Crewai

hsnsnusjs

436人浏览 · 2026-05-07 17:12:43

hsnsnusjs · 2026-05-07 17:12:43 发布

CrewAI 从零到进阶学习教程

1. CrewAI 是什么

CrewAI 是一个用于构建多 Agent 系统的 Python 框架。这里的 Agent 可以理解为一个“带角色、目标、背景和工具能力的 LLM 工作单元”。多个 Agent 可以组成 Crew，也就是一个协作团队，由 CrewAI 按照指定的 Process 执行一组 Task。

CrewAI 主要解决的问题是：当一个任务不是一次简单 LLM 调用能稳定完成时，如何把它拆成多个角色、多个步骤、多个工具调用，并让这些步骤形成可理解、可调试、可复用的协作流程。

典型问题包括：

自动调研：搜索资料、提炼观点、生成报告。
内容生产：选题、写作、润色、审核。
数据分析：读取数据、计算指标、解释结论。
业务自动化：把人工流程拆成多个 Agent 协作执行。
原型验证：快速搭建多 Agent 协作 demo。

2. 环境准备

2.1 Python 版本

CrewAI 官方安装文档要求 Python 版本满足：

python --version

推荐使用：

Python >= 3.10 and < 3.14

如果你是 Windows + PyCharm 用户，建议：

创建独立虚拟环境。
在项目根目录维护 .env。
把 API Key 放在环境变量或 .env 中，不要硬编码到源码。

2.2 安装依赖

最小安装：

pip install crewai

如果需要使用搜索、文件读取、网站检索等工具：

pip install "crewai[tools]"

也可以使用 uv：

uv add crewai
uv add "crewai[tools]"

2.3 配置模型 API Key

CrewAI 最终仍然需要调用大模型。以 OpenAI 兼容模型为例：

$env:OPENAI_API_KEY="你的 API Key"

如果你使用搜索工具 SerperDevTool，还需要：

$env:SERPER_API_KEY="你的 Serper API Key"

在 Python 代码中，也可以通过 python-dotenv 加载 .env：

pip install python-dotenv

.env 示例：

OPENAI_API_KEY=你的 API Key
SERPER_API_KEY=你的 Serper API Key

3. 核心概念总览

CrewAI 的最小运行模型是：

Agent + Task + Crew + Process

一个典型执行流程如下：

3.1 一句话理解五个核心概念

概念	英文原文	一句话解释
Agent	Agent	带角色、目标、背景和工具能力的执行者
Task	Task	交给 Agent 完成的具体任务
Tool	Tool	Agent 可调用的函数、搜索、文件、API 等能力
Crew	Crew	多个 Agent 和 Task 组成的协作团队
Process	Process	Crew 执行 Task 的流程策略

4. Agent 详解

Agent 是 CrewAI 的核心执行单元。一个 Agent 通常包含：

参数	说明
`role`	Agent 的角色，例如“市场研究员”
`goal`	Agent 的目标，例如“找出行业趋势”
`backstory`	背景设定，帮助模型稳定扮演角色
`tools`	可选，Agent 可以调用的工具列表
`verbose`	是否输出详细日志
`allow_delegation`	是否允许委派任务，常用于层级式流程

示例：

from crewai import Agent

researcher = Agent(
    role="AI 行业研究员",
    goal="收集并总结 AI Agent 框架的关键趋势",
    backstory="你是一名严谨的技术研究员，擅长从复杂资料中提炼结构化结论。",
    verbose=True,
)

4.1 写好 Agent 的关键

好的 Agent 定义要回答三个问题：

它是谁？
它负责什么？
它应该用什么标准完成任务？

不好的写法：

Agent(
    role="助手",
    goal="帮我完成任务",
    backstory="你很聪明",
)

更好的写法：

Agent(
    role="技术文档编辑",
    goal="把技术资料整理成适合初学者阅读的 Markdown 教程",
    backstory="你长期编写开发者文档，擅长用清晰结构解释复杂概念。",
)

5. Task 详解

Task 是交给 Agent 的具体任务。常见参数包括：

参数	说明
`description`	任务描述
`expected_output`	预期输出格式和质量标准
`agent`	执行任务的 Agent
`context`	可选，指定依赖哪些前置任务输出
`output_file`	可选，把任务结果写入文件

示例：

from crewai import Task

research_task = Task(
    description="调研 CrewAI 的核心概念，并总结 Agent、Task、Tool、Crew、Process 的区别。",
    expected_output="一段结构清晰的中文说明，包含表格。",
    agent=researcher,
)

5.1 `description` 和 `expected_output` 的区别

字段	重点
`description`	让 Agent 知道要做什么
`expected_output`	让 Agent 知道结果应该长什么样

建议写法：

Task(
    description="分析 Python Agent 框架 CrewAI 的适用场景。",
    expected_output="输出 5 个适用场景，每个场景包含：场景名称、为什么适合 CrewAI、潜在风险。",
    agent=researcher,
)

6. Tool 详解

Tool 是 Agent 能调用的外部能力。没有 Tool 的 Agent 只能基于模型已有知识和上下文进行推理；有 Tool 的 Agent 可以搜索网页、读取文件、查询数据库或执行受控函数。

CrewAI 支持两类常见工具：

官方或社区提供的工具，例如 SerperDevTool、FileReadTool、DirectoryReadTool、WebsiteSearchTool。
自定义工具，例如继承 BaseTool 或使用 @tool 装饰器。

6.1 工具安装

pip install "crewai[tools]"

6.2 自定义工具基本结构

from crewai.tools import tool


@tool("文本长度计算器")
def count_text_length(text: str) -> str:
    """计算输入文本的字符数量。"""
    return f"输入文本共有 {len(text)} 个字符。"

注意
Tool 的 docstring 很重要。Agent 会根据工具名称、参数和说明判断什么时候调用它。

6.3 关于代码执行工具的变化

早期 CrewAI 资料中常见 CodeInterpreterTool 或 allow_code_execution=True。但在较新的官方工具文档中，CodeInterpreterTool 已被标注为从 crewai-tools 移除，allow_code_execution 和 code_execution_mode 也被标注为废弃方向，推荐使用 E2B、Modal 等专门沙箱服务进行安全隔离。

因此，初学阶段不建议直接教 Agent 执行任意 Python 代码。更稳妥的方式是：

把需要执行的逻辑封装成受控 Tool。
Tool 输入使用 Pydantic 或函数签名约束。
Tool 内部只执行白名单逻辑。
生产环境如需任意代码执行，接入独立沙箱服务。

7. Crew 详解

Crew 表示一组 Agent 和 Task 组成的协作团队。

常见参数：

参数	说明
`agents`	Agent 列表
`tasks`	Task 列表
`process`	执行流程，默认顺序执行
`verbose`	是否输出详细日志
`manager_llm`	层级式流程中经理 Agent 使用的模型

最小结构：

from crewai import Crew, Process

crew = Crew(
    agents=[researcher],
    tasks=[research_task],
    process=Process.sequential,
    verbose=True,
)

result = crew.kickoff()
print(result)

8. Process 详解

Process 是 Crew 执行任务的流程策略。

CrewAI 当前常用流程包括：

Process	说明	适用场景
`Process.sequential`	按任务列表顺序执行	线性流程、报告生成、内容生产
`Process.hierarchical`	由经理模型或经理 Agent 分派和审核任务	复杂任务、多角色协作、需要管理者判断

8.1 顺序流程

顺序流程最容易理解：

调研任务 -> 分析任务 -> 写作任务 -> 审核任务

每个 Task 按列表顺序执行，后一个 Task 可以参考前一个 Task 的输出。

8.2 层级流程

层级流程更像团队管理：

经理 Agent 判断任务 -> 分派给合适 Agent -> 汇总和验证输出

使用 Process.hierarchical 时，需要配置 manager_llm 或 manager_agent。

9. 基础示例：第一个 Agent 和 Task

这个示例创建一个“学习教练 Agent”，让它生成 CrewAI 学习计划。

9.1 安装依赖

pip install crewai python-dotenv

9.2 准备 `.env`

OPENAI_API_KEY=你的 API Key

9.3 完整代码：`hello_crewai.py`

from dotenv import load_dotenv
from crewai import Agent, Crew, Process, Task


def main() -> None:
    load_dotenv()

    learning_coach = Agent(
        role="Python Agent 学习教练",
        goal="帮助初学者用清晰路线学习 CrewAI",
        backstory=(
            "你是一名耐心的技术教练，熟悉 Python、LLM 应用和多 Agent 框架，"
            "擅长把复杂技术拆成可执行的学习步骤。"
        ),
        verbose=True,
    )

    plan_task = Task(
        description=(
            "请为一个有 Java 后端经验、刚开始学习 Python Agent 框架的开发者，"
            "设计一份 3 天 CrewAI 入门学习计划。"
        ),
        expected_output=(
            "输出 Markdown 格式的学习计划，包含每天的学习目标、练习任务和验收标准。"
        ),
        agent=learning_coach,
    )

    crew = Crew(
        agents=[learning_coach],
        tasks=[plan_task],
        process=Process.sequential,
        verbose=True,
    )

    result = crew.kickoff()
    print("\n===== 最终结果 =====")
    print(result)


if __name__ == "__main__":
    main()

9.4 运行方式

python hello_crewai.py

9.5 预期输出说明

你会看到 CrewAI 的详细执行日志，最后输出类似：

===== 最终结果 =====
# 3 天 CrewAI 入门学习计划

## 第 1 天：理解核心概念
...

具体措辞由模型生成，不会每次完全一致。

10. 进阶示例一：多 Agent 顺序协作

这个示例模拟一个小型内容团队：

研究员负责收集观点。
分析师负责提炼结构。
作者负责写最终文章。

10.1 完整代码：`multi_agent_report.py`

from dotenv import load_dotenv
from crewai import Agent, Crew, Process, Task


def main() -> None:
    load_dotenv()

    researcher = Agent(
        role="技术研究员",
        goal="找出 CrewAI 在多 Agent 协作中的核心价值",
        backstory="你擅长阅读技术资料，并把信息整理成准确、紧凑的要点。",
        verbose=True,
    )

    analyst = Agent(
        role="技术分析师",
        goal="把研究材料转化为结构化分析框架",
        backstory="你擅长比较技术方案，能从适用场景、优点和风险三个维度分析问题。",
        verbose=True,
    )

    writer = Agent(
        role="技术文章作者",
        goal="写出适合初学者阅读的中文技术文章",
        backstory="你长期撰写开发者教程，语言清晰，例子具体，不堆砌概念。",
        verbose=True,
    )

    research_task = Task(
        description=(
            "总结 CrewAI 的核心概念，包括 Agent、Task、Tool、Crew、Process。"
            "重点说明它们分别解决什么问题。"
        ),
        expected_output="一份结构化研究笔记，包含 5 个核心概念的解释。",
        agent=researcher,
    )

    analysis_task = Task(
        description=(
            "基于研究员的输出，分析 CrewAI 适合和不适合的场景。"
            "请用表格输出。"
        ),
        expected_output="一个 Markdown 表格，包含场景、是否适合、原因、风险。",
        agent=analyst,
        context=[research_task],
    )

    writing_task = Task(
        description=(
            "基于前两个任务的结果，写一篇 800 字以内的中文入门文章，"
            "标题为《为什么要学习 CrewAI》。"
        ),
        expected_output="一篇结构清晰的 Markdown 中文文章。",
        agent=writer,
        context=[research_task, analysis_task],
    )

    crew = Crew(
        agents=[researcher, analyst, writer],
        tasks=[research_task, analysis_task, writing_task],
        process=Process.sequential,
        verbose=True,
    )

    result = crew.kickoff()
    print("\n===== 最终文章 =====")
    print(result)


if __name__ == "__main__":
    main()

11. 进阶示例二：搜索工具参与自动调研

这个示例使用 SerperDevTool 进行网页搜索，让 Agent 调研某个主题并生成摘要。

11.1 准备依赖和环境变量

pip install "crewai[tools]" python-dotenv

.env：

OPENAI_API_KEY=你的 API Key
SERPER_API_KEY=你的 Serper API Key

11.2 完整代码：`research_with_search.py`

from dotenv import load_dotenv
from crewai import Agent, Crew, Process, Task
from crewai_tools import SerperDevTool


def main() -> None:
    load_dotenv()

    search_tool = SerperDevTool()

    researcher = Agent(
        role="AI 新闻研究员",
        goal="搜索并总结指定主题的最新公开信息",
        backstory=(
            "你是一名谨慎的研究员，擅长使用搜索工具查找资料，"
            "并把来源、事实和推断分开。"
        ),
        tools=[search_tool],
        verbose=True,
    )

    writer = Agent(
        role="研究报告编辑",
        goal="把研究员找到的信息整理成清晰的中文报告",
        backstory="你擅长把零散信息改写成结构化报告，并明确标注不确定性。",
        verbose=True,
    )

    research_task = Task(
        description=(
            "请搜索 CrewAI、LangGraph、AutoGen 在多 Agent 框架方向的公开资料，"
            "总结它们各自的定位。请优先关注官方文档或项目主页。"
        ),
        expected_output=(
            "输出中文研究笔记，包含每个框架的定位、适合场景和至少 3 条关键信息。"
        ),
        agent=researcher,
    )

    report_task = Task(
        description=(
            "基于研究结果，写一份中文对比报告。要求包含："
            "1. 三个框架的定位；2. 初学者学习建议；3. 风险和注意事项。"
        ),
        expected_output="一份 Markdown 格式中文报告，包含标题、表格和结论。",
        agent=writer,
        context=[research_task],
    )

    crew = Crew(
        agents=[researcher, writer],
        tasks=[research_task, report_task],
        process=Process.sequential,
        verbose=True,
    )

    result = crew.kickoff()
    print("\n===== 调研报告 =====")
    print(result)


if __name__ == "__main__":
    main()

12. 进阶示例三：受控代码执行工具

很多 Agent 教程会直接让模型执行任意 Python 代码，但这在安全上风险很高。更推荐的方式是：把你允许执行的逻辑封装成受控 Tool。

下面示例中，我们创建一个“数字统计工具”。Agent 不能执行任意系统命令，只能把一组数字传给 Tool，由 Tool 计算平均值、最大值、最小值。

12.1 安装依赖

pip install crewai python-dotenv

12.2 完整代码：`controlled_code_tool.py`

from statistics import mean

from dotenv import load_dotenv
from crewai import Agent, Crew, Process, Task
from crewai.tools import tool


@tool("数字统计工具")
def calculate_number_stats(numbers: str) -> str:
    """
    计算一组数字的统计信息。
    输入格式示例：10, 20, 30, 40
    """
    values = [float(item.strip()) for item in numbers.split(",") if item.strip()]
    if not values:
        return "没有可计算的数字。"

    return (
        f"数量: {len(values)}\n"
        f"平均值: {mean(values):.2f}\n"
        f"最小值: {min(values):.2f}\n"
        f"最大值: {max(values):.2f}"
    )


def main() -> None:
    load_dotenv()

    data_analyst = Agent(
        role="数据分析师",
        goal="使用受控工具完成基础数据统计，并解释结果",
        backstory=(
            "你是一名谨慎的数据分析师。你不会编造计算结果，"
            "需要计算时必须调用提供的数字统计工具。"
        ),
        tools=[calculate_number_stats],
        verbose=True,
    )

    analysis_task = Task(
        description=(
            "请分析这组数据：18, 22, 35, 40, 41, 60。"
            "你必须先使用数字统计工具完成计算，然后用中文解释这组数据的特点。"
        ),
        expected_output=(
            "输出包含两部分：1. 工具计算结果；2. 用 3 条要点解释数据特点。"
        ),
        agent=data_analyst,
    )

    crew = Crew(
        agents=[data_analyst],
        tasks=[analysis_task],
        process=Process.sequential,
        verbose=True,
    )

    result = crew.kickoff()
    print("\n===== 数据分析结果 =====")
    print(result)


if __name__ == "__main__":
    main()

13. 进阶示例四：层级式协作

层级式协作使用 Process.hierarchical，由经理模型或经理 Agent 负责分派任务、协调 Agent、验证结果。

适合场景：

任务拆解不固定。
需要一个管理者判断谁来执行。
多个 Agent 能力差异明显。
任务结果需要统一审核。

13.1 完整代码：`hierarchical_crew.py`

from dotenv import load_dotenv
from crewai import Agent, Crew, Process, Task


def main() -> None:
    load_dotenv()

    market_researcher = Agent(
        role="市场研究员",
        goal="分析目标用户和市场机会",
        backstory="你擅长调研用户需求、市场趋势和竞品差异。",
        verbose=True,
    )

    product_designer = Agent(
        role="产品设计师",
        goal="把市场信息转化为产品功能方案",
        backstory="你擅长设计 MVP 功能，并能控制产品复杂度。",
        verbose=True,
    )

    technical_writer = Agent(
        role="技术文档作者",
        goal="把方案整理成开发团队可读的 Markdown 文档",
        backstory="你擅长输出清晰的技术方案文档，结构完整、语言准确。",
        verbose=True,
    )

    project_task = Task(
        description=(
            "我们计划做一个面向个人开发者的 AI Agent 学习助手。"
            "请完成一次小型产品立项分析，内容包括："
            "目标用户、核心痛点、MVP 功能、技术风险、下一步建议。"
        ),
        expected_output=(
            "一份 Markdown 格式产品立项简报，包含标题、表格和明确建议。"
        ),
    )

    crew = Crew(
        agents=[market_researcher, product_designer, technical_writer],
        tasks=[project_task],
        process=Process.hierarchical,
        manager_llm="gpt-4o-mini",
        verbose=True,
    )

    result = crew.kickoff()
    print("\n===== 产品立项简报 =====")
    print(result)


if __name__ == "__main__":
    main()

13.2 运行方式

python hierarchical_crew.py

14. 实际应用场景

14.1 自动调研

流程：

搜索 Agent -> 资料整理 Agent -> 分析 Agent -> 报告 Agent

适合任务：

行业趋势报告。
竞品调研。
技术选型对比。
开源项目调研。

优势：

可以把“查资料”和“写报告”拆开。
可以要求研究 Agent 标注来源，写作 Agent 只负责结构化表达。

风险：

搜索结果可能过时或噪声很大。
Agent 可能混淆事实和推断。
需要人工审核关键结论。

14.2 内容生成

流程：

选题 Agent -> 大纲 Agent -> 写作 Agent -> 审核 Agent

适合任务：

博客文章。
产品文案。
视频脚本。
公众号草稿。

注意事项：

给 expected_output 明确格式。
审核 Agent 要检查事实、语气和结构。
不要让一个 Agent 同时负责选题、搜索、写作、审核。

14.3 数据分析

流程：

数据读取 Tool -> 分析 Agent -> 解释 Agent -> 报告 Agent

适合任务：

CSV 指标分析。
运营数据摘要。
错误日志归因。
实验结果解释。

建议：

计算逻辑封装成 Tool。
Agent 负责解释，不负责凭空算数。
重要指标由确定性代码计算。

14.4 开发辅助

流程：

需求分析 Agent -> 方案 Agent -> 代码审查 Agent -> 文档 Agent

适合任务：

生成接口设计草案。
整理重构方案。
写测试计划。
生成 README。

注意事项：

不要让 Agent 未经约束地修改大量代码。
代码执行必须隔离。
生产代码要经过测试、review 和人工确认。

15. 常见问题与调试技巧

15.1 为什么 Agent 输出不稳定

常见原因：

role 太模糊。
goal 没有验收标准。
expected_output 没有格式约束。
Task 太大，一个 Agent 同时承担多个职责。

改进方式：

expected_output=(
    "输出 Markdown 表格，列名固定为：概念、作用、例子、注意事项。"
    "每行不超过 80 个中文字符。"
)

15.2 为什么工具没有被调用

常见原因：

工具名称不清楚。
工具 docstring 没说明输入格式。
Task 没明确要求必须调用工具。
Agent 认为自己可以直接回答。

改进方式：

description=(
    "你必须先调用数字统计工具计算结果，再解释数据。"
    "如果没有工具结果，不允许直接给出结论。"
)

15.3 为什么搜索工具报错

检查：

是否安装了 crewai[tools]。
是否设置了 SERPER_API_KEY。
当前网络是否能访问搜索服务。
API Key 是否额度不足或权限错误。

15.4 为什么层级流程报错

使用 Process.hierarchical 时，通常需要设置：

manager_llm="gpt-4o-mini"

或者提供自定义 manager_agent。

如果没有 manager，CrewAI 无法知道谁来分派任务。

15.5 如何查看执行过程

把 Agent 和 Crew 的 verbose 打开：

agent = Agent(..., verbose=True)

crew = Crew(..., verbose=True)

这样可以看到任务执行、工具调用和中间推理过程。

15.6 如何减少幻觉

建议：

需要事实时，给 Agent 搜索工具或知识库工具。
在 Task 里要求区分“事实”和“推断”。
对关键输出增加审核 Agent。
对数值计算使用确定性 Tool。
输出中要求列出来源或依据。

示例：

expected_output=(
    "请分成三部分输出：事实、推断、仍需人工确认的信息。"
)

15.7 如何控制任务复杂度

一个 Task 只做一类事情：

不推荐：

搜索资料、分析竞品、生成报告、写推广文案、制定开发计划。

推荐拆分：

Task 1: 搜索资料
Task 2: 提炼观点
Task 3: 生成报告
Task 4: 审核报告

15.8 如何在代码中传入变量

Task 描述中可以写占位符：

task = Task(
    description="请调研主题：{topic}",
    expected_output="输出中文摘要。",
    agent=researcher,
)

启动时传入：

result = crew.kickoff(inputs={"topic": "CrewAI 多 Agent 框架"})

完整示例：

from dotenv import load_dotenv
from crewai import Agent, Crew, Process, Task


def main() -> None:
    load_dotenv()

    researcher = Agent(
        role="主题研究员",
        goal="围绕用户输入主题生成结构化摘要",
        backstory="你擅长快速理解主题，并生成适合初学者阅读的说明。",
        verbose=True,
    )

    task = Task(
        description="请解释这个主题：{topic}",
        expected_output="输出 Markdown 格式说明，包含定义、用途和一个例子。",
        agent=researcher,
    )

    crew = Crew(
        agents=[researcher],
        tasks=[task],
        process=Process.sequential,
        verbose=True,
    )

    result = crew.kickoff(inputs={"topic": "CrewAI 的 kickoff(inputs=...) 参数"})
    print(result)


if __name__ == "__main__":
    main()

预期输出：

# CrewAI 的 kickoff(inputs=...) 参数

## 定义
...

15.9 如何把输出写入文件

可以在 Task 中设置 output_file：

from dotenv import load_dotenv
from crewai import Agent, Crew, Process, Task


def main() -> None:
    load_dotenv()

    writer = Agent(
        role="Markdown 文档作者",
        goal="生成结构清晰的 Markdown 文档",
        backstory="你擅长编写开发者学习笔记。",
        verbose=True,
    )

    task = Task(
        description="写一份 CrewAI 入门说明，控制在 500 字以内。",
        expected_output="Markdown 格式文档。",
        agent=writer,
        output_file="output/crewai_intro.md",
    )

    crew = Crew(
        agents=[writer],
        tasks=[task],
        process=Process.sequential,
        verbose=True,
    )

    result = crew.kickoff()
    print(result)


if __name__ == "__main__":
    main()

运行后会生成：

output/crewai_intro.md

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

深度学习模型优化利器：AIFengheshu/Plug-play-modules即插即用模块库深度解析与实战应用指南

极大地降低了深度学习模型改进的门槛。它让开发者不再受限于基础架构，而是能够像搭积木一样，灵活尝试各种前沿的注意力机制与卷积策略。无论是为了在学术竞赛中提升名次，还是在工业界落地中优化模型精度，这个项目都是一个值得深入挖掘和使用的强大工具库。

AtomGit开源社区

单相整流器整流电路pwm并网模型仿真研究（Simulink仿真实现）

单相PWM整流器作为低压并网发电、分布式储能、智能家居供电系统的核心电力电子装置，具备电能双向流动、电网谐波抑制、单位功率因数运行等优势，有效解决了传统二极管整流器谐波污染大、功率因数低、电能利用率不足的问题。为探究单相PWM整流器并网运行的稳态特性、动态响应及电能质量控制效果，本文依托电力电子仿真平台，搭建完整的单相PWM整流器并网仿真模型。

AtomGit开源社区

小区团购管理信息管理系统源码-SpringBoot后端+Vue前端+MySQL【可直接运行】

AtomGit开源社区

所有评论(0)

查看更多评论

hsnsnusjs

@hsnsnusjs

已为社区贡献4条内容

Crewai

hsnsnusjs

CrewAI 从零到进阶学习教程

1. CrewAI 是什么

2. 环境准备

2.1 Python 版本

2.2 安装依赖

2.3 配置模型 API Key

3. 核心概念总览

3.1 一句话理解五个核心概念

4. Agent 详解

4.1 写好 Agent 的关键

5. Task 详解

5.1 description 和 expected_output 的区别

6. Tool 详解

6.1 工具安装

6.2 自定义工具基本结构

6.3 关于代码执行工具的变化

7. Crew 详解

8. Process 详解

8.1 顺序流程

8.2 层级流程

9. 基础示例：第一个 Agent 和 Task

9.1 安装依赖

9.2 准备 .env

9.3 完整代码：hello_crewai.py

9.4 运行方式

9.5 预期输出说明

10. 进阶示例一：多 Agent 顺序协作

10.1 完整代码：multi_agent_report.py

11. 进阶示例二：搜索工具参与自动调研

11.1 准备依赖和环境变量

11.2 完整代码：research_with_search.py

12. 进阶示例三：受控代码执行工具

12.1 安装依赖

12.2 完整代码：controlled_code_tool.py

13. 进阶示例四：层级式协作

13.1 完整代码：hierarchical_crew.py

13.2 运行方式

14. 实际应用场景

14.1 自动调研

14.2 内容生成

14.3 数据分析

14.4 开发辅助

15. 常见问题与调试技巧

15.1 为什么 Agent 输出不稳定

15.2 为什么工具没有被调用

15.3 为什么搜索工具报错

15.4 为什么层级流程报错

15.5 如何查看执行过程

15.6 如何减少幻觉

15.7 如何控制任务复杂度

15.8 如何在代码中传入变量

15.9 如何把输出写入文件

所有评论(0)

温馨提示：您尚未绑定手机号

hsnsnusjs

5.1 `description` 和 `expected_output` 的区别

9.2 准备 `.env`

9.3 完整代码：`hello_crewai.py`

10.1 完整代码：`multi_agent_report.py`

11.2 完整代码：`research_with_search.py`

12.2 完整代码：`controlled_code_tool.py`

13.1 完整代码：`hierarchical_crew.py`