CrewAI 制作智能体
CrewAI 是一个多智能体协作的开源框架，专门用于编排和协调多个 AI Agent 进行协作。

CrewAI 可以把一个复杂任务，拆成多个角色，各自负责一部分，通过流程协作完成。

对比理解：

单 Agent：一个大模型，从头干到尾
CrewAI：产品经理 + 工程师 + 分析师 + 编辑，各司其职
CrewAI 是一个协调、管理和框架化 AI Agent 的工具，它基于 LangChain 和 Pydantic 构建，用于促进角色扮演、自治和协作的 Agent 团队。

Crew（团队）： 一个由多个 Agent 组成的项目组。
Agent（成员）： 团队中的个体，每个都有明确的 role（角色）、goal（目标）和 backstory（背景故事）。
Task（任务）： 需要团队完成的具体工作。一个 Crew 包含多个有序或并行的 Task，并分配给合适的 Agent。
Process（流程）： 定义团队的工作流程，例如是顺序执行还是同时执行任务。
简单来说，crewAI 提供了一个结构化的方式来定义谁（Agent）在什么流程（Process）下，完成哪些事（Task），最终达成团队目标。

下面的流程图清晰地展示了 crewAI 框架中各个核心组件是如何协同工作的：

流程始于定义具备特定角色和目标的智能体（Agent），然后为其创建具体的任务（Task）。

接着，将这些智能体及其任务组建成一个团队（Crew），并为团队选择协同工作的流程（Process），如顺序执行或并行执行。最终，团队按照既定流程执行所有任务，产出最终结果。

环境搭建与安装
开始构建前，我们需要准备好开发环境。

前置条件
Python 版本要求：

必须：Python ≥ 3.10 且 < 3.14
可以在终端输入 python --version 来检查，不满足版本范围，后续问题会非常多，不建议硬扛
CrewAI 使用 UV 做依赖和包管理，目的只有一个：
让多 Agent 项目更稳定，不被环境问题拖垮

UV 入门教程参考：UV - Python 包与环境管理工具。

API 密钥：

crewAI 本身不提供 AI 模型，它需要连接像 OpenAI 的 GPT、Anthropic 的 Claude 等大语言模型。

安装 crewAI
打开你的终端或命令行工具，使用 pip 命令安装 crewAI 包。

正常安装

pip install crewai

其他依赖

pip install langchain
pip install openai

如果安装慢，可以使用国内镜像安装

pip install crewai -i https://mirrors.aliyun.com/pypi/simple/
pip install langchain -i https://mirrors.aliyun.com/pypi/simple/
pip install openai -i https://mirrors.aliyun.com/pypi/simple/
如果希望使用 crewAI 内置的一些高级工具（如网络搜索），可以安装额外的依赖项：

正常安装

pip install ‘crewai[tools]’

如果安装慢，可以使用国内镜像安装

pip install ‘crewai[tools]’ -i https://mirrors.aliyun.com/pypi/simple/
国内我们可以采用 DeepSeek 大模型来测试，如果还没有需要先去 https://platform.deepseek.com/api_keys 创建一个 API key。

DeepSeek 的 API 文档参考：https://api-docs.deepseek.com/zh-cn/。

安装完成后，创建一个新的 Python 文件，例如 my_first_crew.py，并导入必要的库。

CrewAI 的 LLM 对第三方模型（包括 DeepSeek）底层必须通过 LiteLLM，使用前我们需要先安装：

pip install -U litellm
流程始于定义具备特定角色和目标的智能体（Agent），然后为其创建具体的任务（Task）。

接着，将这些智能体及其任务组建成一个团队（Crew），并为团队选择协同工作的流程（Process），如顺序执行或并行执行。最终，团队按照既定流程执行所有任务，产出最终结果。

环境搭建与安装
开始构建前，我们需要准备好开发环境。

前置条件
Python 版本要求：

必须：Python ≥ 3.10 且 < 3.14
可以在终端输入 python --version 来检查，不满足版本范围，后续问题会非常多，不建议硬扛
CrewAI 使用 UV 做依赖和包管理，目的只有一个：
让多 Agent 项目更稳定，不被环境问题拖垮

UV 入门教程参考：UV - Python 包与环境管理工具。

API 密钥：

crewAI 本身不提供 AI 模型，它需要连接像 OpenAI 的 GPT、Anthropic 的 Claude 等大语言模型。

安装 crewAI
打开你的终端或命令行工具，使用 pip 命令安装 crewAI 包。

正常安装

pip install crewai

其他依赖

pip install langchain
pip install openai

如果安装慢，可以使用国内镜像安装

pip install crewai -i https://mirrors.aliyun.com/pypi/simple/
pip install langchain -i https://mirrors.aliyun.com/pypi/simple/
pip install openai -i https://mirrors.aliyun.com/pypi/simple/
如果希望使用 crewAI 内置的一些高级工具（如网络搜索），可以安装额外的依赖项：

正常安装

pip install ‘crewai[tools]’

如果安装慢，可以使用国内镜像安装

pip install ‘crewai[tools]’ -i https://mirrors.aliyun.com/pypi/simple/
国内我们可以采用 DeepSeek 大模型来测试，如果还没有需要先去 https://platform.deepseek.com/api_keys 创建一个 API key。

DeepSeek 的 API 文档参考：https://api-docs.deepseek.com/zh-cn/。

安装完成后，创建一个新的 Python 文件，例如 my_first_crew.py，并导入必要的库。

CrewAI 的 LLM 对第三方模型（包括 DeepSeek）底层必须通过 LiteLLM，使用前我们需要先安装：

pip install -U litellm

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

=====================================================

LLM 配置（DeepSeek｜LiteLLM 规范写法）

=====================================================

llm = LLM(
model=“deepseek/deepseek-v4-flash”, # 关键： 必须包含服务商 deepseek，然后再写模型名 deepseek-v4-flash 或 deepseek-v4-pro
api_key=“sk-xxxxx”, # 设置 API key
api_base=“https://api.deepseek.com/v1”,
temperature=0.7,
)

=====================================================

Agents

=====================================================

researcher = Agent(
role=“技术研究员”,
goal=“寻找最新、准确、可验证的技术资料，并给出代码证明。”,
backstory=“擅长系统性分析技术问题，注重事实和可复现性。”,
llm=llm,
verbose=True,
allow_delegation=False,
)

writer = Agent(
role=“技术博客作家”,
goal=“将研究成果整理成适合初学者阅读的技术文章。”,
backstory=“擅长将复杂概念拆解为清晰步骤，并提供完整示例。”,
llm=llm,
verbose=True,
allow_delegation=True,
)

=====================================================

Tasks

=====================================================

research_task = Task(
description=(
“深入研究：使用 Python 进行自动化数据清洗。\n”
“重点包括：pandas、numpy、缺失值、重复值、格式不一致问题。\n”
“必须提供完整、可运行的代码示例。”
),
agent=researcher,
expected_output=(
“一份研究报告，包含问题分类、解决方案代码和完整清洗流程。”
),
)

write_task = Task(
description=(
“基于研究报告，撰写入门级技术博客。\n”
“标题：《Python 数据清洗入门：用 pandas 告别脏数据》。”
),
agent=writer,
context=[research_task],
expected_output=“不少于 800 字的 Markdown 技术博客。”,
)

=====================================================

Crew

=====================================================

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

=====================================================

Run

=====================================================

if name == “main”:
result = crew.kickoff()

output = result.raw

with open("python_data_cleaning_blog.md", "w", encoding="utf-8") as f:
    f.write(output)

完成后就会把输出的内容写入到 python_data_cleaning_blog.md 文件中。
以下是代码中相关属性的说明。



结论
顺序流水线中，写作 Agent 应关闭 delegation，否则容易二次委托失败。

Task（任务）关键属性
Task 通用字段:

第二步：创建任务 (Task)
Task 是具体的工作项，需要分配给 Agent 去完成。关键属性包括：