CrewAI
1. CrewAI 是什么？
CrewAI 是一个 Python 的 AI Agent / Multi-Agent 编排框架，核心思想是：
不让一个 AI Agent 什么都干，而是让多个具有不同角色的 Agent 像一个团队一样协作完成任务。
官方目前把 CrewAI 分成两个核心概念：
- Crew：多个 Agent 组成的“团队”
- Flow：控制整个业务流程的“工作流”
CrewAI 本身是独立实现的，并不依赖 LangChain.
可以把它理解成：
用户需求
│
▼
┌──────────────┐
│ Crew / Flow │
└──────┬───────┘
│
┌────────────┼────────────┐
▼ ▼ ▼
Researcher Developer Reviewer
Agent Agent Agent
│ │ │
└────────────┼────────────┘
▼
最终结果
比如你让 AI：
“帮我研究 Java 微服务架构，并生成一份技术方案。”
可以拆成：
Researcher Agent
↓
搜索微服务最新技术
Architect Agent
↓
设计整体架构
Java Expert Agent
↓
分析 Spring Boot / Spring Cloud
Reviewer Agent
↓
检查方案
Writer Agent
↓
生成最终技术方案
这就是 CrewAI 最典型的应用场景。
2. CrewAI 的核心概念
你学习 CrewAI，首先掌握下面 6 个东西：
Agent
↓
Task
↓
Crew
↓
Process
↓
Tool
↓
Flow
其中最重要的是：
Agent + Task + Crew
3. Agent 是什么？
Agent 就是一个“AI 员工”。
例如：
Researcher
可以定义成：
Role:
Senior Technology Researcher
Goal:
Research the latest Java technologies
Backstory:
You are an experienced Java architect
with 15 years of experience.
代码大致是：
from crewai import Agent
researcher = Agent(
role="Senior Technology Researcher",
goal="Research the latest Java technologies",
backstory="""
You are a senior Java architect with 15 years
of experience in enterprise software architecture.
""",
verbose=True
)
Agent 本质上就是：
LLM
+
System Prompt
+
Role
+
Goal
+
Tools
+
Memory
+
Reasoning
所以你可以把它理解成：
Agent = 一个有角色、有目标、有工具的 LLM。
官方现在的 Agent 还支持 tools、memory、knowledge、structured output 等能力。([CrewAI Documentation][1])
4. Task 是什么？
Task 就是给 Agent 的任务。
例如：
from crewai import Task
research_task = Task(
description="""
Research the latest developments in Java 21
and Spring Boot 3.
""",
expected_output="""
A technical report describing the major
changes and important features.
""",
agent=researcher
)
可以理解为：
Agent = 谁来做
Task = 做什么
expected_output = 最终需要什么结果
5. Crew 是什么？
Crew 就是把多个 Agent 和 Task 组织起来。
例如：
from crewai import Crew, Process
crew = Crew(
agents=[
researcher,
writer
],
tasks=[
research_task,
writing_task
],
process=Process.sequential,
verbose=True
)
然后：
result = crew.kickoff()
整个流程：
Crew
│
├── Researcher
│ │
│ └── Research Java 21
│
└── Writer
│
└── Write technical report
6. Process 是什么？
Process 控制 Agent 怎么协作。
最简单的是：
Process.sequential
也就是：
Task 1
↓
Task 2
↓
Task 3
↓
Task 4
例如：
Research
↓
Analysis
↓
Writing
↓
Review
另外还有更复杂的协作方式，例如 hierarchical。
可以理解成：
Manager Agent
│
┌─────────┼─────────┐
↓ ↓ ↓
Researcher Developer Reviewer
官方文档也提供 sequential、hierarchical 等任务组织方式。([CrewAI Documentation][1])
7. Tool 是什么？
这是非常重要的一个概念。
Agent 本身只能调用 LLM。
如果希望 Agent：
搜索互联网
读取文件
查询数据库
调用 REST API
操作 GitHub
执行代码
查询 Elasticsearch
就需要给 Agent 配 Tool。
例如：
researcher = Agent(
role="Researcher",
goal="Research Java technologies",
backstory="Experienced Java architect",
tools=[
search_tool
]
)
于是：
Agent
│
├── LLM
│
└── Tools
├── Web Search
├── Database
├── API
└── File System
这就是 Agent 与普通 ChatGPT 对话最大的区别之一。
8. CrewAI 最简单的完整例子
让两个 AI Agent 协作研究 Java 21。
Agent 1：Researcher
from crewai import Agent
researcher = Agent(
role="Java Researcher",
goal="Research Java 21 features",
backstory="""
You are an experienced Java developer
and technology researcher.
""",
verbose=True
)
Agent 2：Writer
writer = Agent(
role="Technical Writer",
goal="Write a clear Java 21 technical report",
backstory="""
You are an experienced technical writer
specializing in Java technologies.
""",
verbose=True
)
Task 1
from crewai import Task
research_task = Task(
description="""
Research the major features introduced
in Java 21.
""",
expected_output="""
A detailed list of Java 21 features
with explanations and examples.
""",
agent=researcher
)
Task 2
writing_task = Task(
description="""
Based on the research results, write
a concise technical report about Java 21.
""",
expected_output="""
A structured technical report.
""",
agent=writer
)
创建 Crew
from crewai import Crew, Process
crew = Crew(
agents=[
researcher,
writer
],
tasks=[
research_task,
writing_task
],
process=Process.sequential,
verbose=True
)
执行
result = crew.kickoff()
print(result)
执行过程大概是：
User
│
│ "Research Java 21"
▼
Crew
│
▼
Researcher Agent
│
│ Research
▼
Research Result
│
▼
Writer Agent
│
│ Write report
▼
Final Result
9. CrewAI 怎么安装？
目前官方推荐使用 uv 管理环境，要求 Python 版本为 3.10 到 3.13。官方安装方式包括：
uv pip install crewai
如果需要额外工具：
uv pip install 'crewai[tools]'
([GitHub][2])
如果你习惯传统 Python：
pip install crewai
也可以，但如果你准备系统学习 CrewAI，我更建议：
uv
+
Python 3.12
+
CrewAI
10. 创建 CrewAI 项目
官方现在提供 CLI。
例如：
crewai create flow my_ai_project
然后：
cd my_ai_project
项目结构大致类似：
my_ai_project/
│
├── pyproject.toml
├── .env
│
└── src/
└── my_ai_project/
│
├── main.py
│
└── crews/
│
└── content_crew/
│
├── content_crew.py
│
└── config/
├── agents.yaml
└── tasks.yaml
官方 Quickstart 目前也是推荐通过 Flow 项目开始学习。([CreWai 文档][3])
11. YAML 定义 Agent
CrewAI 一个很方便的地方是：
Agent 可以用 YAML 配置。
例如：
researcher:
role: >
Senior Java Researcher
goal: >
Research the latest Java technologies
backstory: >
You are a senior Java architect
with extensive enterprise experience.
Task：
research_task:
description: >
Research Java 21 features.
expected_output: >
A detailed technical report.
然后 Python：
@agent
def researcher(self):
return Agent(
config=self.agents_config["researcher"]
)
这样：
业务配置
↓
YAML
执行逻辑
↓
Python
对于大型项目非常有用。
12. Crew 和 Flow 是 CrewAI 现在最重要的区别
这个概念你一定要理解。
CrewAI 早期很多教程主要讲：
Agent
↓
Task
↓
Crew
现在官方更加重视：
Flow
↓
Crew
↓
Agents
官方建议：
Flow 负责整个应用的流程控制，Crew 负责复杂的 Agent 协作。
([CrewAI Documentation][1])
可以类比成：
Flow
│
┌──────────┼──────────┐
↓ ↓ ↓
Step 1 Crew Step 3
│
┌───────┼───────┐
↓ ↓ ↓
Agent Agent Agent
13. Flow 是什么？
例如：
from crewai.flow.flow import Flow, start, listen
class ResearchFlow(Flow):
@start()
def start_research(self):
print("Start research")
@listen(start_research)
def analyze(self):
print("Analyze research")
@listen(analyze)
def generate_report(self):
print("Generate report")
执行：
ResearchFlow().kickoff()
流程：
start_research()
↓
analyze()
↓
generate_report()
Flow 可以做：
条件判断
↓
循环
↓
状态管理
↓
事件触发
↓
调用 Crew
↓
继续业务流程
官方文档把 Flow 定位为结构化、事件驱动的工作流，并支持状态、条件、循环等控制能力。([CreWai 文档][4])
14. Crew 和 Flow 怎么选择？
非常简单：
Crew
适合：
“让几个 AI 自己合作完成任务”
例如：
研究一个技术
写文章
做市场分析
分析代码
生成报告
Flow
适合：
“我明确规定业务流程怎么走”
例如：
接收订单
↓
检查库存
↓
调用 AI
↓
人工审核？
↓
YES → 人工审核
NO → 自动执行
↓
保存数据库
两者结合
真正生产系统更可能是：
Flow
│
┌───────┴───────┐
↓ ↓
Business Crew
Logic │
│
┌─────────┼─────────┐
↓ ↓ ↓
Researcher Analyst Reviewer
这也是目前 CrewAI 官方推荐的方向。([CrewAI Documentation][1])
15. CrewAI 和 LangGraph 有什么区别？
可以先这样理解：
| CrewAI | LangGraph | |
|---|---|---|
| 核心 | Multi-Agent | Agent Workflow |
| 语言 | Python | Python / JS |
| Agent 协作 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 工作流控制 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 上手难度 | 较低 | 较高 |
| 自主 Agent | 很强 | 很强 |
| 状态机 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 企业复杂流程 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 多 Agent | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 学习曲线 | 较平 | 较陡 |
最简单的理解：
CrewAI
“AI 团队怎么合作？”
而：
LangGraph
“AI Agent 的状态和执行流程怎么精确控制？”
当然现在两者的能力有不少重叠。
另外一个重要区别是：CrewAI 是独立框架，不建立在 LangChain 之上.
16.CrewAI
Agent
Task
Crew
AI Application
│
┌──────────┴──────────┐
│ │
Agent Workflow
│ │
CrewAI Flow
│ │
┌──────┼──────┐ ┌──────┼──────┐
│ │ │ │ │ │
LLM Tool Memory State Router Event
│ │
│ ├── Web
│ ├── DB
│ ├── API
│ └── RAG
│
└── OpenAI / Claude / Gemini / Ollama
然后把它和你熟悉的后端架构结合起来。
