开源精选 CrewAI多Agent编排协作开源
CrewAI深度解析：多Agent角色扮演式协作框架
道
量子道
量子道 · 扫码阅读
微信 · 浏览器扫码
在手机上获得更好的阅读体验
CrewAI深度解析：多Agent角色扮演式协作框架
一个人可以走得很快，一群人可以走得很远。CrewAI把这个团队协作的智慧应用到了AI Agent世界。在这里，每个Agent都有自己的角色、目标和性格。
项目速览
| 维度 | 详情 |
|---|---|
| GitHub | crewAIInc/crewAI |
| Stars | ~48K |
| 语言 | Python |
| 许可证 | MIT |
| 定位 | 多Agent角色扮演式协作框架 |
核心思想：像组建团队一样构建Agent
CrewAI的团队隐喻
人类团队 CrewAI
─────────── ───────────
CEO（定方向） → 管理者Agent
研究员（搜集） → 研究员Agent
分析师（提炼） → 分析师Agent
写作者（产出） → 写作者Agent
审校（把关） → 审校Agent每个Agent不仅有任务，还有角色背景、做事风格和个人目标——这让Agent的行为更加自然和可预测。
核心概念
Agent（智能体）
from crewai import Agent
researcher = Agent(
role=资深研究员,
goal=对指定课题进行深度调研，收集全面可靠的信息,
backstory=你是一名有15年经验的管理咨询研究员，
曾在麦肯锡工作。你擅长在海量信息中识别关键信号，
对数据来源的可信度有敏锐的判断力。
你追求真相，不会被表面的公关语言迷惑。,
tools=[search_tool, scrape_tool, pdf_reader],
llm=gpt-4,
verbose=True,
allow_delegation=True, # 可以委托子任务
max_iter=10
)Role、Goal和Backstory是CrewAI最独特的设计——它们不只是参数，而是塑造Agent行为方式的核心。
Task（任务）
from crewai import Task
research_task = Task(
description=
调研2026年Q2全球SaaS行业的并购动态。
要求：
1. 至少覆盖5笔重要交易
2. 每笔交易分析：金额、战略意图、对行业的影响
3. 识别并购趋势和背后的驱动因素
4. 标注信息来源
输出：结构化的调研报告
,
expected_output=一份包含交易清单、趋势分析和战略洞察的研究报告,
agent=researcher, # 分配给指定Agent
async_execution=False, # 是否与其他任务并行
context=[previous_task], # 依赖的前置任务
output_file=mna_report.md # 输出文件
)Crew（团队）
from crewai import Crew, Process
# 组建团队
content_crew = Crew(
agents=[researcher, analyst, writer, reviewer],
tasks=[research_task, analysis_task, writing_task, review_task],
process=Process.sequential, # 顺序执行
# process=Process.hierarchical, # 层级执行（有Manager自主分配）
verbose=True,
memory=True # 启用跨任务的记忆
)
# 启动
result = content_crew.kickoff(inputs={
topic: AI Agent对SaaS行业的影响,
target_audience: 企业高管,
word_count: 3000
})两种执行模式
Sequential（顺序模式）
Agent 1 完成任务 → Agent 2 基于1的输出继续 → Agent 3 → ...适合任务之间有明确先后顺序的场景。
Hierarchical（层级模式）
Manager Agent
/ | \
Agent 1 Agent 2 Agent 3
(研究) (分析) (写作)
\ | /
Manager 汇总输出Manager Agent自动分配任务、协调进度、汇总结果。这是CrewAI最具创新性的设计——用户不需要手动编排每个步骤，Manager会像真正的团队领导一样工作。
核心机制
1. 角色注入（Role Injection）
# CrewAI在每次Agent推理时会注入角色上下文
role_context = f
你是 {agent.role}。
你的核心目标是 {agent.goal}。
你的背景：{agent.backstory}
在当前任务中，你应该：
1. 以你角色特有的方式思考问题
2. 利用你的专业知识和经验
3. 与团队其他成员协作（如果需要）
4. 专注于你的核心职责，不越界
2. 跨Agent上下文传递
研究员输出 分析师输入
───────── ─────────
结构化研究报告 → 收到研究报告
+ 数据 ↓
+ 来源 将数据转化为洞察
+ 置信度标注 标注分析的不确定性
↓
输出分析报告
↓
写作者收到
↓
将洞察转化为叙事每次交接时，前一个Agent的输出会作为结构化的上下文传给下一个Agent。
3. 记忆机制
# CrewAI的记忆系统
crew = Crew(
agents=[...],
tasks=[...],
memory=True,
memory_config={
provider: mem0, # 或 chromadb, weaviate
config: {
user_id: content_team,
short_term_capacity: 20,
long_term_store: chromadb
}
}
)- 短期记忆：当前crew执行期间的任务上下文
- 长期记忆：跨crew执行的历史经验积累
- 实体记忆：关于用户/项目/领域的持久化信息
对比CrewAI vs AutoGen vs MetaGPT
| 维度 | CrewAI | AutoGen | MetaGPT |
|---|---|---|---|
| 核心理念 | 角色扮演团队 | 对话式多Agent | 模拟软件公司 |
| Agent定义 | Role+Goal+Backstory | 对话Agent+工具 | 角色类（PM/Engineer） |
| 编排方式 | 顺序+层级 | 对话图/GroupChat | 固定SOP |
| 学习曲线 | 低（1天上手） | 中 | 中 |
| 适用场景 | 内容创作、研究 | 对话密集型 | 软件开发 |
| 社区热度 | 🔥🔥🔥 | 🔥🔥 | 🔥 |
| 中文支持 | 好 | 一般 | 好 |
实战：构建行业分析团队
# 组建一个行业分析梦之队
# 1. 定义Agents
data_collector = Agent(
role=数据采集员,
goal=收集行业最新的数据、财报、新闻,
backstory=前彭博社数据分析师，对数字极其敏感,
tools=[serper_search, sec_filing_reader, statista_api],
llm=gpt-4-mini # 数据收集不需要最强模型
)
strategist = Agent(
role=战略分析师,
goal=从数据中提炼战略洞察,
backstory=前BCG顾问，擅长用波特五力等框架分析行业,
tools=[excel_analyzer, chart_generator],
llm=gpt-4 # 深度分析需要强模型
)
copywriter = Agent(
role=财经撰稿人,
goal=将分析转化为打动人心的商业叙事,
backstory=前《财经》杂志主笔，擅长让复杂问题变得生动,
tools=[],
llm=claude-sonnet-4-6 # 写作场景Claude表现更好
)
# 2. 定义Tasks
tasks = [
Task(description=采集 [行业名] 的最新数据..., agent=data_collector),
Task(description=基于数据做深度战略分析..., agent=strategist),
Task(description=撰写行业分析文章..., agent=copywriter)
]
# 3. 组建Crew并执行
crew = Crew(
agents=[data_collector, strategist, copywriter],
tasks=tasks,
process=Process.sequential,
verbose=True
)
result = crew.kickoff(inputs={industry: 新能源汽车})适合什么场景
✅ CrewAI的最佳场景：
├── 内容创作Pipeline（研究→分析→撰写→审校）
├── 行业研究报告自动化
├── 多视角分析（让不同角色评估同一问题）
├── 教育/培训情景模拟
└── 需要结构化输出的复杂任务
❌ CrewAI不擅长的：
├── 实时交互场景（延迟太高）
├── 单个简单任务（杀鸡用牛刀）
├── 需要高确定性输出的场景
└── Agent数量>10的超大规模协作（编排开销太大）发展趋势
- CrewAI Enterprise — 企业版增加SSO、RBAC、审计日志
- Crew Marketplace — 预置的Agent和Task模板交易市场
- Crew Flows — 更灵活的多crew嵌套编排
- 与LangGraph集成 — 在LangGraph图结构中调用CrewAI
CrewAI的哲学是：AI协作不应该只是技术问题，还应该是组织设计问题。给Agent赋予角色、背景和性格，不仅让它们的输出更像人类专家，也让编排变得更加直观——毕竟，管理一个团队是每个管理者每天都在做的事情。