CrewAI是一个可以专门用来编排自主 AI 智能体（Autonomous AI Agents） 的Python 框架，你可以把它理解为在代码层面组建一个“虚拟团队”，给每个 Agent 分配特定的角色、目标，让它们协同处理那些单个 LLM 搞不定的复杂任务。
CrewAI 介绍
CrewAI 包含以下组件：
Agents 是具体的执行实体，有角色设定和能力边界；Tasks 是具体的任务指令；Crews 是把“人”和事儿撮合到一起的团队容器；Tools 则是 Agent 手里的工具（比如搜索、读文件、调 API等等）；Processes 决定了活儿怎么干，比如说是大家排队干（顺序）还是层级汇报（层级）。
CrewA最适合的是那种链条长、环节多的工作流。比如你要搞个深度研报，需要先全网搜集信息，然后整理分析，写初稿，最后润色发布，这种“研究-写作-编辑”的流水线就非常契合。同理商业竞品分析、代码开发流程（设计-编码-测试）或者分工明确的客户支持系统，都是它的强项。
但有几种情况别用：
如果你的任务简单到一次 LLM 调用就能解决，用 CrewAI 就没有必要了而且还会增加复杂度和成本。对实时性要求极高的场景（比如毫秒级响应）也不合适，因为多 Agent 交互本来就慢。还有那种每一步都得让人盯着确认的流程，这种流程自动化程度太低也没必要上 Agent 编排。
安装与配置
环境准备很简单，基础包装上就行，如果需要额外的工具集，就把 tools 加上。
# Install CrewAI
pip install crewai crewai-tools
# For additional tools
pip install 'crewai[tools]'
基础示例：搭建内容创作团队
下面这段代码展示了如何把 Research Analyst（研究员）、Content Writer（撰稿人）和 Editor（编辑）这三个角色串起来。代码逻辑很简单：定义 Agent，定义 Task，最后塞进 Crew 里跑起来。
*注意观察
context
参数，它实现了任务间的数据流转。*
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool, WebsiteSearchTool
# Initialize tools
search_tool = SerperDevTool()
web_tool = WebsiteSearchTool()
# Create Agents
researcher = Agent(
role='Research Analyst',
goal='Gather comprehensive information on {topic}',
backstory='You are an expert researcher with a keen eye for detail and accuracy.',
tools=[search_tool, web_tool],
verbose=True,
allow_delegation=False
)
writer = Agent(
role='Content Writer',
goal='Create engaging, well-structured content about {topic}',
backstory='You are a skilled writer who transforms research into compelling narratives.',
verbose=True,
allow_delegation=False
)
editor = Agent(
role='Editor',
goal='Refine and polish content to ensure quality and clarity',
backstory='You are a meticulous editor with an eye for grammar, style, and flow.',
verbose=True,
allow_delegation=False
)
# Define Tasks
research_task = Task(
description='Research {topic} and gather key facts, statistics, and insights.',
expected_output='A comprehensive research report with sources',
agent=researcher
)
writing_task = Task(
description='Using the research, write a 500-word blog post about {topic}',
expected_output='A well-written blog post in markdown format',
agent=writer,
context=[research_task] # Depends on research task
)
editing_task = Task(
description='Edit the blog post for grammar, clarity, and engagement',
expected_output='A polished, publication-ready blog post',
agent=editor,
context=[writing_task]
)
# Create Crew
crew = Crew(
agents=[researcher, writer, editor],
tasks=[research_task, writing_task, editing_task],
process=Process.sequential, # Tasks run in order
verbose=True
)
# Execute
result = crew.kickoff(inputs={'topic': 'Artificial Intelligence in Healthcare'})
print(result)
进阶示例：软件开发
对于更复杂的场景，比如软件开发，可能需要引入层级流程（Hierarchical Process）。这时候会有一个隐藏的 Manager Agent（通常用更强的模型如 GPT-5）来统筹分配任务，而不是简单的线性执行。
from crewai import Agent, Task, Crew
from crewai_tools import FileReadTool, CodeInterpreterTool
# Tools
file_tool = FileReadTool()
code_tool = CodeInterpreterTool()
# Agents with specific expertise
architect = Agent(
role='Software Architect',
goal='Design scalable software architecture for {project}',
backstory='Senior architect with 15 years of experience in system design.',
verbose=True
)
developer = Agent(
role='Python Developer',
goal='Write clean, efficient Python code',
backstory='Expert Python developer focused on best practices.',
tools=[code_tool],
verbose=True
)
qa_engineer = Agent(
role='QA Engineer',
goal='Ensure code quality through comprehensive testing',
backstory='Detail-oriented QA engineer specializing in test automation.',
tools=[code_tool],
verbose=True
)
# Tasks
design_task = Task(
description='Design architecture for a {project} including component breakdown',
expected_output='Detailed architecture document with diagrams',
agent=architect
)
development_task = Task(
description='Implement the core functionality based on the architecture',
expected_output='Working Python code with documentation',
agent=developer,
context=[design_task]
)
testing_task = Task(
description='Write and execute unit tests for the developed code',
expected_output='Test suite with coverage report',
agent=qa_engineer,
context=[development_task]
)
# Hierarchical process with manager agent
dev_crew = Crew(
agents=[architect, developer, qa_engineer],
tasks=[design_task, development_task, testing_task],
process=Process.hierarchical, # Manager coordinates tasks
manager_llm='gpt-4', # Manager uses GPT-4
verbose=True
)
result = dev_crew.kickoff(inputs={'project': 'RESTful API for task management'})
进阶功能：异步、人工介入与结构化输出
如果你追求性能，异步执行（Asynchronous Execution） 是一个可选项，特别是 IO 密集型任务。
# Run crew asynchronously for better performance
result = await crew.kickoff_async(inputs={'topic': 'AI trends'})
# Run specific tasks in parallel
from crewai import Task
task1 = Task(description='Research topic A', agent=researcher, async_execution=True)
task2 = Task(description='Research topic B', agent=researcher, async_execution=True)
有些关键节点不能完全信赖 AI，这时候开启 Human-in-the-Loop，Agent 执行到一半会停下来问你要反馈。
agent = Agent(
role='Decision Maker',
goal='Make strategic decisions',
human_input=True # Will prompt for human feedback
)
工程化最头疼的是输出格式不可控，CrewAI 支持 Pydantic 模型，强制 Agent 输出结构化数据，这对后续的数据清洗非常有帮助。
from crewai import Task
from pydantic import BaseModel
class BlogPost(BaseModel):
title: str
content: str
tags: list[str]
task = Task(
description='Write a blog post',
expected_output='Blog post with title and tags',
agent=writer,
output_json=BlogPost, # Structured output
output_file='output.json' # Save to file
)
生态与集成
官方内置了一堆工具库，覆盖了搜索（Google/Serper）、文件操作（File/Directory Read）、代码执行（CodeInterpreter）以及各种数据源（PDF, CSV, JSON, GitHub, YouTube）的读取。
模型支持方面利用了 LangChain 的生态，OpenAI, Anthropic, Google Gemini 都能切。想省钱或者数据敏感，用 Ollama 跑本地模型（Llama 3, Mistral）也没问题。
CrewAI vs 其他
经常有人问它和 AutoGen 的区别。简单说CrewAI 像是管理严密的正规军，强调角色（Role）和流程（Process）；AutoGen 更像是一个聊天室，Agent 之间通过对话来解决问题，更灵活但也更难控制。至于 LangGraph，那是更底层的图编排工具，控制粒度极细，但上手门槛高。你可以理解为CrewAI 是在 LangChain 之上做了很好的封装，用起来简单。
补充规划、记忆与安全
新版本（0.30+）加入了 Planning Mode，Agent 开干前会先生成个计划书（现在Agent基本上都会有计划了）。记忆系统也升级了：支持短期记忆（本次执行内）、长期记忆（跨执行持久化）甚至实体记忆（记住具体的人和事）。
如果你需要监控整个 Crew 的运行状态，可以开启 Telemetry，导出 JSON 格式的日志做分析。
总结
CrewAI 在处理角色分工明确、流程复杂的知识型工作时表现非常出色。如果你是初学者：先别整太复杂的流程，2-3 个 Agent 起步，把目标定死，用 Pydantic 锁死输出格式，把缓存开起来。等熟悉了 Agent 的操作，再上复杂的层级结构和记忆系统。
https://avoid.overfit.cn/post/03c0bdbc21254d52b80f170a0fa2c567
