CrewAI создаёт интеллектуальных агентов.

CrewAI — это фреймворк с открытым исходным кодом для многоагентного взаимодействия, специально разработанный для оркестрации и координации совместной работы нескольких AI-агентов.

CrewAI может разбить сложную задачу на несколько ролей, каждая из которых отвечает за свою часть, и выполнить её за счёт взаимодействия процессов.

Сравнительное понимание:

  • Одиночный агент: Одна большая модель, от начала до конца.
  • CrewAIПродакт-менеджер + инженер + аналитик + редактор, каждый выполняет свою работу.

CrewAI — это инструмент для координации, управления и организации ИИ-агентов, построенный на LangChain и Pydantic, чтобы способствовать созданию ролевых, автономных и совместных команд агентов.

  • Команда: Одна, состоящая из несколькихAgentСформированная команда проекта.
  • Агент (участник): : Участники команды, каждый имеет четкуюrole(роль),goal(цель) иbackstory(предыстория).
  • Задача: Конкретная работа, которую должна выполнить команда. ОднаCrewсодержит несколько упорядоченных или параллельныхTask, и назначить соответствующимAgent。
  • Process: Определяет рабочий процесс команды, например, выполняются ли задачи последовательно или параллельно.

Проще говоря, crewAI предоставляет структурированный способ определить, кто (Agent) делает что (Task) в рамках какого процесса (Process), в конечном итоге достигая целей команды.

Приведённая ниже блок-схема наглядно показывает, как основные компоненты фреймворка crewAI работают вместе:

Процесс начинается с определения агентов с конкретными ролями и целями, затем для них создаются конкретные задачи.

Затем эти агенты и их задачи объединяются в команду, и для команды выбирается процесс взаимодействия, например, последовательное или параллельное выполнение. Наконец, команда выполняет все задачи в соответствии с определённым процессом и выдаёт окончательный результат.


Настройка окружения и установка

Прежде чем начать создание, нам нужно подготовить среду разработки.

Предварительное условие

Требования к версии Python:

  • Обязательно: Python ≥ 3.10 и < 3.14
  • Можно ввести в терминалеpython --versionдля проверки. Если диапазон версий не соблюдён, позже возникнет много проблем, и не рекомендуется терпеть это.

CrewAI используетUVдля управления зависимостями и пакетами, с единственной целью:
Сделать мультиагентные проекты более стабильными и не дать проблемам с окружением вывести их из строя.

Ссылка на вводный учебник по UV:UV — инструмент управления пакетами и окружением Python。

Ключ API:

Сам crewAI не предоставляет AI-модели; ему нужно подключаться к большим языковым моделям, таким как GPT от OpenAI, Claude от Anthropic и другие.

Установите crewAI

Откройте терминал или инструмент командной строки и используйте команду pip для установки пакета crewAI.

# 正常安装
pip install crewai
# 其他依赖
pip install langchain
pip install openai


# 如果安装慢,可以使用国内镜像安装
pip install crewai -i https://mirrors.aliyun.com/pypi/simple/
pip install langchain -i https://mirrors.aliyun.com/pypi/simple/
pip install openai -i https://mirrors.aliyun.com/pypi/simple/

Если вы хотите использовать некоторые встроенные расширенные инструменты crewAI (например, веб-поиск), вы можете установить дополнительные зависимости:

# 正常安装
pip install 'crewai[tools]'

# 如果安装慢,可以使用国内镜像安装
pip install 'crewai[tools]' -i https://mirrors.aliyun.com/pypi/simple/

В Китае мы можем использовать большую модель DeepSeek для тестирования. Если у вас его ещё нет, сначала нужно перейти наhttps://platform.deepseek.com/api_keysСоздайте API-ключ.

Ссылка на документацию API DeepSeek:https://api-docs.deepseek.com/zh-cn/。

После установки создайте новый файл Python, напримерmy_first_crew.py, и импортируйте необходимые библиотеки.

Для сторонних моделей (включая DeepSeek) LLM от crewAI должен проходить через LiteLLM на нижнем уровне. Перед использованием нам нужно установить:

pip install -U litellm

Экземпляр

from crewai import Agent, Task, Crew, Process
from crewai.llm import LLM


# =====================================================
# Конфигурация LLM (стандартный формат DeepSeek | LiteLLM)
# =====================================================
llm = LLM(
    model="deepseek/deepseek-v4-flash",  # Важно: необходимо указать провайдера deepseek, затем написать имя модели deepseek-v4-flash или deepseek-v4-pro
    api_key="sk-xxxxx",   # Установите ключ API
    api_base="https://api.deepseek.com/v1",
    temperature=0.7,
)

# =====================================================
# Агенты
# =====================================================
researcher = Agent(
    role="Технический исследователь",
    goal="Найти новейшие, точные и проверяемые технические материалы и предоставить доказательства в виде кода.",
    backstory="Умеет системно анализировать технические проблемы, с акцентом на факты и воспроизводимость.",
    llm=llm,
    verbose=True,
    allow_delegation=False,
)

writer = Agent(
    role="Автор технического блога",
    goal="Организовать результаты исследований в технические статьи, подходящие для чтения новичками.",
    backstory="Умеет разбивать сложные концепции на понятные шаги и приводить полные примеры.",
    llm=llm,
    verbose=True,
    allow_delegation=True,
)

# =====================================================
# Задачи
# =====================================================
research_task = Task(
    description=(
        "Углублённое исследование: используйте Python для автоматизированной очистки данных."\n"
        "Ключевые области внимания включают: pandas, numpy, пропущенные значения, дубликаты и проблемы несогласованного формата."\n"
        "Необходимо предоставить полные, готовые к запуску примеры кода."
    ),
    agent=researcher,
    expected_output=(
        "Отчёт об исследовании, включающий классификацию проблем, код решения и полный процесс очистки."
    ),
)

write_task = Task(
    description=(
        "На основе исследовательского отчёта напишите технический блог для начинающих."\n"
        "Название: \"Руководство для начинающих по очистке данных на Python: Попрощайтесь с грязными данными с помощью pandas\"."
    ),
    agent=writer,
    context=[research_task],
    expected_output="Технический блог в формате Markdown объёмом не менее 800 слов.",
)

# =====================================================
# Команда
# =====================================================
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,
    verbose=True,
)

# =====================================================
# Запуск
# =====================================================
if __name__ == "__main__":
    result = crew.kickoff()

    output = result.raw

    with open("python_data_cleaning_blog.md", "w", encoding="utf-8") as f:
        f.write(output)

Далее задача начнёт выполняться и выведет соответствующую информацию:

После завершения содержимое вывода будет записано в файл python_data_cleaning_blog.md.

Ниже приведено объяснение связанных атрибутов в коде.

Ключевые атрибуты LLM (слой модели)

Attribute Пример значения Назначение Последствия ошибки
model deepseek/deepseek-v4-flash Канонический синтаксис LiteLLM:Service Provider/Model Name Отсутствуетdeepseek/Сразу выбросит ошибкуLLM Provider NOT provided
api_key sk-xxxxx Аутентификация модели Если пусто или неверно, сразу 401 / LLM Failed
api_base https://api.deepseek.com/v1 Адрес API DeepSeek Зависит от адреса конкретной модели
temperature 0.7 Управляет случайностью вывода Слишком высокое значение делает содержимое размытым; слишком низкое делает текст жёстким

Ключевые атрибуты агента (интеллектуального агента)

Attribute Назначение Суть
role "идентификационная метка" агента Записывается в системный промпт
goal Основная цель текущего агента Определяет направление ответа
backstory Поведенческие ограничения и стиль Стабилизирует качество вывода
llm Какую модель использовать Должна быть явно привязана
verbose Выводить процесс выполнения Влияет только на логи
allow_delegation Разрешена ли задача Чрезвычайно легко попасть в ловушки

исследователь

Attribute Значение Замысел дизайна
allow_delegation False Предотвратить бесконечную декомпозицию
goal Найти материалы + предоставить код Результат — это 'сырьё'

писатель (написание)

Attribute Значение Риск
allow_delegation True Может вызвать повторное делегирование исследованию
context [research_task] Уже есть входные данные, на самом деле нет необходимости делегировать снова

Заключение
В последовательном конвейере пишущий Агентдолжен отключить делегирование, иначе легко потерпеть неудачу при повторном делегировании.

Ключевые атрибуты Task

Общие поля Task:

Attribute Назначение Ключевой момент
description Фактический текст задачи, отправляемый в LLM Чем конкретнее, тем стабильнее
agent Кто выполняет Должно быть уникальным
expected_output Ограничения результата Не обязательно, но настоятельно рекомендуется
context Зависимые вышестоящие задачи Ядро последовательного выполнения

research_task:

Attribute Описание
agent=researcher Привязать исследователя
Отсутствуетcontext Задача первого этапа
Вывод Структурированное содержимое исследования

write_task:

Attribute Описание
context=[research_task] Принудительное чтение результатов исследования
agent=writer Только систематизировать и выражать
Вывод Итоговый текст Markdown

Ключевые атрибуты Crew (Actuator)

Attribute Пример значения Назначение Последствия ошибки
agents [researcher, writer] Все доступные агенты Если один отсутствует, сразу выбрасывается ошибка.
tasks [research_task, write_task] Очередь выполнения Порядок по списку
process Process.sequential Стратегия выполнения Параллельное выполнение нарушит зависимости
verbose True Переключатель логирования Должно быть bool

kickoff() и структура выходных данных

Выражение Type Назначение
crew.kickoff() CrewOutput Контейнер результата выполнения
result.raw str Итоговый текстовый вывод
result.tasks_output list/dict Вывод каждой Task
result.token_usage dict Статистика

команда crewai

Мы можем использоватьcrewaiкоманду, чтобы сгенерировать полную структуру проекта:

crewai create crew <项目名>

Например, мы создаём проект example-agent-test и выполняем следующую команду:

crewai create crew example-agent-test

Далее появляется следующее содержимое. Сначала можно выбрать провайдера большой модели:

Creating folder example_agent_test...
Cache expired or not found. Fetching provider data from the web...
Downloading  [####################################]  1102019/56339
Select a provider to set up:
1. openai
2. anthropic
3. gemini
4. nvidia_nim
5. groq
6. huggingface
7. ollama
8. watson
9. bedrock
10. azure
11. cerebras
12. sambanova
13. other
q. Quit

В этой главе мы выберем DeepSeek. Сначала введите 13, чтобы выбрать другое, затем можно прокрутить с помощью мыши и увидеть, что DeepSeek находится на позиции 23. Просто введите число 23:

Если у вас есть API-ключи для других моделей, просто выберите в соответствии с номером.

После завершения вы увидите созданную директорию следующим образом:

Описание структуры проекта:

my_project/
├── .env                # 环境变量(API Key)
├── pyproject.toml      # 项目依赖声明
├── README.md
└── src/
    └── my_project/
        ├── main.py     # 程序入口
        ├── crew.py     # Crew 与 Agent 的核心逻辑
        ├── tools/      # 自定义工具
        └── config/
            ├── agents.yaml  # Agent 定义
            └── tasks.yaml   # Task 定义

Запустите ваш Crew.

Перейдите в корневой каталог проекта:

cd my_project

Зафиксируйте и установите зависимости:

crewai install

Запустите:

crewai run

Или напрямую:

python src/my_project/main.py

Настройте API-ключ

По соображениям безопасности не рекомендуется записывать API Key напрямую в код; его можно задать как переменную окружения.

Задать в коде (только для тестирования):

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

Рекомендуемый способ: используйте.envфайл

В корневом каталоге проекта создайте файл с именем.envфайл.

Запишите в файл следующее:OPENAI_API_KEY=你的-openai-api-key-here

В коде Python используйтеpython-dotenvпакет для загрузки.

Команда установки:

pip install python-dotenv

Далее загрузите его в коде:

from dotenv import load_dotenv
load_dotenv() # 这会自动加载 .env 文件中的变量
# 现在 os.environ["OPENAI_API_KEY"] 就已经有了值

Основные компоненты: подробное объяснение и практика

Теперь давайте создадим нашу ИИ-команду шаг за шагом, точно так же, как строим компанию. Мы смоделируем команду по созданию технического блога.

Шаг 1: Определите агента

Agentявляется членом вашей команды. При его создании необходимо определить несколько ключевых атрибутов:

Параметр Описание Пример
role Роль или должность агента. Senior Technical Writer
goal Конечная цель агента. Create accessible, practical technical tutorials
backstory Предыстория роли, используемая для формирования её поведения и тона. 你是一位拥有10年全栈开发经验的开发者,热爱分享,擅长将复杂概念简单化。
llm Укажите большую языковую модель, используемую агентом. ChatOpenAI(model="gpt-4", temperature=0.7)
verbose Установить вTrueЕсли включено, будет выводиться подробный процесс мышления агента. True(очень полезно при отладке)
allow_delegation Разрешать ли этому агенту делегировать задачи другим агентам. True

Давайте создадим двух агентов: одногоresearcherи одногоwriter。

Пример

# Сначала определите общий экземпляр LLM, чтобы все агенты могли использовать одну и ту же конфигурацию модели
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)

# Создайте агента-исследователя
researcher = Agent(
    role='Технический исследователь',
    goal='Найдите новейшую, наиболее точную и наиболее релевантную техническую информацию по заданной теме.',
    backstory='Вы — сфокусированный и строгий технический аналитик, умеющий выделять ключевые моменты из огромных объёмов информации и проверять надёжность источников.',
    llm=llm, # Использовать модель, определённую выше
    verbose=True, # Выводить подробные логи
    allow_delegation=False # Исследователю не нужно делегировать задачи
)

# Создать агента-писателя
writer = Agent(
    role='Автор технического блога',
    goal='Написать хорошо структурированную, живую и интересную статью для технического блога с полными примерами кода на основе материалов, предоставленных исследователем.',
    backstory='Вы — очень популярный технический блогер с дружелюбным стилем письма и строгой логикой, особенно хорошо умеющий объяснять сложные концепции через аналогии и примеры.',
    llm=llm,
    verbose=True,
    allow_delegation=True # Если писатель считает это необходимым, он может делегировать задачи (например, вернуться и попросить исследователя дополнить материалы)
)

Шаг 2: Создать задачу

Task— это конкретный рабочий элемент, который нужно назначитьAgentдля выполнения. Ключевые атрибуты включают:

Parameters Описание Пример
description Чёткое описание задачи. 研究 "Python异步编程asyncio" 在 2023 年后的核心应用场景和最佳实践。
agent Ответственный за выполнение этой задачиAgentобъект. researcher
expected_output Подробное описание результатов задачи. 一份结构化的研究报告,包含概述、3-4个核心应用场景、2-3个代码片段示例以及总结。

Мы создаём по одной задаче для исследователя и писателя.

пример

# Создать исследовательскую задачу
research_task = Task(
    description=(
        "Проведите углублённое исследование по теме 'Автоматизированная очистка данных с помощью Python'.\n"
        "Сосредоточьтесь на последних способах использования библиотек pandas и numpy (после 2023 года), распространённых проблемах с грязными данными (таких как пропущенные значения, дублирующиеся значения, несогласованные форматы) и эффективных рабочих процессах очистки.\n"
        "Пожалуйста, предоставьте конкретные фрагменты кода, иллюстрирующие каждый шаг."
    ),
    agent=researcher, # Назначить эту задачу исследователю
    expected_output=(
        "Полный отчёт об исследовании в следующем формате:\n"
        "1. Обзор темы"\n"
        "2. Классификация распространённых проблем с данными (не менее 3 категорий)"\n"
        "3. Решения pandas/numpy для каждого типа проблем (с фрагментами кода)"\n"
        "4. Пример полного сквозного рабочего процесса очистки"\n"
        "5. Итоги и рекомендации"
    )
)

# Создать задачу на написание
write_task = Task(
    description=(
        "Используя исследовательский отчёт, предоставленный исследователем, напишите техническую статью в блог для начинающих."\n"
        "Название статьи: 'Очистка данных на Python для начинающих: попрощайтесь с грязными данными с помощью pandas'."\n"
        "Требования к статье: простой и понятный язык, последовательная логика, включить все ключевые фрагменты кода, предоставленные исследователем, и добавить подробные комментарии."\n"
        "В конце приведите полный, запускаемый пример, демонстрирующий весь процесс очистки смоделированного набора данных."
    ),
    agent=writer, # Назначить эту задачу писателю
    expected_output=(
        "Статья для блога в формате Markdown объёмом не менее 800 слов."\n"
        "Включите введение, основную часть (с подразделами), блоки кода и резюме."\n"
        "Полный скрипт Python, содержащий смоделированные данные и код очистки, должен быть приложен в конце статьи."
    ),
    # Параметр context очень важен! Он определяет зависимости этой задачи, т. е. research_task нужно выполнить первым.
    context=[research_task]
)

Примечание write_taskвcontext=[research_task], который устанавливает зависимости между задачами, а значит, писателю нужно дождаться, пока исследователь завершит задачу, прежде чем начать работу.

Шаг 3: Соберите команду и настройте процессы (Crew & Process)

Теперь поместитеAgentиTaskсоберите вCrew, и определите их работуProcess。

Экземпляр

# Соберите команду
blog_crew = Crew(
    agents=[researcher, writer], # Какие участники составляют команду
    tasks=[research_task, write_task], # Какие задачи есть у команды
    process=Process.sequential, # Тип процесса: последовательное выполнение. Исследователь завершает работу, затем работает писатель.
    verbose=2 # Установите уровень детализации логов во время выполнения команды (0=тихий, 1=базовый, 2=подробный)
)

crewAI в основном поддерживает два процесса:

  • Process.sequential: Задачи выполняются по порядку в соответствии со списком. Подходит для конвейерных операций со строгими зависимостями.
  • Process.hierarchical: В сочетании с агентом-менеджером (Manager), который координирует и распределяет задачи. Подходит для более сложных, динамичных сценариев совместной работы.

Шаг 4: Выполните задачу и получите результаты.

Всё готово, запускайте свою команду ИИ!

Пример

# Выполнить задачи команды
result = blog_crew.kickoff()

# Вывести итоговый результат
print("###################### Итоговые результаты ######################")
print(result)

Запустите ваш Python-скрипт (python my_first_crew.py). Поскольку мы установилиverbose=Trueиverbose=2, вы увидите процесс мышления каждого агента и логи выполнения задач в терминале, а в конце увидите сгенерированную статью блога.


Продвинутые техники: оснащение агентов инструментами

crewAI позволяетAgentвызывать внешниеTool, например, поиск в интернете, запросы к базам данных, выполнение вычислений и т. д.

В следующем примере исследователь оснащаетсявеб-поискомивычислительнымиинструментами:

Пример

from crewai_tools import SerperDevTool, CalculatorTool

# Инициализировать инструменты
# Примечание: SerperDevTool требует отдельный API-ключ. Пожалуйста, зарегистрируйтесь на https://serper.dev/, чтобы получить его.
search_tool = SerperDevTool(serper_api_key="your-serper-api-key")
calc_tool = CalculatorTool()

# Создайте исследователя, оснащённого инструментами
advanced_researcher = Agent(
    role='Старший технический исследователь',
    goal='Поиск последних технологических тенденций и выполнение количественного анализа',
    backstory='Вы не только хорошо находите информацию, но и умеете выполнять простые вычисления и сравнения данных.',
    tools=[search_tool, calc_tool], # Назначьте список инструментов агенту
    llm=llm,
    verbose=True
)

Создайте задачу с использованием инструментов.
analysis_task = Task(
    description=(
        Найдите и сравните показатели роста звёзд 'FastAPI' и 'Django' на GitHub за последний год.\n"
        Рассчитайте темпы роста обоих и проанализируйте возможные причины.
    ),
    agent=advanced_researcher,
    expected_output=Краткий отчёт, содержащий конкретные данные, процесс расчёта и анализ причин.
)
Другие расширения