CrewAI详解

概述

CrewAI是一个多Agent协作框架，模拟团队协作的工作模式。它通过角色定义、任务分配和协作机制，实现高效的多Agent协作。

核心概念

1. 角色（Agent）

CrewAI中的角色定义：

角色名称：角色的唯一标识
角色目标：角色需要完成的目标
角色能力：角色具备的能力
角色工具：角色可使用的工具

2. 任务（Task）

CrewAI中的任务定义：

任务描述：任务的详细描述
任务目标：任务需要达成的目标
任务依赖：任务之间的依赖关系
任务输出：任务的预期输出

3. 团队（Crew）

CrewAI中的团队定义：

团队成员：团队中的角色列表
团队任务：团队需要完成的任务列表
协作模式：团队的协作方式
执行策略：团队的执行策略

4. 流程（Process）

CrewAI的执行流程：

顺序执行：按顺序执行任务
层级执行：按层级关系执行任务
协作执行：多个角色协作执行任务

核心API

1. 安装和配置

bash

# 安装CrewAI
pip install crewai

# 安装工具包
pip install crewai-tools

# 配置环境变量
export OPENAI_API_KEY="your-api-key"

2. 创建角色

python

from crewai import Agent

# 创建研究员角色
researcher = Agent(
    role="研究员",
    goal="研究人工智能最新进展",
    backstory="你是一位资深的人工智能研究员，专注于前沿技术研究。",
    verbose=True,
    allow_delegation=False
)

# 创建分析师角色
analyst = Agent(
    role="分析师",
    goal="分析研究结果并提供见解",
    backstory="你是一位数据分析专家，擅长从数据中提取有价值的见解。",
    verbose=True,
    allow_delegation=False
)

# 创建作家角色
writer = Agent(
    role="作家",
    goal="撰写高质量的技术报告",
    backstory="你是一位技术写作专家，擅长将复杂的技术概念转化为易懂的文字。",
    verbose=True,
    allow_delegation=False
)

3. 创建任务

python

from crewai import Task

# 创建研究任务
research_task = Task(
    description="研究人工智能在医疗领域的最新应用",
    expected_output="一份详细的研究报告，包括主要应用领域和最新进展",
    agent=researcher
)

# 创建分析任务
analysis_task = Task(
    description="分析研究结果，提取关键见解",
    expected_output="一份分析报告，包括关键发现和趋势分析",
    agent=analyst,
    context=[research_task]  # 依赖研究任务
)

# 创建写作任务
writing_task = Task(
    description="基于研究和分析结果撰写技术报告",
    expected_output="一份完整的技术报告，包括摘要、正文和结论",
    agent=writer,
    context=[research_task, analysis_task]  # 依赖研究和分析任务
)

4. 创建团队

python

from crewai import Crew, Process

# 创建团队
crew = Crew(
    agents=[researcher, analyst, writer],
    tasks=[research_task, analysis_task, writing_task],
    process=Process.sequential,  # 顺序执行
    verbose=True
)

# 运行团队
result = crew.kickoff()

print("团队执行结果：")
print(result)

5. 使用工具

python

from crewai import Agent, Task, Crew
from crewai_tools import SerperDevTool, WebsiteSearchTool

# 创建工具
search_tool = SerperDevTool()
web_tool = WebsiteSearchTool()

# 创建带工具的角色
researcher = Agent(
    role="研究员",
    goal="研究人工智能最新进展",
    backstory="你是一位资深的人工智能研究员。",
    tools=[search_tool, web_tool],
    verbose=True
)

# 创建任务
research_task = Task(
    description="搜索人工智能最新进展",
    expected_output="一份搜索结果摘要",
    agent=researcher
)

# 创建团队
crew = Crew(
    agents=[researcher],
    tasks=[research_task],
    verbose=True
)

# 运行
result = crew.kickoff()

实践指南

1. 环境准备

bash

# 安装CrewAI
pip install crewai crewai-tools

# 配置API密钥
export OPENAI_API_KEY="your-api-key"
export SERPER_API_KEY="your-serper-api-key"  # 可选，用于搜索

2. 基础使用示例

python

from crewai import Agent, Task, Crew, Process

# 创建角色
researcher = Agent(
    role="市场研究员",
    goal="研究目标市场的最新趋势",
    backstory="你是一位经验丰富的市场研究员，擅长识别市场趋势和机会。",
    verbose=True
)

analyst = Agent(
    role="数据分析师",
    goal="分析市场数据并提供洞察",
    backstory="你是一位数据分析专家，能够从复杂数据中提取有价值的见解。",
    verbose=True
)

# 创建任务
research_task = Task(
    description="研究2024年人工智能市场的最新趋势",
    expected_output="一份详细的市场趋势报告",
    agent=researcher
)

analysis_task = Task(
    description="分析市场趋势数据，识别关键机会",
    expected_output="一份机会分析报告",
    agent=analyst,
    context=[research_task]
)

# 创建团队
crew = Crew(
    agents=[researcher, analyst],
    tasks=[research_task, analysis_task],
    process=Process.sequential,
    verbose=True
)

# 运行
result = crew.kickoff()
print(result)

3. 自定义工具

python

from crewai import Agent, Task, Crew
from crewai_tools import BaseTool
from pydantic import BaseModel, Field

# 定义工具输入
class CalculatorInput(BaseModel):
    expression: str = Field(description="数学表达式")

# 创建自定义工具
class CalculatorTool(BaseTool):
    name: str = "calculator"
    description: str = "计算数学表达式"
    args_schema: type[BaseModel] = CalculatorInput

    def _run(self, expression: str) -> str:
        try:
            result = eval(expression)
            return f"计算结果: {result}"
        except Exception as e:
            return f"计算错误: {e}"

# 使用自定义工具
calculator = CalculatorTool()

analyst = Agent(
    role="数据分析师",
    goal="分析数据并进行计算",
    backstory="你是一位数据分析专家。",
    tools=[calculator],
    verbose=True
)

task = Task(
    description="计算(100 + 200) * 3的结果",
    expected_output="计算结果",
    agent=analyst
)

crew = Crew(
    agents=[analyst],
    tasks=[task],
    verbose=True
)

result = crew.kickoff()

4. 人工审批

python

from crewai import Agent, Task, Crew, Process

# 创建需要人工审批的任务
review_task = Task(
    description="审查代码变更",
    expected_output="审查报告",
    agent=reviewer,
    human_input=True  # 需要人工输入
)

# 创建团队
crew = Crew(
    agents=[reviewer],
    tasks=[review_task],
    process=Process.sequential,
    verbose=True
)

# 运行时会暂停等待人工输入
result = crew.kickoff()

最佳实践

1. 角色设计

明确目标：为每个角色设定明确的目标
清晰背景：提供详细的背景故事
合理分工：合理分配角色职责
工具选择：为角色选择合适的工具

2. 任务设计

清晰描述：提供清晰的任务描述
明确输出：明确任务的预期输出
合理依赖：设置合理的任务依赖
上下文传递：合理传递任务上下文

3. 团队协作

选择合适的流程：根据任务选择执行流程
监控执行：监控团队执行过程
处理错误：处理执行过程中的错误
优化性能：优化团队执行性能

常见问题

1. 执行问题

任务失败：检查任务设置和角色配置
依赖错误：检查任务依赖关系
工具错误：检查工具配置

2. 性能问题

响应慢：优化角色和任务配置
成本高：控制API调用次数
内存占用高：优化数据处理

3. 协作问题

沟通障碍：优化角色间的沟通
任务冲突：解决任务间的冲突
输出质量：提高任务输出质量

下一步学习

Microsoft AutoGen详解 - 多Agent对话框架
ChatDev详解 - 基于角色的开发框架
CAMEL详解 - 通信Agent框架

CrewAI详解 ​

概述 ​

核心概念 ​

1. 角色（Agent） ​

2. 任务（Task） ​

3. 团队（Crew） ​

4. 流程（Process） ​

核心API ​

1. 安装和配置 ​

2. 创建角色 ​

3. 创建任务 ​

4. 创建团队 ​

5. 使用工具 ​

实践指南 ​

1. 环境准备 ​

2. 基础使用示例 ​

3. 自定义工具 ​

4. 人工审批 ​

最佳实践 ​

1. 角色设计 ​

2. 任务设计 ​

3. 团队协作 ​

常见问题 ​

1. 执行问题 ​

2. 性能问题 ​

3. 协作问题 ​

下一步学习 ​

CrewAI详解

概述

核心概念

1. 角色（Agent）

2. 任务（Task）

3. 团队（Crew）

4. 流程（Process）

核心API

1. 安装和配置

2. 创建角色

3. 创建任务

4. 创建团队

5. 使用工具

实践指南

1. 环境准备

2. 基础使用示例

3. 自定义工具

4. 人工审批

最佳实践

1. 角色设计

2. 任务设计

3. 团队协作

常见问题

1. 执行问题

2. 性能问题

3. 协作问题

下一步学习