crewai,一个协作的 Python 库

大家好，我是木木。

今天给大家分享一个协作的 Python 库，crewai。

crewai

如果说单个 AI Agent 像一个会调用工具的助手，那多 Agent 协作更像一个小团队：有人负责研究，有人负责写作，有人负责校验，有人负责执行。crewai 做的就是把这些角色、任务、工具和执行流程组织起来，让“多个 AI 分工干活”变成可维护的工程结构。

项目地址：https://github.com/crewAIInc/crewAI

官方文档：https://docs.crewai.com

三大特点

角色清楚

每个 Agent 都有自己的 role、goal 和 backstory，适合把复杂任务拆成不同职责。

流程可控

任务可以绑定 Agent，也可以设置上下文依赖，再由 Crew 用顺序流程或其它模式组织执行。

工具可接

Agent 可以挂载业务工具，让模型不只是生成文本，还能查询订单、读取系统、调用内部能力。

最佳实践

安装方式：python -m pip install crewai==1.14.4

真正运行 CrewAI 通常需要配置 LLM 凭证。下面的例子只构建对象和配置，不调用 crew.kickoff()，所以不会请求外部模型，也不会消耗 API 额度。

功能一：建一个小型多 Agent 团队

这段代码解决什么问题：把“研究员先整理信息、编辑再写内容”这种协作关系显式建模。任务之间通过 context 串起来，Crew 用 Process.sequential 表示顺序执行。

importosimportwarningswarnings.filterwarnings("ignore")os.environ["CREWAI_DISABLE_TELEMETRY"]="true"fromcrewaiimportAgent,Task,Crew,Processresearcher=Agent(role="资料研究员",goal="整理库的关键特性",backstory="擅长把技术资料拆成要点",llm="openai/gpt-4o-mini")writer=Agent(role="文章编辑",goal="把研究结果写成短文",backstory="擅长面向开发者表达",llm="openai/gpt-4o-mini")research_task=Task(description="列出 crewai 的三个核心能力",expected_output="三条要点",agent=researcher)write_task=Task(description="基于研究结果写一段介绍",expected_output="一段中文介绍",agent=writer,context=[research_task])crew=Crew(agents=[researcher,writer],tasks=[research_task,write_task],process=Process.sequential)print("agents:",len(crew.agents))print("tasks:",len(crew.tasks))print("process:",crew.process.value)fortaskincrew.tasks:print(task.agent.role,"->",task.description[:16])

这个结构最大的好处是边界清楚。后续如果研究任务质量不好，就调研究员的 goal、backstory 或工具；如果表达不对，就调编辑 Agent，而不是把所有要求塞进一个巨大 prompt。

功能二：给 Agent 挂业务工具

这段代码解决什么问题：Agent 不应该只会聊天。通过 @tool 可以把内部查询、计算、文件处理等能力挂到 Agent 身上，让它在任务中按需调用。

importosimportwarningswarnings.filterwarnings("ignore")os.environ["CREWAI_DISABLE_TELEMETRY"]="true"fromcrewaiimportAgentfromcrewai.toolsimporttool@tool("order_status")deforder_status(order_id:str)->str:"""Return a local order status for demo purposes."""return{"A-1001":"paid","A-1002":"review"}.get(order_id,"missing")agent=Agent(role="运营助手",goal="查询订单状态并给出建议",backstory="熟悉内部订单系统",tools=[order_status],llm="openai/gpt-4o-mini")print("agent:",agent.role)print("tools:",len(agent.tools))foriteminagent.tools:print(item.name,"->",item.description.splitlines()[0])print("local call:",order_status.run("A-1001"))

工具设计要小而清楚：输入输出明确、错误可解释、写操作可回滚。不要把数据库密码、Token 或用户隐私直接写进 prompt，凭证仍然应该放在本地配置或密钥系统里。

环境与版本信息

• Demo 环境：Windows 11，Python 3.11
• 本文安装的 crewai 版本：1.14.4
• 当前包要求 Python：>=3.10,<3.14
• 关键依赖版本：openai 2.35.1、chromadb 1.1.1、pydantic 2.12.5
• 项目最近一次提交时间：2026-05-07T04:40:08+08:00
• 说明：安装 crewai 会调整部分共享依赖，和其它 Agent 库共用同一个 Python 环境时要单独留意

高级功能

这段代码解决什么问题：多 Agent 应用最怕输出格式飘。给 Task 配置 output_pydantic，可以让任务目标明确成结构化结果，后续更容易进入数据库、接口或评审流程。

importosimportwarningswarnings.filterwarnings("ignore")os.environ["CREWAI_DISABLE_TELEMETRY"]="true"frompydanticimportBaseModel,FieldfromcrewaiimportAgent,TaskclassArticlePlan(BaseModel):title:str=Field(description="文章标题")sections:list[str]=Field(description="章节列表")planner=Agent(role="选题规划师",goal="规划一篇技术文章",backstory="擅长拆解读者关心的问题",llm="openai/gpt-4o-mini")task=Task(description="为 crewai 写一份文章提纲",expected_output="包含标题和章节列表的 JSON",agent=planner,output_pydantic=ArticlePlan,markdown=True)print("task:",task.description)print("agent:",task.agent.role)print("structured:",task.output_pydantic.__name__)print("markdown:",task.markdown)print("fields:",", ".join(ArticlePlan.model_fields))

结构化输出不是万能保险，但能显著降低下游对文本的猜测成本。我的建议是：凡是要入库、触发审批、调用接口的任务，都尽量给出明确 schema。

适用场景

• 你想把一个复杂 AI 任务拆成研究、执行、校验、写作等多个角色
• 你需要让 Agent 调用内部工具，而不是只靠自然语言回答
• 你希望任务依赖、执行流程和结构化输出在代码里可见

不适用场景

• 只是一次简单问答或单步总结，一个普通 LLM 调用就够了
• 你的任务必须完全确定性执行，不能接受模型判断带来的波动
• 团队还没有凭证管理、日志审计和人工确认机制，却想直接让 Agent 做写操作

上线检查

1. Agent 的 role、goal、backstory 要短而明确，不要把所有职责堆给一个 Agent。
2. 工具要设置输入校验、错误处理和权限边界，写操作最好加人工确认。
3. 给关键任务配置结构化输出、日志、超时、重试和测试样本，再接真实业务。

总结

crewai 很适合把“多个 AI 分工协作”落成代码结构。它的重点不是炫技式堆 Agent，而是把角色、任务、工具和流程拆清楚。用得好，它可以让复杂 AI 应用更像一个可维护的小团队。