CrewAI 實戰:把多 Agent 協作變成組合積木
GitHub 上 5.7 萬顆 Star 的 crewAIInc/crewAI 是個有意思的專案。它不教你寫狀態機,也不跟你聊對話哲學,而是把多 Agent 協作這件事壓縮成三個概念:Agent(有角色人設的 LLM 呼叫)、Task(帶依賴的任務)、Crew(團隊)。再加一個 Process 參數決定執行方式。整個框架的體感,更像在寫設定檔而不是寫程式。
它解決什麼問題
單一 Agent 在長鏈條任務上會撞到三面牆:
- 上下文視窗爆掉:研究、分析、寫作這種流程塞進同一個 prompt,token 直接撐爆。
- 規劃能力塌陷:遇到複雜任務拆解,LLM 會直接跳步。
- 工具呼叫混亂:搜尋、計算、寫檔混在一起,只要一個出錯全部跟著崩。
AutoGen 偏對話式,Agent 之間靠 chat history 推進,控管粒度粗;LangGraph 圖狀靈活,但得先學會畫狀態機。CrewAI 走中間路線——角色分工加任務鏈,Python 或 YAML 宣告就能跑。本質是把多 Agent 協作從「寫狀態機」降級成「寫 YAML 設定」。
怎麼用
pip install crewai 裝一下,準備好 OpenAI 或 Anthropic 的 API Key。下面這段是最小範例:定義一個 Researcher 和一個 Writer,串起來寫一篇部落格文章。
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool
import os
os.environ["OPENAI_API_KEY"] = "your-key"
os.environ["SERPER_API_KEY"] = "your-serper-key"
search_tool = SerperDevTool()
researcher = Agent(
role="研究員",
goal="搜集某主題的最新產業數據",
backstory="你是一名資深產業分析師,擅長從公開資料中提煉關鍵數字",
tools=[search_tool],
verbose=True
)
writer = Agent(
role="撰稿人",
goal="把資料寫成 500 字短報告",
backstory="你是一名科技媒體編輯,文風簡潔、結論先行",
verbose=True
)
task1 = Task(
description="搜尋 2024 年中國 AI Agent 產業的融資數據",
expected_output="5 條關鍵融資事件,每條含公司名、金額、投資方",
agent=researcher
)
task2 = Task(
description="基於上面的資料,寫一篇 500 字的產業短評",
expected_output="中文短評,結構清晰,含資料引用",
agent=writer,
context=[task1]
)
crew = Crew(
agents=[researcher, writer],
tasks=[task1, task2],
process=Process.sequential
)
result = crew.kickoff()
print(result)
跑起來會看到 Researcher 先呼叫搜尋工具,再把結果交給 Writer。context=[task1] 這一行是核心——上游 Task 的輸出會自動塞進下游 Agent 的上下文,不用手動管理。整個流程 32 行 Python 就搞定了。
它怎麼運作
核心抽象分四層:
1. Agent:role + goal + backstory + tools + llm,是帶「人設」的 LLM 呼叫單元。backstory 不是裝飾——它會被拼進 system prompt,直接影響 Agent 的行為風格。
2. Task:description + expected_output + agent + context。context 是個列表,標明依賴哪些上游 Task,這些 Task 的輸出會被注入到本 Task 的 prompt 裡。任務結果靠 context 欄位自動傳遞。
3. Crew:把 Agent 和 Task 組裝在一起,配上 Process 決定執行方式。
4. Process:分三種——
sequential:順序執行,最常用。hierarchical:自動衍生一個 Manager Agent 來分派任務,等於內建了「主管—執行」兩層組織架構。async:平行觸發或非同步執行。
hierarchical 模式最值得展開。它啟動時會動態 spawn 一個 Manager LLM,由它決定哪個 Task 派給哪個 Agent、何時執行。本質上 CrewAI 把「專案管理」這層邏輯寫死在框架裡——不用自己實作排程,只要設個開關。但代價也很明顯:多燒一次 LLM 呼叫,token 成本幾乎翻倍。小任務別開。
它哪裡好 / 哪裡不好
好的地方:
- YAML 加 Python 雙宣告,對不熟狀態機的人友善。
- 5.7 萬顆 Star,社群活躍,issue 回應速度快。
- hierarchical 模式開箱即用,省去自己寫排程邏輯的功夫。
不好的地方:
- 對接中國本土模型要自己寫 LLM wrapper,官方文件這塊偏薄。
- 長任務鏈除錯時,上下文傳遞鏈路不透明,出問題排查很費力。
- 相比 LangGraph,圖狀控制和條件分支偏弱,複雜業務邏輯會被 Process 的三種模式框死。
- 雖然支援工具呼叫,但 Function Calling 的錯誤處理偏粗糙。
橫向比較:LangGraph 靈活但要自己畫圖;AutoGen 對話式但缺乏任務邊界;CrewAI 介於兩者之間,落地體感更像在玩組合積木,代價是天花板較低。
我實測的結果
跑了一個三 Agent 場景:Researcher 搜資料 → Analyst 整理數據 → Writer 寫報告,sequential 模式,全部用 gpt-4o-mini。
實測數據:
- 啟動到第一次輸出大約 12 秒(含 3 次 LLM 呼叫)
- 總 token 消耗約 4500 tokens(不含工具呼叫)
- 程式碼量:32 行 Python
對比單一 Agent 直接用 prompt 叫它「搜尋—分析—寫報告」:單 Agent 方案程式碼只要 8 行,但輸出品質明顯較差——分析環節經常被跳過,writer 環節把數據搞錯。多 Agent 的隔離確實換來品質,前提是 LLM 要夠強。
踩到的坑:
- hierarchical 模式的 Manager Agent 會多消耗一次 LLM 呼叫,token 成本幾乎翻倍。
verbose=True預設輸出很囉嗦,上線環境記得關掉。- 工具呼叫失敗時,CrewAI 的重試機制偏弱,建議自己在外層包一層容錯。
誰適合用
適合:
- 想快速搭多 Agent Demo / POC 的團隊。
- 業務流程天然是「分工協作」形態(研究—分析—寫作、需求—開發—測試)。
- 不想從零寫狀態機和上下文管理的工程師。
不適合:
- 需要精細條件分支和迴圈控制的複雜邏輯(用 LangGraph)。
- 對成本敏感的高頻呼叫場景(多 Agent = 多倍 LLM 呼叫)。
- 以中國本土模型為主的專案(除非願意寫自訂 LLM 適配層)。
- 生產等級的長鏈路任務(除錯的可觀測性不夠)。
CrewAI 的定位很清楚:把多 Agent 這件事的門檻砍到最低。它不是最強的框架,但很可能是 30 分鐘內能跑起來的那個。如果場景是「幾個 Agent 分工做一件事」,值得一試;如果場景是「複雜的條件分支加狀態管理」,那就老實上 LangGraph。