CrewAI 详解 | 多角色 AI Agent 框架

"下午2点，我同时打开了三个 GPT 窗口：一个负责写代码，一个负责写文档，一个负责找 Bug。我像一个手忙脚乱的导演，在三个演员之间来回喊'Action'。后来我发现，有个东西叫 CrewAI——它替你当导演，让每个 AI 各就各位，各司其职。"

什么是 CrewAI？

CrewAI是一个开源的 Python 框架，用于构建多角色 AI Agent 协作系统。它的核心理念是：给每个 Agent 一个明确的"角色"（role），让它们像团队一样分工合作完成任务。

打个比方：

🏢 OpenClaw = 一家全能型公司，一个 Agent 能干所有活
🎭 CrewAI = 一个剧组，导演（Crew）安排演员（Agent）各演各的角色
🔗 LangGraph = 一条流水线，工序（Node）之间有明确的流转逻辑

核心概念：三大基石

┌─────────────────────────────────────────────────────────────────┐ │ CrewAI 核心架构 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ ┌─────────────────────────────────────────────────────────┐ │ │ │ CREW（剧组） │ │ │ │ 定义流程、协调任务、管理 Agent │ │ │ │ │ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ │ │ Agent │ │ Agent │ │ Agent │ │ │ │ │ │ 研究员 │ │ 作家 │ │ 审稿人 │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ • Role │ │ • Role │ │ • Role │ │ │ │ │ │ • Goal │ │ • Goal │ │ • Goal │ │ │ │ │ │ • LLM │ │ • LLM │ │ • LLM │ │ │ │ │ │ • Tools │ │ • Tools │ │ • Tools │ │ │ │ │ └────┬─────┘ └────┬─────┘ └────┬─────┘ │ │ │ │ │ │ │ │ │ │ │ ┌────▼─────┐ ┌────▼─────┐ ┌────▼─────┐ │ │ │ │ │ Task │ │ Task │ │ Task │ │ │ │ │ │ 研究 │ │ 写作 │ │ 审核 │ │ │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ └─────────────────────────────────────────────────────────┘ │ │ │ │ 流程: 研究员搜索 → 作家写作 → 审稿人审核 │ └─────────────────────────────────────────────────────────────────┘

1. Agent（演员）

每个 Agent 有四个核心属性：

属性	描述	示例
`role`	角色名称	"高级数据分析师"
`goal`	目标	"提供准确、有洞察的数据分析"
`backstory`	背景故事	"10年数据分析经验，擅长从复杂数据中发现趋势"
`tools`	可用工具	搜索工具、计算器、文件读写

2. Task（任务）

Task 是 Agent 需要完成的具体工作单元，包含描述、预期输出和分配的 Agent。

3. Crew（剧组/团队）

Crew 是 Agent 和 Task 的容器，定义了执行流程（顺序/并行）和协作方式。

代码示例：完整的 CrewAI 应用

from crewai import Agent, Task, Crew, Process

# 1. 定义 Agent
researcher = Agent(
    role='资深技术研究员',
    goal='搜索并整理最新 AI 技术动态',
    backstory='''
    你是一位拥有15年经验的技术研究员。
    你善于从海量信息中提炼关键趋势，
    擅长用通俗语言解释复杂技术概念。
    ''',
    tools=[search_tool, web_scrape_tool],
    llm="gpt-4o"
)

writer = Agent(
    role='技术作家',
    goal='将研究成果转化为高质量的技术文章',
    backstory='''
    你是一位经验丰富的技术作家，
    擅长把复杂概念讲得有趣又易懂。
    你的写作风格幽默但不失专业。
    ''',
    tools=[file_write_tool],
    llm="gpt-4o"
)

reviewer = Agent(
    role='技术审稿人',
    goal='审核文章的准确性和可读性',
    backstory='''
    你是一位严格的审稿人，
    对技术事实错误零容忍，
    同时注重文章的可读性和结构。
    ''',
    llm="gpt-4o"
)

# 2. 定义 Task
research_task = Task(
    description='''
    搜索2026年最新的 AI Agent 框架动态，
    包括 CrewAI、LangGraph、AutoGen 的最新版本和特性。
    整理成结构化的研究笔记。
    ''',
    expected_output='一份包含最新动态的研究笔记（Markdown）',
    agent=researcher
)

writing_task = Task(
    description='''
    根据研究笔记，写一篇面向开发者的技术文章。
    主题：2026年 AI Agent 框架选型指南。
    要求：有趣、实用、有代码示例。
    ''',
    expected_output='一篇完整的 Markdown 技术文章',
    agent=writer,
    context=[research_task]  # 依赖研究任务的结果
)

review_task = Task(
    description='''
    审核技术文章：
    1. 检查事实是否准确
    2. 代码示例是否正确
    3. 建议改进点
    ''',
    expected_output='审稿意见和修改后的文章',
    agent=reviewer,
    context=[writing_task]
)

# 3. 组装 Crew
tech_crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research_task, writing_task, review_task],
    process=Process.sequential,  # 顺序执行
    verbose=True
)

# 4. 启动！
result = tech_crew.kickoff()
print(result)
      

CrewAI vs 其他框架

对比维度	CrewAI	LangGraph	AutoGen	OpenClaw
核心理念	角色扮演协作	图状状态机	对话式协作	全能 Agent + Skills
上手难度	⭐⭐ 简单	⭐⭐⭐⭐ 较难	⭐⭐⭐ 中等	⭐ 最简单
状态管理	基础	✅ 非常强大	中等	✅ 内置 Memory
MCP 支持	✅ 支持	✅ 支持	✅ 支持	✅ 原生支持
部署方式	Python 应用	Python 应用	Python 应用	自托管 Gateway
最佳场景	内容创作团队	复杂工作流	研究/对话	日常自动化

OpenClaw 中的等价实现

在 OpenClaw 中，可以用 sessions_spawn 实现类似 CrewAI 的多角色协作：

# OpenClaw 实现 CrewAI 风格的多 Agent 协作

# Step 1: 研究员 Agent
research_result = await sessions_spawn(
    task="""
    角色：资深技术研究员
    任务：搜索2026年最新 AI Agent 框架动态
    输出：结构化研究笔记（Markdown）
    """,
    runtime="subagent",
    mode="run"
)

# Step 2: 作家 Agent（传入研究上下文）
article = await sessions_spawn(
    task=f"""
    角色：技术作家
    任务：根据以下研究笔记写一篇技术文章
    
    【研究笔记】
    {research_result}
    
    要求：有趣、实用、有代码示例
    """,
    runtime="subagent",
    mode="run"
)

# Step 3: 审稿人 Agent
final = await sessions_spawn(
    task=f"""
    角色：严格的技术审稿人
    任务：审核并改进以下文章
    
    【文章】
    {article}
    """,
    runtime="subagent",
    mode="run"
)
      

💡 CrewAI vs OpenClaw：怎么选？
选 CrewAI：你需要精细控制每个 Agent 的角色、背景、工具，且团队协作逻辑较复杂
选 OpenClaw：你需要一个开箱即用的全能 Agent，日常自动化、内容生成、定时任务
最佳实践：在 OpenClaw 的 Skill 中引用 CrewAI 概念，用 prompt 给 Agent "角色感"

CrewAI 的流程模式

1. Sequential（顺序执行）

Agent 按顺序完成任务，前一个的输出是后一个的输入。适合线性工作流。

2. Hierarchical（层级执行）

一个"Manager" Agent 负责分配任务、协调其他 Agent。适合复杂多步任务。

# 层级模式
crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research_task, writing_task, review_task],
    process=Process.hierarchical,
    manager_llm="gpt-4o"  # Manager 用更强的模型
)
      

3. Consensual（共识模式）

多个 Agent 讨论达成共识。适合需要多方观点的任务（如决策分析）。

⚠️ CrewAI 常见踩坑
1. Token 爆炸：多 Agent + 多轮对话 = token 消耗指数增长。3个 Agent 跑一次可能消耗 10 倍 token
2. 角色串味：如果 prompt 不够清晰，Agent 可能忘记自己的角色，开始干别人的活
3. 速度慢：顺序模式下，每个 Agent 都要等前一个完成。多 Agent 并行要注意任务独立性
4. 调试困难：出问题时很难定位是哪个 Agent 的锅

总结

CrewAI 的精髓在于角色感。它不是简单地"开3个 GPT"，而是给每个 AI 一个清晰的身份、目标和人设。就像拍电影一样——好导演不一定自己会演戏，但他知道该选谁来演什么角色。

"下午2点那三个 GPT 窗口，后来被 CrewAI 收编了。研究员搜索、作家写作、审稿人审核，各司其职，井然有序。唯一的问题是——token 账单让我差点心肌梗塞。但这事儿，咱不说也罢。"