👥 CrewAI
1. 概述
CrewAI 是一个以角色驱动为核心设计理念的多Agent协作框架。 它让你像组建一个真实团队一样定义Agent：每个Agent有明确的角色（Role）、目标（Goal）、背景故事（Backstory）， 然后按照设定的流程（Process）协作完成任务。
💡 CrewAI 设计哲学
"组建你的AI梦之队" —— 为每个Agent赋予鲜明的角色特征和使命，让Agent像人类团队成员一样各司其职、高效协作。
2. 核心概念
2.1 Agent（角色驱动）
CrewAI的Agent定义非常直观，围绕角色展开：
🎭 Agent定义要素
| 属性 | 说明 | 示例 |
|---|---|---|
| role | Agent的专业角色 | "Senior Data Analyst" |
| goal | Agent的核心目标 | "Extract actionable insights from data" |
| backstory | 角色背景故事（增强行为一致性） | "You've worked at a top consulting firm..." |
| tools | Agent可用的工具列表 | [search_tool, calculator_tool] |
| allow_delegation | 是否允许委派任务给其他Agent | True / False |
| verbose | 是否输出详细执行日志 | True / False |
2.2 Task（任务）
Task定义了需要完成的具体工作。每个Task可以指定：
- description：任务的详细描述
- expected_output：期望的输出格式和内容
- agent：负责执行的Agent
- context：依赖的前置任务（自动建立执行顺序）
- async_execution：是否异步并行执行
2.3 Crew（团队）
Crew 是 Agent 和 Task 的容器，定义了协作流程：
🔄 Crew 协作流程类型
| 流程类型 | 说明 | 适用场景 |
|---|---|---|
| Sequential（顺序） | 按Task定义的先后顺序依次执行 | 线性流水线任务，如：研究→分析→撰写报告 |
| Hierarchical（层级） | 由一个Manager Agent分配和监督任务 | 复杂项目，需要统一协调和动态分配 |
| 自定义流程 | 通过 @listen 装饰器实现自定义执行流 | 特殊的协作模式，超出内置流程能力 |
3. 工具集成
CrewAI内置了丰富的工具生态系统，也支持LangChain工具和自定义工具：
🔧 内置工具
SerperDevTool（搜索）、ScrapeWebsiteTool（网页抓取）、FileReadTool、DirectoryReadTool、CodeDocsSearchTool 等
🔗 LangChain工具
直接使用LangChain生态中的任何Tool，无缝集成
🛠️ 自定义工具
继承 BaseTool，实现 _run() 方法即可创建自己的工具
4. CrewAI vs AutoGen 对比
| 维度 | CrewAI | AutoGen |
|---|---|---|
| 设计理念 | 角色驱动，团队分工 | 对话驱动，自由交流 |
| 流程控制 | 预定义顺序/层级 | 动态路由，自由选择speaker |
| 学习曲线 | 低，概念直觉 | 中，需理解对话机制 |
| 代码执行 | 依赖外部工具 | 内置代码执行沙箱 |
| 确定性 | 高（预定义流程） | 低（动态决策） |
| 灵活性 | 中（流程固定） | 高（对话式动态适应） |
| 生态规模 | 快速增长中 | 微软背靠，企业级支持 |
| 典型场景 | 内容创作、研究分析 | 代码生成、自动化开发 |
🎯 选型建议
- 需要可控、可预测的流程，选 CrewAI
- 需要灵活的多Agent协商和动态适应，选 AutoGen
- 两者可以互补：CrewAI 管理整体流程，AutoGen 处理需要灵活协商的子任务
5. 适用场景
✅ 适合
- 内容创作流水线（研究→撰写→审核→发布）
- 市场调研与竞争分析
- 需要明确角色分工的团队协作
- 快速原型验证多Agent方案
- 对确定性要求较高的任务流程
❌ 不适合
- 需要动态协商的开放式任务（用AutoGen）
- 需要代码自主执行与调试的场景（用AutoGen）
- 超大规模Agent集群（层级Manager有瓶颈）
- 对实时性要求极高的系统