crewai-multi-agent

# CrewAI - 多智能体编排框架 构建能够协作解决复杂任务的自主 AI 智能体团队。 ## 何时使用 CrewAI **在以下场景使用 CrewAI：** - 构建具有专业角色的多智能体系统 - 需要智能体之间进行自主协作 - 需要基于角色的任务委派（如研究员、撰稿人、分析师） - 需要顺序或层级化的流程执行 - 构建具备记忆和可观测性的生产级工作流 - 需要比 LangChain/LangGraph 更简单的配置 **核心特性：** - **独立性**：无 LangChain 依赖，占用空间小 - **基于角色**：智能体拥有明确的角色、目标和背景故事 - **双重范式**：Crews（自主协作）+ Flows（事件驱动） - **50+ 工具**：支持网页抓取、搜索、数据库、AI 服务等 - **记忆系统**：支持短期记忆、长期记忆和实体记忆 - **生产就绪**：支持追踪（Tracing）及企业级功能 **替代方案：** - **LangChain**：通用 LLM 应用、RAG 流水线 - **LangGraph**：具有循环的复杂状态工作流 - **AutoGen**：微软生态系统，侧重多智能体对话 - **LlamaIndex**：文档问答、知识检索 ## 快速开始 ### 安装 bash # 核心框架 pip install crewai # 包含 50+ 内置工具 pip install 'crewai[tools]' ### 使用 CLI 创建项目 bash # 创建新的 crew 项目 crewai create crew my_project cd my_project # 安装依赖 crewai install # 运行 crew crewai run ### 简单示例（纯代码） python from crewai import Agent, Task, Crew, Process # 1. 定义智能体 researcher = Agent( role="资深研究分析师", goal="发现 AI 领域的最新前沿进展", backstory="你是一位对新兴趋势具有敏锐洞察力的专家分析师。", verbose=True ) writer = Agent( role="技术撰稿人", goal="创作关于技术主题的清晰且引人入胜的内容", backstory="你擅长向大众解释复杂的概念。", verbose=True ) # 2. 定义任务 research_task = Task( description="研究 {topic} 的最新进展。找出 5 个关键趋势。", expected_output="一份包含 5 个关键趋势要点的详细报告。", agent=researcher ) write_task = Task( description="根据研究结果撰写一篇博客文章。", expected_output="一篇 Markdown 格式的 500 字博客文章。", agent=writer, context=[research_task] # 使用研究任务的输出 ) # 3. 创建并运行 crew crew = Crew( agents=[researcher, writer], tasks=[research_task, write_task], process=Process.sequential, # 任务按顺序执行 verbose=True ) # 4. 执行 result = crew.kickoff(inputs={"topic": "AI 智能体"}) print(result.raw) ## 核心概念 ### Agents - 自主工作者 python from crewai import Agent agent = Agent( role="数据科学家", # 职位/角色 goal="分析数据以获取洞察", # 目标 backstory="统计学博士...", # 背景上下文 )