生产实践

引言 CrewAI以其简洁的API和角色扮演式多智能体设计，在2026年获得了大量生产用户。与AutoGen相比，CrewAI更注重"团队协作"的自然性。本文将分享CrewAI在生产环境中的实践经验。 CrewAI核心概念 Crew（团队） 一个Crew由多个Agent组成，每个Agent有特定角色、目标和工具。 Agent（成员） from crewai import Agent, Task, Crew, Process researcher = Agent( role='市场研究员', goal='收集和分析市场数据', backstory='你是一位有10年经验的市场研究专家，擅长数据分析和趋势预测。', tools=[search_tool, analytics_tool], llm='gpt-5', verbose=True ) writer = Agent( role='技术写作专家', goal='将研究结果转化为清晰的报告', backstory='你是一位资深技术写作专家，擅长将复杂数据转化为易懂的报告。', llm='claude-4-opus', verbose=True ) editor = Agent( role='内容编辑', goal='确保报告质量和一致性', backstory='你是一位严谨的编辑，对细节和质量有极高要求。', llm='gpt-5', verbose=True ) Task（任务） research_task = Task( description='研究2026年AI市场趋势，重点关注LLM和Agent领域。', agent=researcher, expected_output='一份包含数据和分析的市场研究报告', context=[] ) writing_task = Task( description='基于研究报告，撰写一篇2000字的行业分析文章。', agent=writer, expected_output='一篇2000字的文章', context=[research_task] # 依赖研究任务的输出 ) editing_task = Task( description='审核并修改文章，确保准确性和可读性。', agent=editor, expected_output='最终版文章', context=[writing_task] ) Crew（组建团队） crew = Crew( agents=[researcher, writer, editor], tasks=[research_task, writing_task, editing_task], process=Process.sequential, # 顺序执行 verbose=True ) result = crew.kickoff() 2026年新特性 1. 流程类型 # 顺序流程 crew = Crew(agents=agents, tasks=tasks, process=Process.sequential) # 层级流程（有管理者） crew = Crew( agents=agents, tasks=tasks, process=Process.hierarchical, manager_llm='gpt-5' ) # 自定义流程 from crewai.process import CustomProcess class MyProcess(CustomProcess): def run(self, crew, tasks): # 自定义执行逻辑 pass 2. 工具集成 from crewai.tools import tool @tool("搜索网络") def search(query: str) -> str: """搜索互联网获取最新信息""" return web_search(query) @tool("执行代码") def execute_code(code: str) -> str: """执行Python代码并返回结果""" return exec_python(code) @tool("读取文件") def read_file(path: str) -> str: """读取本地文件""" with open(path) as f: return f.read() 3. 记忆系统 crew = Crew( agents=agents, tasks=tasks, memory=True, # 启用记忆 memory_config={ "provider": "chroma", # 向量数据库 "embedder": "bge-large-zh", "long_term": True, "short_term": True } ) 4. 人机协作 from crewai import HumanInput # 在关键步骤加入人工审核 task = Task( description='生成营销文案', agent=writer, human_input=HumanInput( enabled=True, check_every=1, # 每步都检查 prompt="请审核以上内容，输入修改意见或'approve'确认。" ) ) 生产实践经验 实践一：角色设计 # 好的角色设计 good_agent = Agent( role='资深安全审计员', # 具体角色 goal='发现代码中的安全漏洞并提供修复建议', # 明确目标 backstory='''你是一位有15年经验的网络安全专家， 曾在Google和腾讯安全团队工作，精通OWASP Top 10漏洞 和安全编码最佳实践。''', # 丰富背景 tools=[code_analyzer, vulnerability_db], llm='gpt-5' ) # 不好的角色设计 bad_agent = Agent( role='助手', # 太模糊 goal='帮忙', # 不明确 backstory='你是一个AI助手。' # 太简单 ) 实践二：任务分解 # 好的任务分解：颗粒度适中 tasks = [ Task(description='分析需求文档，提取功能点', agent=analyst), Task(description='为每个功能点设计测试用例', agent=test_designer), Task(description='编写自动化测试脚本', agent=test_engineer), Task(description='执行测试并生成报告', agent=test_runner), ] # 不好的任务分解：太粗 tasks = [ Task(description='做测试', agent=tester), # 太笼统 ] 实践三：错误处理 from crewai import CrewError try: result = crew.kickoff() except CrewError as e: print(f"Crew执行失败：{e}") # 降级处理 result = fallback_process() # Agent级别错误处理 class SafeAgent(Agent): def execute_task(self, task): try: return super().execute_task(task) except Exception as e: return f"任务执行失败：{e}。请重试或调整策略。" 实践四：成本控制 # 根据任务复杂度选择模型 researcher = Agent( role='研究员', llm='deepseek-v4', # 研究用便宜模型 max_iter=5 ) writer = Agent( role='作家', llm='claude-4-opus', # 写作用高质量模型 max_iter=3 ) # 设置预算上限 crew = Crew( agents=[researcher, writer], tasks=tasks, max_cost=1.0, # 最大花费$1 ) 实践五：质量保证 # 添加质量检查Agent quality_checker = Agent( role='质量检查员', goal='确保输出质量达到标准', backstory='你是一位严格的质量检查专家。', llm='gpt-5' ) quality_task = Task( description='检查最终输出的质量，评分并给出改进建议。', agent=quality_checker, expected_output='质量评分报告' ) # 在流程末尾加入质量检查 crew = Crew( agents=[researcher, writer, editor, quality_checker], tasks=[research_task, writing_task, editing_task, quality_task] ) 部署方案 API服务 from fastapi import FastAPI from crewai import Crew app = FastAPI() @app.post("/analyze") async def analyze(topic: str): crew = create_research_crew(topic) result = crew.kickoff() return {"result": result} @app.post("/analyze/stream") async def analyze_stream(topic: str): crew = create_research_crew(topic) async for chunk in crew.kickoff_stream(): yield chunk 异步执行 import asyncio async def run_crews_concurrently(topics): crews = [create_research_crew(topic) for topic in topics] results = await asyncio.gather(*[crew.kickoff_async() for crew in crews]) return results 监控与调试 from crewai import CrewMonitor monitor = CrewMonitor() @monitor.trace def run_crew(crew, input_data): result = crew.kickoff(inputs=input_data) return result # 查看执行详情 monitor.print_summary() # 包括：每个Agent的执行时间、token消耗、输出质量 应用场景 场景一：内容生产 # 内容生产团队 content_crew = Crew( agents=[ Agent(role='选题策划', ...), Agent(role='资料收集', ...), Agent(role='内容撰写', ...), Agent(role='排版编辑', ...), Agent(role='SEO优化', ...), ], tasks=[...], process=Process.sequential ) 场景二：代码审查 # 代码审查团队 review_crew = Crew( agents=[ Agent(role='代码审查员', tools=[read_file, code_analyzer]), Agent(role='安全审计员', tools=[vulnerability_scanner]), Agent(role='性能分析师', tools=[profiler]), Agent(role='报告生成者'), ], tasks=[...] ) 场景三：数据分析 # 数据分析团队 data_crew = Crew( agents=[ Agent(role='数据工程师', tools=[sql_tool, python_tool]), Agent(role='数据分析师', tools=[statistical_tool]), Agent(role='可视化专家', tools=[chart_tool]), Agent(role='报告撰写者'), ], tasks=[...] ) 结语 CrewAI在2026年已经成为生产环境中最流行的多智能体框架之一。它的角色扮演式设计让AI协作变得自然直观，丰富的工具集成和记忆系统让它能胜任复杂的实际任务。 ...