从Agent到CrewAI，一口气读懂

欢迎来到啾啾的博客🐱。 记录学习点滴。分享工作思考和实用技巧，偶尔也分享一些杂谈💬。 有很多很多不足的地方，欢迎评论交流，感谢您的阅读和评论😄。

目录

• 引言
• 1 LLM应用是什么?
• 2 LLM Agent是什么?
• • 2.1 是自动化的LLM
  • 2.2 怎么构建一个好的Agent
• 3 Multi-Agent System
• • 3.1 LLM的划分
  • • 3.1.1 8/2法则：专注于任务（动态驱动）而非代理（固定配置）
• 4 CrewAI是什么？
• • 4.1 核心类 Agent、Task、Crew
  • • 4.1.1 Agent
    • 4.1.2 Task
    • 4.1.3 Crew
    • • 4.1.3.1 Processes
      • • 4.1.3.1.1 Sequential 顺序执行
        • 4.1.3.1.2 Hierarchical 层级流程
        • 4.1.3.1.3 Consensual 协商流程
  • 4.2 Tools

引言

从Agent到Agent框架CrewAI。不了解Agent也没有关系，我将尝试一次性讲明白。 阅读本篇可对Agent与CrewAI有一定认知。

• 资料 CrewAI官网：https://docs.crewai.com/en/introduction Building an agent：https://docs.llamaindex.ai/en/stable/understanding/agent/ Building effective agents：https://www.anthropic.com/engineering/building-effective-agents

1 LLM应用是什么?

• 什么是大模型？ 在NLP(自然语言处理)等领域，运用机器学习（特别是深度学习）的手段研究出来的强大的基础引擎或平台。

• LLM应用和传统应用的区别 传统应用：输入、过程、输出都是比较固定的。 LLM应用：模糊（不确定）的输入、模糊的过程、模糊的输出。

2 LLM Agent是什么?

2.1 是自动化的LLM

当LLM具备一定的感知能力，可以依据状态自行调整、持续回答，甚至使用工具、与外界交互。这就是一个Agent了。 也可以划分出一些核心要素，比如”感知、认知/推理、行动、目标“。有着核心思想ReACT (Reason + Act)。 简单来说：它思考、记忆、行动。

2.2 怎么构建一个好的Agent

一个好的Agent有以下六个特点：

• 专业的角色扮演

• 专注于目标 Agent的驱动力，期望。

• 合适的工具

• 良好的协作 很少有Agent能独立完成所有复杂任务，基于这个前提，Agent应当有良好的”反馈“，要能识别自身能力的局限，将任务合理分解并委托给其他更适合的Agent。

• 边界约束 操作边界、能力边界、安全边界等…

• 记忆

构建时需要遵循以下原则：

• 保持设计的简洁
• 展示明确的规划步骤（透明化，以调整优先级）

3 Multi-Agent System

有一些重要的共识（来自CrewAI讲解视频）：

• 专注的LLM获取更好的结果
• LLM在角色扮演的情况在表现更好

理论支撑（来自AI搜索、验证）： Anthropic的信息压缩论——“单一LLM处理开放性问题时，受限于上下文窗口长度和计算资源，难以高效提炼海量信息。多智能体系统通过分工实现“并行压缩””。

所以，单个Agent是有极限的，并不能支撑实际生产的复杂业务，我们需要多Agent，需要Multi-Agent System。

3.1 LLM的划分

在CrewAI，LLM Agent被划分来处理不同的Task。类似事件驱动划分 或 角色驱动划分（从代码来看应该都可以）。

• 一个有效的思维分享 决定一个LLM Agent是什么角色时，可以思考"一个现实的团队里，什么样的角色处理什么样的任务表现的更好“。

怎么感觉DDD还在追着我打，这种边界划分降低复杂度的做法…

3.1.1 8/2法则：专注于任务（动态驱动）而非代理（固定配置）

CrewAI在官网文档中指出： 在构建高效的 AI 系统时，请记住这个关键原则：80%的努力应投入到任务设计，而只有 20%用于定义代理。

因为即使是最完美定义的代理，如果任务设计不当也会失败，但精心设计的任务可以使最简单的代理也能表现出色。这意味着：

• 将大部分时间用于编写清晰的指令
• 定义详细的输入和预期输出
• 添加示例和背景信息以指导执行
• 将剩余时间用于确定代理角色、目标和背景故事

其本质上是强调了动态的任务设计的重要性，任务设计是Agent系统的核心驱动力。 Agent的行为高度依赖任务指令的质量，而任务指令的本质就是提示词（Prompt）的优化。

在一般的Agent系统中，任务与代理的配置均通过Prompt实现，也应遵循8/2法则。 20%精力：定义代理基础能力，如role。 80%精力：优化任务Prompt，如task。

8/2法则类似Prompt设计模式中的CRISPE架构、CoT步骤要求，运用的原则类似传统软件设计模式中的“封装稳定的、抽离动态的”分离设计。

4 CrewAI是什么？

CrewAI是一个Python编写的可以用于构建 AI 代理团队（Multi-Agent System）的框架. 具备良好的抽象（结构划分）、强大的工具集成、记忆管理与流程控制，Agent间可以协同处理复杂任务。

4.1 核心类 Agent、Task、Crew

CrewAI通过3个核心类，极大简化了Agent的开发步骤。

4.1.1 Agent

CrewAI的Agent划分有重要的属性、role、goal、backstroy(类似context)。

有一个重要的说明：当给予代理专门角色而非一般角色时，代理的表现会显著更好。一个高度专注的代理能提供更精确、更相关的输出。

比如通用角色”作家“的效果往往没有专门的”xx作家“效果好。

• trade off 高效的智能体需要在专业（精通某事）与通用（适应各种情况）之间取得恰当平衡。

CrewAI提供了一个Levels List，可以根据任务的复杂性和质量要求进行选择:

• Novice agents: Good for straightforward tasks, brainstorming, or initial drafts 新手代理：适合简单任务、头脑风暴或初稿
• Intermediate agents: Suitable for most standard tasks with reliable execution 中级代理：适合大多数标准任务，执行可靠
• Expert agents: Best for complex, specialized tasks requiring depth and nuance 专家代理：最适合复杂、专业任务，需要深度和细致
• World-class agents: Reserved for critical tasks where exceptional quality is needed 顶尖代理：保留用于关键任务，需要卓越质量

4.1.2 Task

Q：定义一个好的任务的关键是什么？

首先，站在Manager的角度，明确目标、实现目标的过程。 所以，我们有两个必须的属性，描述、（期望）预期结果。

CrewAI的Task定义有description与expected_output、agent。 任务提供执行所需的所有必要细节，例如描述、负责的代理、所需的工具等，从而促进各种复杂程度的行动。

4.1.3 Crew

在Multi-Agent System中，常有一个LLM Call Router的角色。

CrewAI使用 Crew（一个Manager LLM）将Agent与Task关联、组织起来。 不仅仅是LLM Call Router的作用。

crew = Crew(
agents = [planner, writer, editor],
tasks = [plan, write, edit],
verbose = 2 # 1 or 2,2可以看所有执行日志

在这个示例中，tasks按照顺序执行（agents是注册用，具体task使用的agent在config时绑定）。

4.1.3.1 Processes

如何让Agent之间协同工作（collaborate）? CrewAI提供有顺序执行、分层（层级流程）、协商执行三种方式。 我们也可以自定义协作规则。

4.1.3.1.1 Sequential 顺序执行

顺序执行。前一个任务的输出通过 context 自动注入到后一个任务的 Prompt 中。 每个Task必须指定Agent。

4.1.3.1.2 Hierarchical 层级流程

Crew启动后使用 Manager（可以是一个独立的 Agent，也可以直接用 LLM） 观察所有任务与所有 agent 的能力描述，动态决定谁来做什么；任务完成后再由 manager 审核、整合。

任务与 agent 无需预先绑定，manager 实时委派。 适用于所有需要“任务调度+质量把关”的场景。 在定义Agent时，可以配置allow_delegation=True。

manager_agent = Agent(allow_delegation=True) # 启用委派权限
crew = Crew(process=Process.hierarchical, manager_llm=manager_agent)

工作流：

任务链路里至少要有一个 Agent 的 allow_delegation=False，否则 Manager 会把所有任务都委派出去，导致空转。

• 原理（来自Kimi K2）

用户输入 ──▶ Manager 规划并分类任务
│
├─▶ 委派技术子任务 ──▶ Technical Agent ─┐
│ │
├─▶ 委派账单子任务 ──▶ Billing Agent ─┤──▶ Manager 质检
│ │
└─▶ 委派质检任务 ──▶ QA Agent ——-┘
▲
│
不通过则回退

Hierarchical这样的动态委派的原理是什么呢？ 大概是一个Manager Prompt

你是项目经理，手下有这些人：
[agent0] role: 高级开发, goal: …, tools: [CodeInterpreter]
[agent1] role: 测试工程师, goal: …, tools: [Browser]
任务列表：
Task0: 写注册接口
Task1: 写单元测试

Prompt 里会附上一段系统指令：“请根据 agent 能力把任务分派下去，并在收到结果后判断是否符合 expected_output，不符合就回退或重派。”

简单总结：“用更大的 prompt让更大的 LLM扮演项目经理，然后把所有 agent 的 execute() 当成普通函数反复调用，直到 LLM 说 OK 为止。”

4.1.3.1.3 Consensual 协商流程

规划中，多个 agent 民主协商、投票或辩论后决定任务顺序与结果 。

from enum import Enum

class Process(str, Enum):
"""
Class representing the different processes that can be used to tackle tasks
"""

sequential = "sequential"
hierarchical = "hierarchical"
# TODO: consensual = 'consensual'

4.2 Tools

Agent的关键——工具。工具是Agent与外界交互的关键，合适的工具应当有如下特征：

• 通用的 通用要求工具是功能单一的、可组合、输出可预期（易用）。
• 容错率 状态可观测、具备良好的故障处理能力。
• 缓存 控制使用成本。要求工具具备幂等性。