第 1 章 · 多智能体与 CrewAI 概述

本章目标：理解"为什么一个 Agent 不够用"，掌握 CrewAI 的五大核心概念（Agent / Task / Crew / Process / Flow）以及 Crews 与 Flows 的选型框架，为后续动手编码建立全局地图。

1.1 为什么需要"多"智能体

单个 LLM 调用擅长回答问题，但真实业务往往是一条流水线：调研 → 分析 → 撰写 → 审校。让一个模型在一次对话里全包，会遇到三个经典问题：

上下文污染：角色混乱。模型一边当研究员一边当审稿人，提示词互相打架，输出质量下降；
工具过载：把搜索、抓取、数据库、文件读写全部塞给一个 agent，工具选择错误率显著上升；
不可控的执行路径：单 agent 的步骤顺序由模型自由发挥，流程无法审计、无法复现。

多智能体（Multi-Agent）的思路是把流水线拆成多个职责单一的 agent，每个 agent 有自己的角色设定、工具集和任务，由框架负责编排它们的协作。这就像公司里不会让同一个人既写代码又做财务审计——专业化分工 + 明确接口，是工程化 LLM 应用的基础。

与"链式调用"的区别

你可以手写 llm1(prompt) → llm2(llm1_out) 的函数链，但 CrewAI 在此之上提供了：角色记忆、任务间上下文传递、委派协作、重试与限流、token 计量、可回放（replay）等运行时能力。这些正是框架的价值所在。

1.2 CrewAI 核心概念地图

CrewAI 的世界由五个核心组件构成，先记住这张关系图：

text

┌─────────────────────────────────────────────────┐
│  Flow（事件驱动的精确编排层，可选）                │
│   └── 编排一个或多个 Crew / 函数                  │
│       ┌─────────────────────────────────────┐   │
│       │  Crew（团队：一次完整的执行单元）      │   │
│       │   ├── Process（协作模式：             │   │
│       │   │    sequential / hierarchical）   │   │
│       │   ├── Agent × N（角色化成员）          │   │
│       │   └── Task × N（任务清单，绑定 agent） │   │
│       └─────────────────────────────────────┘   │
└─────────────────────────────────────────────────┘

组件	角色	一句话理解
Agent	自主的工作成员	有 role/goal/backstory 的"员工"，可带工具
Task	具体工作项	有 description 和 expected_output 的"工单"，绑定某个 agent
Crew	团队	agents + tasks + process 组成的一次完整执行
Process	协作模式	任务如何流转：顺序执行 or 分层委派
Flow	精确编排层	用事件（`@start`/`@listen`）串联多个 crew 和普通函数

数据流向：Task 的输出默认自动传给下一个 Task 作为上下文；也可以用 context=[...] 显式声明依赖。整个 Crew 跑完后返回一个 CrewOutput 对象。

把这张地图翻译成代码骨架，五个组件各就各位（先混个眼熟，后续章节逐一展开）：

python

from crewai import Agent, Task, Crew, Process, LLM

llm = LLM(model="openai/deepseek-chat",
          base_url="https://api.deepseek.com/v1",
          api_key="sk-xxx")

agent  = Agent(role="研究员", goal="整理要点", backstory="十年研究经验", llm=llm)
task   = Task(description="调研某主题", expected_output="5 条要点", agent=agent)
crew   = Crew(agents=[agent], tasks=[task], process=Process.sequential)
# Flow 的写法在第 15 章出现，它用 @start / @listen 装饰器编排多个 crew

1.3 Crews vs Flows：官方选型框架

这是初学者最容易纠结的问题。CrewAI 官方给出的判断标准很清晰：

选 Crews，当你需要"协作智能"：

多个不同专长的 agent 需要互相配合；
解决方案无法预先写成确定性的步骤（需要 agent 自己决策下一步）；
典型场景：深度研究、创意内容生产、头脑风暴。

选 Flows，当你需要"精确控制"：

工作流要求严格的执行顺序和状态管理；
需要确定性的事件编排、条件路由、断点恢复；
典型场景：ETL 流水线、审批流、多阶段批处理。

两者组合是常态：用 Flow 做总控和状态管理，在关键环节调用 Crew 处理需要创造性的子任务。例如内容工厂：Flow 负责"选题 → 生产 → 发布"三阶段的状态推进，"生产"阶段内部是一个 researcher + writer + editor 的 Crew。

本课程第 15–16 章会系统讲 Flow；前 14 章聚焦 Crews。

1.4 不用框架 vs 用框架：同一个需求两种写法

需求：先让模型列要点，再让模型把要点写成短文。手写链式调用版本：

python

# 裸写函数链：能用，但一切都要自己管
import os
from openai import OpenAI

client = OpenAI(api_key=os.getenv("DEEPSEEK_API_KEY"),
                base_url="https://api.deepseek.com/v1")

def chat(prompt):
    resp = client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}],
    )
    return resp.choices[0].message.content

points  = chat("围绕 AI Agent 列出 5 条核心要点")
article = chat(f"把以下要点扩写成 300 字短文：\n{points}")

这段代码能跑，但重试、限流、token 计量、任务回放、角色记忆、多 agent 委派……全都要自己造轮子。同样的需求用 CrewAI 表达（完整可运行版本见第 2 章）：

python

# CrewAI 版本：框架接管执行循环、上下文传递与计量
from crewai import Agent, Task, Crew

researcher = Agent(role="研究员", goal="产出 5 条要点",
                   backstory="行业研究专家", llm=llm)
writer = Agent(role="作者", goal="扩写成短文",
               backstory="科技专栏作者", llm=llm)

crew = Crew(
    agents=[researcher, writer],
    tasks=[
        Task(description="列出 5 条要点", expected_output="编号列表", agent=researcher),
        Task(description="扩写成 300 字短文", expected_output="Markdown 文章", agent=writer),
    ],
)
result = crew.kickoff()   # 自动完成两次调用与上下文传递

1.5 典型应用场景

研究与情报：竞品监控周报——searcher 找资料、analyst 提炼观点、reporter 写摘要；
内容营销：从关键词到成稿的 SEO 文章流水线（第 23 章完整实战）；
数据分析：自然语言转 SQL → 校验 → 解读结果的多 agent 审核链（第 24 章实战）；
客服工单：分类 → 检索知识库 → 起草回复 → 合规审查；
代码工程辅助：需求分析 → 方案设计 → 代码生成 → 测试评审。

共同特征：多角色、多步骤、中间产物可检查。如果你的场景只是"一问一答"，直接调 LLM API 就够了，不必上多智能体。

1.6 学习路线与环境预告

本教程基于 CrewAI 1.15.x（要求 Python >=3.10 且 <3.14）。按四个阶段展开：

阶段	章节	目标
入门	01–05	核心概念、第一个跑通的 Crew、三大件参数详解
进阶	06–12	三方模型接入、工具体系、分层流程、记忆与知识库
高级	13–19	规划容错、事件回调、Flow 工作流、工程化项目结构
生产实践	20–25	评估测试、MCP、可观测性、部署与综合实战

按课程约定，全书所有示例统一使用 OpenAI 兼容的三方模型（以 DeepSeek 为例），不依赖 OpenAI 官方 API：

python

import os
from crewai import LLM

# 全书统一的模型接入方式：openai/ 前缀 + 自定义 base_url
llm = LLM(
    model="openai/deepseek-chat",                       # provider/model 格式
    base_url="https://api.deepseek.com/v1",             # 三方 OpenAI 兼容端点
    api_key=os.getenv("DEEPSEEK_API_KEY"),              # 密钥永远走环境变量
    temperature=0.7,
)

1.7 本章小结

单 agent 的三大痛点：角色混乱、工具过载、路径不可控；多智能体通过专业分工解决；
五大组件：Agent（员工）、Task（工单）、Crew（团队）、Process（协作模式）、Flow（精确编排层）；
Crews 适合需要协作智能的开放性问题，Flows 适合需要精确控制的确定性流程，复杂应用二者组合；
CrewAI 1.x 要求 Python >=3.10 且 ❤️.14；本书统一用 LLM(model="openai/deepseek-chat", base_url=...) 接入三方模型。

🧪 随堂测验

点击你认为正确的选项。答错时会展示正确答案与原因解析。

1. 在 CrewAI 中，负责"定义任务如何流转（顺序或分层）"的组件是？

2. 按照官方选型框架，下列哪个场景最适合用 Flow 而不是 Crew？

3. 关于本书统一的三方模型接入写法，正确的是？

4. CrewAI 1.x 对 Python 版本的要求是？

🛠️ 动手实践

用一段话描述你工作中一个可以被拆成 3 个角色的自动化流程，标出每个 agent 的 role/goal/backstory 草稿。
画出 1.2 节关系图的变体：假设你要做一个"每日新闻简报"系统，标注哪些部分用 Crew、哪些部分用 Flow 编排。
检查本机 Python 版本（python3 --version），确认是否满足 CrewAI 安装要求；不满足则记录你准备采用的版本管理方案（如 uv / pyenv）。

概念地图建好了，下一章我们装好环境并跑通第一个 Crew。

第 1 章 · 多智能体与 CrewAI 概述 ​

1.1 为什么需要"多"智能体 ​

1.2 CrewAI 核心概念地图 ​

1.3 Crews vs Flows：官方选型框架 ​

1.4 不用框架 vs 用框架：同一个需求两种写法 ​

1.5 典型应用场景 ​

1.6 学习路线与环境预告 ​

1.7 本章小结 ​

🧪 随堂测验

🛠️ 动手实践 ​

第 1 章 · 多智能体与 CrewAI 概述

1.1 为什么需要"多"智能体

1.2 CrewAI 核心概念地图

1.3 Crews vs Flows：官方选型框架

1.4 不用框架 vs 用框架：同一个需求两种写法

1.5 典型应用场景

1.6 学习路线与环境预告

1.7 本章小结

🛠️ 动手实践