CrewAI 版本（v0.80+）及主流 LLM 调用实践

CrewAI最新版（v0.80+）及主流LLM调用实践第一部分：核心认知（纠正“单Agent”思维）很多人把CrewAI当高级LangChain用，这是最大的误区。Agent（员工）：拥有特定的

role、goal

和

backstory（背景故事）。背景故事越具体，角色扮演越稳定。Task（任务）：不仅仅是Prompt，必须指定

expected_output（预期输出格式），这直接影响Agent的推理方向。Tool（工具）：Agent的手脚（搜索、计算、代码执行）。Crew（团队）：管理执行流程（顺序

sequential、层级

hierarchical、或自定义协商）。第二部分：环境安装与LLM配置（关键一步）CrewAI对LLM的

temperature

极其敏感，且默认使用OpenAI。如果你用国产模型或本地模型，务必显式配置。pipinstallcrewaicrewai-tools#如果需要本地Ollama或Azure，无需额外装包，通过环境变量控制配置LLM（以Qwen/DeepSeek或本地Ollama为例）：importosfromcrewaiimportAgent,Task,Crewfromlangchain_openaiimportChatOpenAI#注意：CrewAI底层依赖LangChain，统一通过ChatOpenAI类传入BaseURLllm=ChatOpenAI(base_url="http://localhost:11434/v1",#Ollama地址，或中转代理地址model="qwen2.5:14b",#模型名api_key="sk-xxx",#本地可以不填或填任意temperature=0.3,#多智能体建议0.2~0.4，太高会发散)第三部分：实操演练——构建一个“市场调研与文案撰写”双人组这是一个经典的串行工作流：研究员先找资料，文案策划再根据资料写稿。1.定义工具（赋予上网能力）fromcrewai_toolsimportSerperDevTool,WebsiteSearchTool#SerperDevTool需要GoogleSearchAPI（付费，但稳定）search_tool=SerperDevTool()#或者使用免费但略慢的DuckDuckGo（需安装duckduckgo-search）#fromcrewai_toolsimportDuckDuckGoSearchTool#search_tool=DuckDuckGoSearchTool()2.定义Agents（重点关注

backstory

的细节）#研究员——极端严谨researcher=Agent(role="资深行业研究员",goal="挖掘关于{topic}的最新数据、竞品动态和用户痛点，并提炼出3个核心洞察",backstory="""你曾在麦肯锡担任数据研究员，擅长从繁杂的新闻和财报中抽丝剥茧。你极度讨厌虚假数据，如果找不到具体数字，你会明确告知"暂无可靠数据"，绝不编造。""",tools=[search_tool],llm=llm,verbose=True,#开启后能看到它的思考链，极其利于调试allow_delegation=False#仅有2个Agent时不建议开启，容易死循环)#文案策划——创意转化writer=Agent(role="首席营销文案官",goal="将枯燥的研究数据转化为能激发用户购买欲的TikTok/小红书风格文案",backstory="""你是前顶级4A广告公司创意总监，擅长情绪价值挖掘。你能把"电池续航长"写成"告别电量焦虑，出门只带一根口红充电宝"。""",llm=llm,verbose=True,allow_delegation=False)3.定义Tasks（expected_output

必须带有格式约束）task_research=Task(description="针对{topic}进行深度调查。重点分析2025年的市场趋势。",expected_output="""一份Markdown格式的bulletpoint报告，必须包含：1.市场规模与增长率（引用来源）2.Top3竞争对手的致命弱点3.目标用户最关心的3个痛点""",agent=researcher,#指定执行人，也可在Crew中动态分配)task_write=Task(description="根据研究员提供的要点，创作5条短视频口播脚本，每条不超过60字。",expected_output="5条直接的脚本文本，每条标注适用场景（通勤/睡前/早晨）",agent=writer,context=[task_research]#关键！告知文案必须等待研究员完成才能开始)4.组建Crew并执行（串行流程）crew=Crew(agents=[researcher,writer],tasks=[task_research,task_write],process=Process.sequential,#按Task列表顺序执行verbose=2,#打印详细日志级别（1=简洁，2=LLM全输出）)#启动Kickoffinputs={"topic":"便携式储能电源（户外电源）"}result=crew.kickoff(inputs=inputs)print("\n=======最终交付成果=======")print(result)第四部分：进阶玩法——层级流程（Hierarchical）与协同如果觉得顺序执行太死板，使用

HierarchicalProcess（需要指定

manager_llm）：fromcrewaiimportProcessmanager_llm=ChatOpenAI(model="gpt-4-turbo",temperature=0.2)crew_hierarchical=Crew(agents=[researcher,writer],tasks=[task_research,task_write],process=Process.hierarchical,manager_llm=manager_llm,#必须指定，经理负责拆解任务和仲裁manager_agent=Agent(role="项目经理",goal="协调团队按时交付高质量成果"))实用经验：Hierarchical适合复杂项目（如写标书、做SWOT分析），但Token消耗会翻倍（经理要审查每一步）。第五部分：避坑指南与调优心得（纯血泪教训）中文输出乱码或英文夹杂原因：backstory

和

expected_output

中必须用中文写“请严格使用简体中文回答”。解法：在

Agent

的

llm

参数里加

temperature=0.1，并在

task

描述末尾加上

IMPORTANT:OutputinChinese.Agent陷入死循环（反复调用工具）解法：设置

max_iter=5（Agent最多思考次数），max_execution_time=60（超时终止）。Agent(...,max_iter=3,max_execution_time=120)context=[task]

的陷阱误区：以为

context

会自动合并所有输出。真相：CrewAI只把

context

里Task的

最终字符串输出

塞进下一个Prompt。如果研究员输出2000字，文案的上下文窗口可能会爆。建议：在研究员Task的

expected_output

中强制限制“不超过500字”。工具调用失败（ToolUsageError）绝大多数是因为LLM生成的工具参数（如搜索词）包含特殊符号。最佳实践：在

backstory

里写"调用工具时，搜索关键词必须用英文或拼音，不要带问号"。如何保存中间结果？

使用

Crew

的

callback

或直接利用

task.output

属性：crew.kickoff()#执行完后单独保存fortaskincrew.tasks:print(f"Task{task.description[:20]}...Output:{task.output}")第六部分：CrewAIvsAutoGenvsLangGraph选型建议框架适用场景对QLoRA微调后的模型友好度CrewAI标准化流水线（日报生成、客服质检、报告编写）⭐⭐⭐⭐⭐

最友好，只需替换

ChatOpenAI

接口，对FunctionCalling依赖弱。AutoGen多轮深度对话、代码执行、人类介入（Human-in-loop）⭐⭐极度依赖GPT-4级别的工具调用能力，开源模型易翻车。LangGraph复杂状态机、循环流、需要精细控制分支逻辑⭐⭐⭐灵活性最高，但代码量最大，适合做RAG路由。总结实操口诀：背景故事写人