CrewAI多Agent协作实战：核心概念、模型对比与API部署

什么是CrewAI？

CrewAI是一个用于构建多Agent系统的开源框架，能够让多个具有不同角色和目标的Agent协同工作，完成复杂任务。它将任务分解并分配给不同的Agent，每个Agent借助自身的技能和工具各司其职，最终汇总输出整体结果。

你可以把CrewAI理解为一个虚拟团队管理系统——定义好团队成员（Agent）、分配好工作（Task），系统就会自动协调执行。这种多Agent协作模式在处理复杂业务场景时具有天然优势，尤其适合需要多步骤推理和信息整合的任务。

CrewAI的四大核心概念

Agent：自主可控的智能单元

Agent是CrewAI中的基本执行单元，可以类比为团队中的一名成员。每个Agent拥有三个关键属性：

角色（Role）：Agent在团队中的功能定位
目标（Goal）：Agent需要实现的具体目标
背景信息（Backstory）：为Agent提供上下文的描述内容

Task：具体的任务单元

Task是分配给Agent的具体工作，包含执行所需的所有细节。核心属性包括任务描述、分配的Agent、期望输出、工具列表等。说个细节，Task支持上下文传递——一个任务的输出可以作为下一个任务的输入，这为构建复杂工作流奠定了基础。

Process：任务协调机制

Process负责协调Agent执行任务的方式，类似于项目经理的角色。目前支持两种模式：

顺序流程（Sequential）：按照任务列表中预定的顺序依次执行，前一个任务的输出作为后一个任务的上下文
分层流程（Hierarchical）：指定一个管理者Agent负责监督任务执行，根据各Agent的能力动态分配任务

Crew与Pipeline：组织与编排

Crew代表一组协作完成任务的Agent集合，定义了任务的执行策略和整体工作流程。Pipeline则是更高层次的编排工具，允许多个Crew顺序或并行执行，适用于构建更复杂的多阶段业务流程。

环境准备与大模型配置

开发环境搭建

本项目需要Anaconda（提供Python虚拟环境管理）和PyCharm（集成开发环境）。Python版本建议使用3.11。

三种大模型接入方案

项目实现了三种大模型的灵活切换，可根据实际需求选择合适的方案：

方案一：GPT大模型——通过代理方式接入OpenAI的GPT-4o-mini等模型，适合追求效果优先的场景。

方案二：非GPT大模型（通过OneAPI）——OneAPI是一个OpenAI接口的管理分发系统，支持国产主流模型。通过创建渠道和令牌，可以将通义千问、讯飞星火等模型统一封装为OpenAI兼容接口，降低多模型管理成本。

OneAPI接口管理系统

方案三：本地开源大模型（通过Ollama）——Ollama是一个轻量级跨平台工具，专门用于本地大模型的部署和运行，无需依赖外部API。支持Llama 3.1、Qwen2等多种开源模型，适合对数据隐私有要求的场景。

实战：搭建多Agent协作应用

项目结构与初始化

首先创建PyCharm项目并配置虚拟环境：

项目创建

项目核心文件结构如下：

config/agents.yaml：Agent配置文件，定义角色、目标和背景
config/tasks.yaml：Task配置文件，定义任务描述和期望输出
crew.py：Crew编排逻辑，组合Agent和Task
main.py：服务入口，集成FastAPI对外提供API
api_test.py：接口测试脚本

安装依赖只需一行命令：

pip install crewai crewai-tools fastapi uvicorn

定义Agent与Task

本案例定义了两个Agent来完成一个主题研究报告的生成任务：

研究员Agent：负责对指定主题进行前沿信息检索，输出包含10个要点的清单。

报告分析员Agent：根据研究员提供的要点清单，将每个主题扩展为完整的报告章节。

在agents.yaml中配置Agent的角色、目标和背景故事；在tasks.yaml中配置任务描述、期望输出和分配的Agent。Crew编排代码通过装饰器将配置文件与Python类关联起来：

@agent
def research(self) -> Agent:
    return Agent(config=self.agents_config['research'], verbose=True)

@task
def research_task(self) -> Task:
    return Task(config=self.tasks_config['research_task'])

集成FastAPI对外提供服务

核心思路是将CrewAI的执行逻辑封装在FastAPI的POST接口中，让外部系统可以通过HTTP请求触发多Agent协作流程：

@app.post("/api/crew")
async def run_crew(request: Request):
    data = await request.json()
    topic = data.get("topic")
    result = crew.kickoff(inputs={"topic": topic})
    return JSONResponse(content={"report": str(result)})

代码逻辑

通过main.py启动服务后，客户端只需发送一个包含topic字段的POST请求，即可触发多Agent协作流程并获取最终报告。

三种模型的实测对比

GPT-4o-mini：速度快、效果好

使用GPT-4o-mini运行时，两个Agent严格按照要求完成了各自的任务——研究员准确输出了10条前沿信息，报告分析员将其扩展为结构完整的报告。整体响应速度较快，输出质量高，是综合表现最好的选择。

Agent执行过程

通义千问MAX：效果可用但速度稍慢

通义千问MAX的整体表现也不错，但在测试中出现了一个有趣的现象——要求输出10条信息，实际输出了15条。响应速度相比GPT-4o-mini略慢，但整体可用，适合不方便使用海外API的场景。

Llama 3.1 8B（本地部署）：受限于硬件

本地部署的Llama 3.1 8B模型表现不太理想。在研究任务中只找到了3条信息（要求10条），最终报告内容也比较单薄。这主要受限于8B参数量和本地硬件资源。如果硬件条件允许，建议使用更大参数量的模型（如70B）来提升效果。

总结与选型建议

CrewAI为多Agent协作应用提供了一套清晰的抽象框架，配合FastAPI可以快速构建生产级API服务。在实际项目中，有以下几点值得关注：

模型选择至关重要：Agent的执行效果高度依赖底层大模型的能力，部署前务必针对具体业务场景做充分的模型评估
配置与代码分离：通过YAML配置文件管理Agent和Task的定义，便于后续维护和快速调整
灵活的模型切换：借助OneAPI等工具实现多模型统一接入，降低模型切换和管理成本
从简单场景入手：建议先用官方模板跑通完整流程，再逐步扩展到复杂业务场景

对于想要入门Agent开发的开发者来说，CrewAI的学习曲线相对平缓，官方文档和模板工程提供了很好的起点。掌握了Agent、Task、Process、Crew这四个核心概念后，就可以快速搭建出自己的多Agent协作应用。