖擴展成多智能體協作有兩條官方路線:快速原型用預置包 langgraph-supervisor,大型生產系統用原生子圖(Subgraph)嵌套。本文講清兩種寫法的完整代碼、私有狀態隔離防 Token 膨脹技巧以及檢查點傳播規則。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入審批怎麼寫:interrupt 暫停圖運行與 Command 恢復實戰

    企業之所以選 LangGraph,很大程度看中它能安全掛起等待人工審批(Human-in-the-Loop)。本文按官方最新規範講清 interrupt() 動態暫停、Checkpointer 必備條件、Command(resume=...) 恢復執行,以及防止副作用重複運行的重入規則。

    其他 AI 工具0
  5. 05

    多 Agent 協作平台怎麼選:Dify、釦子(Coze)、n8n 與 LangGraph 多智能體機制對比

    搜「多agent協作平台」時,Dify、釦子、n8n 和 LangGraph 都宣稱支持多智能體,但底層的調度方式完全不同。本文跳過基礎安裝,專門從多 Agent 角色跳轉、子代理工具調用、上下文隔離與私有化部署四個維度幫你一次選準。

    其他 AI 工具0
  6. 06

    企業微信有官方 MCP 和 CLI 嗎:@wecom/cli 安裝初始化、長連接機器人與接入教學

    搜「企業 微信 有 mcp 嗎」不用再東拼西湊民間群機器人腳本了:企業微信官方已推出 @wecom/cli 命令行工具並內置 stdio 模式的 MCP Server。本文按官方開發者文檔講清安裝、智能機器人長連接初始化、業務命令與接入 Claude Code 步驟。

    Claude其他 AI 工具0

同產品的其他教學

  1. 01

    MCP 收費嗎:開源協議免費邊界、第三方 API 帳單與隱形 Token 開銷說明

    搜「mcp 收費 嗎」的人常擔心裝多了插件會被扣費。MCP(模型上下文協議)本身和官方 SDK 採用 MIT 協議完全免費;實際使用中可能產生費用的只有兩處:掛載過多工具佔用的大模型上下文 Token,以及部分外部商業數據源自帶的 API 套餐。

    Claude其他 AI 工具0
  2. 02

    MCP 協議最新版本更新了什麼:無狀態架構、OAuth 2.1、結構化輸出與異步 Tasks 詳解

    搜「mcp 重大 更新」「mcp 協議 更新」想補齊規範演進脈絡?本文對照 modelcontextprotocol.io 官方規範更新日誌,梳理從 Streamable HTTP 到無狀態優先架構、OAuth 2.1 資源伺服器、Elicitation 交互補參與異步 Tasks 擴展的核心變化。

    Claude其他 AI 工具0
  3. 03

    A2A 和 MCP 有什麼區別:工具連接協議與智能體通信協議的邊界和配合

    很多人問「有了 MCP 為什麼還要出 A2A,兩者是不是二選一的競爭關係」。兩份官方規範都明確寫明它們是上下互補關係:MCP 負責給單個智能體掛載工具與數據源,A2A 負責讓多個獨立黑盒智能體跨團隊、跨框架互相派單協作。

    Claude其他 AI 工具0
  4. 04

    A2A 協議是什麼、怎麼用:Agent2Agent 智能體互聯規範、名片發現與 Python 接入流程

    A2A(Agent2Agent)是由 Google 發起並移交 Linux 基金會託管的開放智能體通信協議,用來讓不同團隊、不同框架開發的獨立智能體跨網絡互相派單協作。本文按官方規範講清 Agent Card、Task 狀態機與 Python SDK 接入步驟。

    Gemini其他 AI 工具0
  5. 05

    AutoGen 現在怎麼樣了?微軟官方演進路線與 Microsoft Agent Framework 入門

    搜 AutoGen 新教學常被 0.2、0.4、社區分支和 Semantic Kernel 繞暈。按微軟官方文檔,微軟已將 AutoGen 與 Semantic Kernel 兩支團隊合併推出統一的開源框架 Microsoft Agent Framework。本文講清現狀與 Python 快速上手。

    ChatGPT其他 AI 工具0
  6. 06

    CrewAI 入門教學:Agent 角色、Task 任務、執行流程(Process)與第一個團隊示例

    CrewAI 是主打「擬人化角色分工」的 Python 多智能體開源框架。本文按官方文檔講清安裝要求、Agent(角色/目標/背景)、Task(任務描述與預期輸出)和 Process(順序接力與經理層級模式)的配合邏輯,並給出最小可運行代碼。

    其他 AI 工具0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~