CrewAI是一个可以专门用来编排自主 AI 智能体（Autonomous AI Agents） 的Python 框架，你可以把它理解为在代码层面组建一个“虚拟团队”，给每个 Agent 分配特定的角色、目标，让它们协同处理那些单个 LLM 搞不定的复杂任务。

CrewAI 包含以下组件：

Agents 是具体的执行实体，有角色设定和能力边界；Tasks 是具体的任务指令；Crews 是把“人”和事儿撮合到一起的团队容器；Tools 则是 Agent 手里的工具（比如搜索、读文件、调 API等等）；Processes 决定了活儿怎么干，比如说是大家排队干（顺序）还是层级汇报（层级）。

CrewA最适合的是那种链条长、环节多的工作流。比如你要搞个深度研报，需要先全网搜集信息，然后整理分析，写初稿，最后润色发布，这种“研究-写作-编辑”的流水线就非常契合。同理商业竞品分析、代码开发流程（设计-编码-测试）或者分工明确的客户支持系统，都是它的强项。

但有几种情况别用：

如果你的任务简单到一次 LLM 调用就能解决，用 CrewAI 就没有必要了而且还会增加复杂度和成本。对实时性要求极高的场景（比如毫秒级响应）也不合适，因为多 Agent 交互本来就慢。还有那种每一步都得让人盯着确认的流程，这种流程自动化程度太低也没必要上 Agent 编排。

环境准备很简单，基础包装上就行，如果需要额外的工具集，就把 tools 加上。

# Install CrewAI  pip install crewai crewai-tools# For additional tools  pip install 'crewai[tools]'

下面这段代码展示了如何把 Research Analyst（研究员）、Content Writer（撰稿人）和 Editor（编辑）这三个角色串起来。代码逻辑很简单：定义 Agent，定义 Task，最后塞进 Crew 里跑起来。

注意观察 context 参数，它实现了任务间的数据流转。

from crewai import Agent, Task, Crew, Process  from crewai_tools import SerperDevTool, WebsiteSearchTool# Initialize tools  search_tool = SerperDevTool()  web_tool = WebsiteSearchTool()# Create Agents  researcher = Agent(      role='Research Analyst',      goal='Gather comprehensive information on {topic}',      backstory='You are an expert researcher with a keen eye for detail and accuracy.',      tools=[search_tool, web_tool],      verbose=True,      allow_delegation=False  )writer = Agent(      role='Content Writer',      goal='Create engaging, well-structured content about {topic}',      backstory='You are a skilled writer who transforms research into compelling narratives.',      verbose=True,      allow_delegation=False  )editor = Agent(      role='Editor',      goal='Refine and polish content to ensure quality and clarity',      backstory='You are a meticulous editor with an eye for grammar, style, and flow.',      verbose=True,      allow_delegation=False  )# Define Tasks  research_task = Task(      description='Research {topic} and gather key facts, statistics, and insights.',      expected_output='A comprehensive research report with sources',      agent=researcher  )writing_task = Task(      description='Using the research, write a 500-word blog post about {topic}',      expected_output='A well-written blog post in markdown format',      agent=writer,      context=[research_task]  # Depends on research task  )editing_task = Task(      description='Edit the blog post for grammar, clarity, and engagement',      expected_output='A polished, publication-ready blog post',      agent=editor,      context=[writing_task]  )# Create Crew  crew = Crew(      agents=[researcher, writer, editor],      tasks=[research_task, writing_task, editing_task],      process=Process.sequential,  # Tasks run in order      verbose=True  )# Execute  result = crew.kickoff(inputs={'topic': 'Artificial Intelligence in Healthcare'})  print(result)

对于更复杂的场景，比如软件开发，可能需要引入层级流程（Hierarchical Process）。这时候会有一个隐藏的 Manager Agent（通常用更强的模型如 GPT-5）来统筹分配任务，而不是简单的线性执行。

from crewai import Agent, Task, Crew  from crewai_tools import FileReadTool, CodeInterpreterTool# Tools  file_tool = FileReadTool()  code_tool = CodeInterpreterTool()# Agents with specific expertise  architect = Agent(      role='Software Architect',      goal='Design scalable software architecture for {project}',      backstory='Senior architect with 15 years of experience in system design.',      verbose=True  )developer = Agent(      role='Python Developer',      goal='Write clean, efficient Python code',      backstory='Expert Python developer focused on best practices.',      tools=[code_tool],      verbose=True  )qa_engineer = Agent(      role='QA Engineer',      goal='Ensure code quality through comprehensive testing',      backstory='Detail-oriented QA engineer specializing in test automation.',      tools=[code_tool],      verbose=True  )# Tasks  design_task = Task(      description='Design architecture for a {project} including component breakdown',      expected_output='Detailed architecture document with diagrams',      agent=architect  )development_task = Task(      description='Implement the core functionality based on the architecture',      expected_output='Working Python code with documentation',      agent=developer,      context=[design_task]  )testing_task = Task(      description='Write and execute unit tests for the developed code',      expected_output='Test suite with coverage report',      agent=qa_engineer,      context=[development_task]  )# Hierarchical process with manager agent  dev_crew = Crew(      agents=[architect, developer, qa_engineer],      tasks=[design_task, development_task, testing_task],      process=Process.hierarchical,  # Manager coordinates tasks      manager_llm='gpt-4',  # Manager uses GPT-4      verbose=True  )result = dev_crew.kickoff(inputs={'project': 'RESTful API for task management'})

如果你追求性能，异步执行（Asynchronous Execution） 是一个可选项，特别是 IO 密集型任务。

# Run crew asynchronously for better performance  result = await crew.kickoff_async(inputs={'topic': 'AI trends'})# Run specific tasks in parallel  from crewai import Task  task1 = Task(description='Research topic A', agent=researcher, async_execution=True)  task2 = Task(description='Research topic B', agent=researcher, async_execution=True)

有些关键节点不能完全信赖 AI，这时候开启 Human-in-the-Loop，Agent 执行到一半会停下来问你要反馈。

agent = Agent(      role='Decision Maker',      goal='Make strategic decisions',      human_input=True  # Will prompt for human feedback  )

工程化最头疼的是输出格式不可控，CrewAI 支持 Pydantic 模型，强制 Agent 输出结构化数据，这对后续的数据清洗非常有帮助。

from crewai import Task  from pydantic import BaseModelclass BlogPost(BaseModel):      title: str      content: str      tags: list[str]task = Task(      description='Write a blog post',      expected_output='Blog post with title and tags',      agent=writer,      output_json=BlogPost,  # Structured output      output_file='output.json'  # Save to file  )

官方内置了一堆工具库，覆盖了搜索（Google/Serper）、文件操作（File/Directory Read）、代码执行（CodeInterpreter）以及各种数据源（PDF, CSV, JSON, GitHub, YouTube）的读取。

模型支持方面利用了 LangChain 的生态，OpenAI, Anthropic, Google Gemini 都能切。想省钱或者数据敏感，用 Ollama 跑本地模型（Llama 3, Mistral）也没问题。

经常有人问它和 AutoGen 的区别。简单说CrewAI 像是管理严密的正规军，强调角色（Role）和流程（Process）；AutoGen 更像是一个聊天室，Agent 之间通过对话来解决问题，更灵活但也更难控制。至于 LangGraph，那是更底层的图编排工具，控制粒度极细，但上手门槛高。你可以理解为CrewAI 是在 LangChain 之上做了很好的封装，用起来简单。

新版本（0.30+）加入了 Planning Mode，Agent 开干前会先生成个计划书（现在Agent基本上都会有计划了）。记忆系统也升级了：支持短期记忆（本次执行内）、长期记忆（跨执行持久化）甚至实体记忆（记住具体的人和事）。

如果你需要监控整个 Crew 的运行状态，可以开启 Telemetry，导出 JSON 格式的日志做分析。

CrewAI 在处理角色分工明确、流程复杂的知识型工作时表现非常出色。如果你是初学者：先别整太复杂的流程，2-3 个 Agent 起步，把目标定死，用 Pydantic 锁死输出格式，把缓存开起来。等熟悉了 Agent 的操作，再上复杂的层级结构和记忆系统。

https://avoid.overfit.cn/post/03c0bdbc21254d52b80f170a0fa2c567