CrewAI 完整教程：从入门到实战

AI人工智能 10 小时前 0 3

CrewAI 完整教程：从入门到实战

CrewAI 是一个流行的开源 AI Agent 框架，它让你能够轻松创建多个具有不同角色的智能体，让它们协同工作来完成复杂任务。本文将带你从零开始学习 CrewAI。

一、CrewAI 简介

CrewAI 的核心理念是角色化智能体协作。就像真实的工作团队一样，每个智能体都有：

角色：研究员、作家、评论家等
目标：每个智能体的具体任务
背景：智能体的专业知识和技能
工具：完成任务所需的能力

多个智能体可以组成一个"团队"，按照预定义的流程协同工作。

二、安装与配置

2.1 环境准备

# 创建虚拟环境
python -m venv crewai_env
source crewai_env/bin/activate  # Linux/Mac
# 或
crewai_env\Scripts\activate  # Windows

# 升级 pip
pip install --upgrade pip

2.2 安装 CrewAI

# 安装 CrewAI 核心库
pip install crewai

# 如果需要使用 OpenAI，安装 OpenAI SDK
pip install openai

# 如果需要使用工具库
pip install crewai-tools

# 验证安装
python -c "import crewai; print(crewai.__version__)"

2.3 配置 API Key

CrewAI 支持 LLM 提供商。以 OpenAI 为例：

# 设置环境变量
export OPENAI_API_KEY="your-api-key-here"

# Windows PowerShell
set OPENAI_API_KEY=your-api-key-here

或者在代码中设置：

import os
os.environ["OPENAI_API_KEY"] = "your-api-key-here"

三、快速开始：第一个 CrewAI 项目

3.1 创建简单任务

from crewai import Agent, Task, Crew, Process

# 定义智能体
researcher = Agent(
    role="资深研究员",
    goal="发现新兴技术趋势",
    backstory="""你是一名资深的科技研究员，专注于
    分析最新技术趋势和创新。你有深厚的行业知识
    和敏锐的洞察力。""",
    verbose=True,
    allow_delegation=False
)

# 定义任务
research_task = Task(
    description="研究 2024 年 AI Agent 技术的发展趋势",
    expected_output="一份包含 3-5 个主要趋势的报告",
    agent=researcher
)

# 创建团队
crew = Crew(
    agents=[researcher],
    tasks=[research_task],
    verbose=2
)

# 执行任务
result = crew.kickoff()
print(result)

3.2 多智能体协作

from crewai import Agent, Task, Crew, Process

# 定义多个智能体
researcher = Agent(
    role="研究员",
    goal="收集和整理信息",
    backstory="你是一名专业的研究员，擅长信息收集和分析。",
    verbose=True
)

writer = Agent(
    role="技术作家",
    goal="将研究结果写成易懂的文章",
    backstory="你是一名优秀的技术作家，擅长将复杂概念
    用简单的语言表达清楚。",
    verbose=True
)

# 定义任务
research_task = Task(
    description="研究 Python 在 AI 开发中的最新应用",
    agent=researcher,
    expected_output="详细的研究笔记"
)

writing_task = Task(
    description="根据研究笔记写一篇技术博客文章",
    agent=writer,
    expected_output="完整的博客文章",
    context=[research_task]  # 依赖上一个任务
)

# 创建团队
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    process=Process.sequential,  # 顺序执行
    verbose=2
)

# 执行
result = crew.kickoff()
print(result)

四、高级功能

4.1 使用工具

CrewAI 提供了丰富的工具，让智能体能够执行实际操作：

from crewai import Agent
from crewai_tools import (
    SerperDevTool,
    ScrapeWebsiteTool,
    FileReadTool,
    DirectoryReadTool
)

# 创建工具实例
search_tool = SerperDevTool()
scrape_tool = ScrapeWebsiteTool()
file_tool = FileReadTool()

# 智能体使用工具
web_researcher = Agent(
    role="网络研究员",
    goal="从网络收集最新信息",
    backstory="你擅长使用搜索和网络爬虫工具获取信息。",
    tools=[search_tool, scrape_tool],
    verbose=True
)

task = Task(
    description="搜索并阅读关于 CrewAI 的最新文章",
    agent=web_researcher,
    expected_output="总结文章内容"
)

4.2 分层流程

CrewAI 支持两种主要流程：

from crewai import Process

# 顺序流程（默认）
# 每个任务完成后，下一个任务才能开始
crew = Crew(
    agents=[agent1, agent2],
    tasks=[task1, task2],
    process=Process.sequential
)

# 并行流程
# 所有任务同时开始，智能体独立工作
crew = Crew(
    agents=[agent1, agent2, agent3],
    tasks=[task1, task2, task3],
    process=Process.hierarchical
)

4.3 使用本地 LLM

from langchain_community.llms import Ollama
from crewai import Agent

# 使用本地 Ollama
llm = Ollama(model="llama2")

researcher = Agent(
    role="研究员",
    goal="研究技术趋势",
    backstory="你是一名技术研究员。",
    llm=llm,  # 使用本地 LLM
    verbose=True
)

五、实战案例：新闻摘要团队

5.1 完整代码

from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool, ScrapeWebsiteTool

# 初始化工具
search_tool = SerperDevTool()
scrape_tool = ScrapeWebsiteTool()

# 定义智能体
news_finder = Agent(
    role="新闻搜索员",
    goal="找到最新的科技新闻",
    backstory="你是一名新闻搜索专家，擅长找到
    最新的科技新闻和重要事件。",
    tools=[search_tool],
    verbose=True
)

news_summarizer = Agent(
    role="新闻编辑",
    goal="总结新闻内容",
    backstory="你是一名经验丰富的新闻编辑，
    擅长快速提取新闻要点。",
    verbose=True
)

blog_writer = Agent(
    role="博客作家",
    goal="写一篇吸引人的博客文章",
    backstory="你是一名优秀的博客作家，
    擅长用引人入胜的方式讲述技术新闻。",
    verbose=True
)

# 定义任务
find_news = Task(
    description="搜索今天的前 3 条 AI 相关科技新闻",
    agent=news_finder,
    expected_output="3 条新闻的标题和链接"
)

summarize_news = Task(
    description="阅读并总结每条新闻的内容",
    agent=news_summarizer,
    expected_output="每条新闻的简短总结",
    context=[find_news]
)

write_blog = Task(
    description="根据新闻总结写一篇博客文章",
    agent=blog_writer,
    expected_output="完整的博客文章",
    context=[summarize_news]
)

# 创建团队
crew = Crew(
    agents=[news_finder, news_summarizer, blog_writer],
    tasks=[find_news, summarize_news, write_blog],
    process=Process.sequential,
    verbose=2
)

# 执行
print("=== 开始生成新闻博客 ===")
result = crew.kickoff()
print("\n=== 生成结果 ===")
print(result)

六、最佳实践

6.1 智能体设计

# 好的智能体设计
good_agent = Agent(
    role="数据分析专家",  # 明确的角色
    goal="分析数据并提供洞察",  # 具体的目标
    backstory="""你有 10 年的数据分析经验，
    擅长使用 Python 进行数据处理和可视化。""",  # 详细的背景
    tools=[pandas_tool, matplotlib_tool],  # 合适的工具
    verbose=True,
    allow_delegation=False  # 根据需求设置
)

# 避免的设计
bad_agent = Agent(
    role="专家",  # 太模糊
    goal="做事",  # 不具体
    backstory="你很厉害",  # 无用信息
    verbose=True
)

6.2 任务设计

# 好的任务设计
good_task = Task(
    description="分析 sales.csv 文件，找出销售额最高的 5 个产品，
    并计算它们占总销售额的百分比。",
    expected_output="表格：产品名、销售额、百分比",
    agent=data_analyst
)

# 避免的任务设计
bad_task = Task(
    description="分析数据",
    expected_output="结果",
    agent=data_analyst
)

6.3 性能优化

# 1. 使用缓存
from crewai import Crew
from langchain.cache import InMemoryCache
import langchain

langchain.llm_cache = InMemoryCache()

# 2. 并行执行
crew = Crew(
    agents=[agent1, agent2],
    tasks=[task1, task2],
    process=Process.hierarchical  # 并行执行
)

# 3. 限制最大执行时间
crew = Crew(
    agents=[agent1],
    tasks=[task1],
    max_execution_time=300  # 5 分钟
)

七、常见问题

7.1 API 调用失败

# 检查 API key 是否正确
import os
print(os.environ.get("OPENAI_API_KEY"))

# 使用重试机制
from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
def create_agent():
    return Agent(...)

7.2 内存占用过高

# 限制 LLM 上下文长度
# 使用较小的模型
# 定期清理缓存

7.3 输出质量不稳定

# 1. 改进 prompt
researcher = Agent(
    role="研究员",
    goal="发现新兴技术趋势",
    backstory="""你是一名资深的科技研究员。
    你需要：
    1. 收集至少 3 个可靠来源的信息
    2. 验证信息的准确性
    3. 提供具体的数据和案例
    4. 给出清晰的分析结论"""
)

# 2. 使用温度参数控制随机性
llm = ChatOpenAI(temperature=0.3)  # 更稳定的输出

八、进阶资源

8.1 官方资源

GitHub: https://github.com/joaomdmoura/crewAI
文档: https://docs.crewai.com
示例: https://github.com/joaomdmoura/crewAI-examples

8.2 推荐学习路径

完成本文的示例代码
阅读官方文档的高级章节
查看官方示例项目
尝试构建自己的应用
参与社区讨论

九、总结

CrewAI 是一个强大且易用的 AI Agent 框架。通过本文，你学习了：

CrewAI 的核心概念：智能体、任务、团队
如何创建和管理智能体
如何设计任务和工作流程
如何使用工具增强智能体能力
实战案例和最佳实践

下一步，尝试用 CrewAI 构建你自己的 AI Agent 应用吧！

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。

CrewAI 完整教程：从入门到实战

一、CrewAI 简介

二、安装与配置

2.1 环境准备

2.2 安装 CrewAI

2.3 配置 API Key

三、快速开始：第一个 CrewAI 项目

3.1 创建简单任务

3.2 多智能体协作

四、高级功能

4.1 使用工具

4.2 分层流程

4.3 使用本地 LLM

五、实战案例：新闻摘要团队

5.1 完整代码

六、最佳实践

6.1 智能体设计

6.2 任务设计

6.3 性能优化

七、常见问题

7.1 API 调用失败

7.2 内存占用过高

7.3 输出质量不稳定

八、进阶资源

8.1 官方资源

8.2 推荐学习路径

九、总结

相关文章

发表回复 取消回复

发表回复取消回复