首页 · 文档 · 开始云试用 · 博客 · 论坛

快速灵活的多智能体自动化框架

CrewAI 是一个精简、极速的 Python 框架，完全从零开始构建——完全独立于 LangChain 或其他智能体框架。它为开发者提供了高层次的简洁性和低层次的精确控制能力，非常适合创建适用于任何场景的自主智能体。

• CrewAI Crews：优化自主性和协作智能。
• CrewAI Flows：用于构建和部署多智能体系统的企业级生产架构。支持细粒度的事件驱动控制、单次 LLM 调用实现精准的任务编排，并原生支持 Crews。

通过我们在 learn.crewai.com 社区课程中认证的超过 10 万名开发者，CrewAI 正迅速成为企业级 AI 自动化领域的标准。

CrewAI AMP 套件

CrewAI AMP 套件是一套面向需要安全、可扩展且易于管理的代理驱动自动化的企业而设计的综合解决方案。

您可以免费试用该套件中的Crew 控制平面。

Crew 控制平面主要特性：

• 追踪与可观性：实时监控和追踪您的 AI 代理及工作流，包括指标、日志和追踪信息。
• 统一控制平面：用于管理、监控和扩展 AI 代理及工作流的集中式平台。
• 无缝集成：轻松连接现有企业系统、数据源和云基础设施。
• 高级安全性：内置强大的安全和合规措施，确保安全部署和管理。
• 可操作洞察：实时分析和报告，以优化性能和决策制定。
• 全天候支持：专门的企业级支持团队，确保无中断运行并快速解决问题。
• 本地部署与云端部署选项：根据您的安全和合规要求，可在本地或云端部署 CrewAI AMP。

CrewAI AMP 专为企业打造，旨在提供强大可靠的整体解决方案，将复杂的业务流程转变为高效智能的自动化流程。

目录

• 为什么选择 CrewAI？
• 入门指南
• 关键特性
• 理解 Flows 和 Crews
• CrewAI 与 LangGraph 对比
• 示例
  • 快速教程
  • 撰写职位描述
  • 旅行计划器
  • 股票分析
  • 结合使用 Crews 和 Flows
• 将 Crew 连接到模型
• CrewAI 与其他框架对比
• 常见问题解答 (FAQ)
• 贡献
• 遥测
• 许可证

为什么选择 CrewAI？

CrewAI 开启了多智能体自动化真正的潜力，无论采用 AI 代理群组还是事件流，都能提供速度、灵活性和控制力的最佳组合：

• 独立框架：从零开始构建，独立于 LangChain 或任何其他智能体框架。
• 高性能：针对速度和最小资源消耗进行了优化，从而实现更快的执行。
• 灵活的底层定制：在高层和底层都拥有完全的自定义自由——从整体工作流和系统架构到精细的代理行为、内部提示词和执行逻辑。
• 适用于所有用例：已被证明对简单任务以及高度复杂的真实世界企业级场景均有效。
• 强大的社区支持：背后是一个迅速壮大的社区，拥有超过10 万名认证开发者，提供全面的支持和资源。

CrewAI 使开发者和企业能够自信地构建智能自动化系统，弥合简单性、灵活性和性能之间的差距。

入门指南

按照本教程设置并运行您的第一个 CrewAI 代理。

学习资源

通过我们的综合课程学习 CrewAI：

• 使用 CrewAI 构建多智能体系统——掌握多智能体系统的基础知识
• 实践多智能体与高级用例——深入探讨高级实现

理解流程与团队

CrewAI 提供了两种强大且相辅相成的方法，它们可以无缝协作，构建复杂的 AI 应用程序：

1. 团队：由具有真正自主性和能动性的 AI 代理组成的团队，通过基于角色的协作共同完成复杂任务。团队能够实现：

   • 代理之间的自然、自主决策
   • 动态的任务委派和协作
   • 具有明确目标和专长的专门化角色
   • 灵活的问题解决方式

2. 流程：生产就绪的事件驱动型工作流，可对复杂自动化进行精确控制。流程提供：

   • 针对现实场景的细粒度执行路径控制
   • 任务之间安全、一致的状态管理
   • AI 代理与生产环境 Python 代码的干净集成
   • 用于复杂业务逻辑的条件分支

CrewAI 的真正强大之处在于将团队和流程相结合。这种协同作用使您能够：

• 构建复杂的生产级应用
• 在自主性与精确控制之间取得平衡
• 处理复杂的现实场景
• 维持整洁、易于维护的代码结构

开始安装

要开始使用 CrewAI，请按照以下简单步骤操作：

1. 安装

请确保您的系统上已安装 Python >=3.10 <3.14。CrewAI 使用 UV 进行依赖管理和软件包处理，从而提供顺畅的设置和执行体验。

首先，安装 CrewAI：

uv pip install crewai

如果您希望安装包含额外工具的 crewai 软件包及其可选功能，可以使用以下命令：

uv pip install 'crewai[tools]'

上述命令不仅会安装基础软件包，还会添加需要更多依赖才能运行的附加组件。

依赖问题排查

如果在安装或使用过程中遇到问题，以下是一些常见的解决方法：

常见问题

1. ModuleNotFoundError: 没有名为 'tiktoken' 的模块

   • 显式安装 tiktoken：uv pip install 'crewai[embeddings]'
   • 如果使用 embedchain 或其他工具：uv pip install 'crewai[tools]'

2. 无法为 tiktoken 构建 wheel 包

   • 确保已安装 Rust 编译器（参见上述安装步骤）
   • 对于 Windows 用户：请确认已安装 Visual C++ Build Tools
   • 尝试升级 pip：uv pip install --upgrade pip
   • 如果问题仍然存在，可以使用预编译的 wheel 包：uv pip install tiktoken --prefer-binary

2. 使用 YAML 配置设置您的团队

要创建一个新的 CrewAI 项目，运行以下 CLI（命令行界面）命令：

crewai create crew <project_name>

该命令会创建一个新项目文件夹，其结构如下：

my_project/
├── .gitignore
├── pyproject.toml
├── README.md
├── .env
└── src/
    └── my_project/
        ├── __init__.py
        ├── main.py
        ├── crew.py
        ├── tools/
        │   ├── custom_tool.py
        │   └── __init__.py
        └── config/
            ├── agents.yaml
            └── tasks.yaml

现在您可以开始开发自己的团队，编辑 src/my_project 文件夹中的文件。main.py 文件是项目的入口点，crew.py 文件是定义团队的地方，agents.yaml 文件是定义代理的地方，而 tasks.yaml 文件则是定义任务的地方。

要自定义您的项目，您可以：

• 修改 src/my_project/config/agents.yaml 来定义您的代理。
• 修改 src/my_project/config/tasks.yaml 来定义您的任务。
• 修改 src/my_project/crew.py 来添加您自己的逻辑、工具和特定参数。
• 修改 src/my_project/main.py 来为您的代理和任务添加自定义输入。
• 将您的环境变量添加到 .env 文件中。

一个简单的顺序流程团队示例：

实例化您的团队：

crewai create crew latest-ai-development

根据您的实际需求修改文件：

agents.yaml

# src/my_project/config/agents.yaml
researcher:
  role: >
    {topic} 高级数据研究员
  goal: >
    探索 {topic} 领域的前沿发展
  backstory: >
    您是一位经验丰富的研究员，擅长挖掘 {topic} 领域的最新进展。以能够找到最相关的信息并以清晰简洁的方式呈现著称。

reporting_analyst:
  role: >
    {topic} 报告分析师
  goal: >
    基于 {topic} 数据分析和研究结果撰写详细报告
  backstory: >
    您是一位一丝不苟的分析师，对细节有着敏锐的洞察力。以善于将复杂数据转化为清晰简明的报告而闻名，使他人能够轻松理解并采取行动。

tasks.yaml

# src/my_project/config/tasks.yaml
research_task:
  description: >
    对 {topic} 进行全面研究
    确保找到任何有趣且相关的信息，考虑到当前年份为 2025 年。
  expected_output: >
    关于 {topic} 的 10 条要点列表
  agent: researcher

reporting_task:
  description: >
    审阅您获得的内容，并将每个主题扩展为报告中的完整章节。
    确保报告内容详尽，涵盖所有相关信息。
  expected_output: >
    一份完整的报告，包含主要主题及各自的详细信息。
    格式为 Markdown，不含 '```'
  agent: reporting_analyst
  output_file: report.md

crew.py

# src/my_project/crew.py
from crewai import Agent, Crew, Process, Task
from crewai.project import CrewBase, agent, crew, task
from crewai_tools import SerperDevTool
from crewai.agents.agent_builder.base_agent import BaseAgent
from typing import List

@CrewBase
class LatestAiDevelopmentCrew():
	"""最新AI发展团队"""
	agents: List[BaseAgent]
	tasks: List[Task]

	@agent
	def researcher(self) -> Agent:
		return Agent(
			config=self.agents_config['researcher'],
			verbose=True,
			tools=[SerperDevTool()]
		)

	@agent
	def reporting_analyst(self) -> Agent:
		return Agent(
			config=self.agents_config['reporting_analyst'],
			verbose=True
		)

	@task
	def research_task(self) -> Task:
		return Task(
			config=self.tasks_config['research_task'],
		)

	@task
	def reporting_task(self) -> Task:
		return Task(
			config=self.tasks_config['reporting_task'],
			output_file='report.md'
		)

	@crew
	def crew(self) -> Crew:
		"""创建最新AI发展团队"""
		return Crew(
			agents=self.agents, # 自动由 @agent 装饰器创建
			tasks=self.tasks, # 自动由 @task 装饰器创建
			process=Process.sequential,
			verbose=True,
		)

main.py

#!/usr/bin/env python

# src/my_project/main.py
import sys
from latest_ai_development.crew import LatestAiDevelopmentCrew

def run():
    """
    运行团队。
    """
    inputs = {
        'topic': 'AI 代理'
    }
    LatestAiDevelopmentCrew().crew().kickoff(inputs=inputs)

3. 运行你的团队

在运行团队之前，请确保已在 .env 文件中将以下密钥设置为环境变量：

• OpenAI API 密钥（或其他 LLM API 密钥）：OPENAI_API_KEY=sk-...
• Serper.dev API 密钥：SERPER_API_KEY=YOUR_KEY_HERE

锁定依赖项并使用 CLI 命令安装它们，但首先请导航到你的项目目录：

cd my_project
crewai install （可选）

要运行你的团队，可在项目根目录下执行以下命令：

crewai run

或

python src/my_project/main.py

如果由于使用 Poetry 而发生错误，请运行以下命令来更新你的 crewai 包：

crewai update

你应该会在控制台看到输出，并且会在项目根目录下生成 report.md 文件，其中包含完整的最终报告。

除了顺序流程之外，你还可以使用层次流程，该流程会自动为定义的团队分配一名经理，以通过委派和结果验证来妥善协调任务的规划与执行。在此处了解更多关于流程的信息。

核心特性

CrewAI 是一个精简、独立、高性能的多 AI 代理框架，它提供了简单性、灵活性和精确控制，同时避免了其他代理框架中存在的复杂性和局限性。

• 独立且精简：完全独立于 LangChain 等其他框架，执行速度更快，资源需求更轻。
• 灵活且精准：可通过直观的 Crews 或精确的 Flows 轻松编排自主代理，从而为你的需求实现完美平衡。
• 无缝集成：轻松结合 Crews（自主性）和 Flows（精确性），创建复杂的现实世界自动化流程。
• 深度定制：从高层次的工作流到低层次的内部提示和代理行为，均可进行全方位定制。
• 可靠性能：无论是在简单任务还是复杂的企业级自动化中，都能提供一致的结果。
• 蓬勃发展的社区：拥有完善的文档支持和超过 10 万名认证开发者，能够提供卓越的支持与指导。

选择 CrewAI，轻松构建强大、适应性强且可用于生产的 AI 自动化系统。

示例

你可以在 CrewAI-examples 仓库 中测试不同的真实场景下的 AI 团队示例：

• 着陆页生成器
• 在执行过程中引入人工输入
• 旅行计划器
• 股票分析

快速教程

编写职位描述

查看此示例的代码 或观看下方视频：

旅行计划器

查看此示例的代码 或观看下方视频：

股票分析

查看此示例的代码 或观看下方视频：

同时使用 Crews 和 Flows

当 Crews 与 Flows 结合使用时，CrewAI 的强大功能才能真正展现出来，从而创建出复杂的自动化流程。CrewAI 流支持逻辑运算符，如 or_ 和 and_，用于组合多个条件。这些运算符可以与 @start、@listen 或 @router 装饰器一起使用，以创建复杂的触发条件。

• or_：当满足任何指定条件时触发。
• and_：当所有指定条件均满足时触发。

以下是如何在 Flow 中编排多个 Crew 的示例：

from crewai.flow.flow import Flow, listen, start, router, or_
from crewai import Crew, Agent, Task, Process
from pydantic import BaseModel

# 定义结构化状态以实现精确控制
class MarketState(BaseModel):
    sentiment: str = "neutral"
    confidence: float = 0.0
    recommendations: list = []

class AdvancedAnalysisFlow(Flow[MarketState]):
    @start()
    def fetch_market_data(self):
        # 展示使用结构化状态进行低级别控制
        self.state.sentiment = "analyzing"
        return {"sector": "tech", "timeframe": "1W"}  # 这些参数与任务描述模板匹配

    @listen(fetch_market_data)
    def analyze_with_crew(self, market_data):
        # 通过专业化角色展示团队的自主性
        analyst = Agent(
            role="高级市场分析师",
            goal="运用专家见解进行深入市场分析",
            backstory="您是一位经验丰富的分析师，以识别细微的市场模式而闻名"
        )
        researcher = Agent(
            role="数据研究员",
            goal="收集并验证支持性市场数据",
            backstory="您擅长寻找和关联多种数据源"
        )

        analysis_task = Task(
            description="分析{sector}行业的过去{timeframe}数据",
            expected_output="带有置信度评分的详细市场分析报告",
            agent=analyst
        )
        research_task = Task(
            description="寻找支持性数据以验证分析结果",
            expected_output="相互印证的证据及潜在矛盾点",
            agent=researcher
        )

        # 展示团队的自主运作
        analysis_crew = Crew(
            agents=[analyst, researcher],
            tasks=[analysis_task, research_task],
            process=Process.sequential,
            verbose=True
        )
        return analysis_crew.kickoff(inputs=market_data)  # 将market_data作为命名输入传递

    @router(analyze_with_crew)
    def determine_next_steps(self):
        # 展示基于条件路由的流程控制
        if self.state.confidence > 0.8:
            return "high_confidence"
        elif self.state.confidence > 0.5:
            return "medium_confidence"
        return "low_confidence"

    @listen("high_confidence")
    def execute_strategy(self):
        # 展示复杂的决策制定过程
        strategy_crew = Crew(
            agents=[
                Agent(role="策略专家",
                      goal="制定最优市场策略")
            ],
            tasks=[
                Task(description="根据分析结果制定详细策略",
                     expected_output="分步行动计划")
            ]
        )
        return strategy_crew.kickoff()

    @listen(or_("medium_confidence", "low_confidence"))
    def request_additional_analysis(self):
        self.state.recommendations.append("收集更多数据")
        return "需要进一步分析"

本示例展示了如何：

1. 使用Python代码进行基础数据操作
2. 创建并执行Crews作为工作流中的步骤
3. 使用Flow装饰器管理操作顺序
4. 根据Crews的结果实现条件分支

将您的Crew连接到模型

CrewAI支持通过多种连接方式使用不同的LLM。默认情况下，您的代理在查询模型时会使用OpenAI API。不过，还有其他几种方法可以让您的代理连接到模型。例如，您可以通过Ollama工具配置代理使用本地模型。

有关配置代理与模型连接的详细信息，请参阅CrewAI连接LLM页面。

CrewAI与其他框架的比较

CrewAI的优势：CrewAI通过其独特的Crews和Flows架构，将自主代理智能与精确的工作流控制相结合。该框架在高层次编排和低层次自定义方面都表现出色，能够构建具有细粒度控制的复杂生产级系统。

• LangGraph：虽然LangGraph为构建代理工作流提供了基础，但其方法需要大量的样板代码和复杂的状态管理模式。该框架与LangChain的高度耦合可能会限制在实现自定义代理行为或与外部系统集成时的灵活性。

附注：CrewAI在某些场景下相比LangGraph具有显著的性能优势，例如在这一QA任务示例中，CrewAI的执行速度是LangGraph的5.76倍（查看对比），而在一些编码任务中，CrewAI也以更快的速度完成了任务，并获得了更高的评估分数（详细分析）。

• Autogen：尽管Autogen擅长创建能够协同工作的对话型代理，但它缺乏内在的过程概念。在Autogen中，协调代理之间的交互需要额外的编程，随着任务规模的扩大，这可能会变得复杂且繁琐。
• ChatDev：ChatDev将过程的概念引入了AI代理领域，但其实现方式相当僵化。ChatDev中的自定义功能有限，且并不面向生产环境，这可能阻碍其在实际应用中的可扩展性和灵活性。

贡献

CrewAI是开源项目，我们欢迎各位贡献。如果您希望参与贡献，请：

• 克隆仓库。
• 为您的功能创建一个新分支。
• 添加您的功能或改进。
• 提交拉取请求。
• 我们非常感谢您的投入！

安装依赖

uv lock
uv sync

虚拟环境

uv venv

预提交钩子

pre-commit install

运行测试

uv run pytest .

运行静态类型检查

uvx mypy src

打包

uv build

本地安装

uv pip install dist/*.tar.gz

遥测

CrewAI 使用匿名遥测来收集使用数据，主要目的是通过将精力集中在最常用的功能、集成和工具上，帮助我们改进该库。

至关重要的是要理解，不会收集任何数据，包括提示、任务描述、智能体的背景故事或目标、工具的使用情况、API 调用、响应、智能体处理的任何数据，以及密钥和环境变量，除非符合上述例外情况。当 share_crew 功能启用时，会收集详细数据，包括任务描述、智能体的背景故事或目标以及其他特定属性，以便在尊重用户隐私的前提下提供更深入的洞察。用户可以通过将环境变量 OTEL_SDK_DISABLED 设置为 true 来禁用遥测功能。

收集的数据包括：

• CrewAI 的版本
  • 以便我们了解有多少用户正在使用最新版本
• Python 的版本
  • 以便我们决定支持哪些版本
• 操作系统的总体信息（例如 CPU 数量、macOS/Windows/Linux）
  • 以便我们知道应该重点关注哪些操作系统，以及是否可以构建特定于操作系统的功能
• 团队中智能体和任务的数量
  • 以便我们在内部使用类似的用例进行测试，并向用户普及最佳实践
• 正在使用的团队流程
  • 以便了解我们应该将精力集中在哪些方面
• 智能体是否使用记忆功能或允许委派
  • 以便了解我们是否需要改进这些功能，甚至将其移除
• 任务是并行执行还是串行执行
  • 以便了解我们是否应该更加关注并行执行
• 正在使用的语言模型
  • 以更好地支持最常用的语言
• 团队中智能体的角色
  • 以便了解高层次的用例，从而构建更好的工具、集成和示例
• 可用工具的名称
  • 以便了解在公开可用的工具中，哪些工具使用得最多，从而对其进行改进

用户可以选择参与进一步的遥测，通过将 Crew 对象上的 share_crew 属性设置为 True 来共享完整的遥测数据。启用 share_crew 后，将收集详细的团队和任务执行数据，包括任务的 goal、backstory、context 和 output。这能够在尊重用户分享选择的同时，提供对使用模式的更深入洞察。

许可证

CrewAI 根据 MIT 许可证 发布。

常见问题解答 (FAQ)

一般问题

• CrewAI 到底是什么？
• 如何安装 CrewAI？
• CrewAI 是否依赖 LangChain？
• CrewAI 是开源的吗？
• CrewAI 会收集用户数据吗？

功能与能力

• CrewAI 能否处理复杂的用例？
• 我能否将 CrewAI 与本地 AI 模型一起使用？
• Crews 与 Flows 有何不同？
• CrewAI 比 LangChain 有哪些优势？
• CrewAI 是否支持微调或训练自定义模型？

资源与社区

• 在哪里可以找到真实的 CrewAI 示例？
• 我如何为 CrewAI 做贡献？

企业级功能

• CrewAI AMP 提供哪些额外功能？
• CrewAI AMP 是否适用于云端和本地部署？
• 我可以免费试用 CrewAI AMP 吗？

问：CrewAI 到底是什么？

答：CrewAI 是一个独立、轻量且快速的 Python 框架，专为编排自主智能体而设计。与 LangChain 等框架不同，CrewAI 不依赖外部依赖项，因此更加轻量、快速且简单。

问：如何安装 CrewAI？

答：使用 pip 安装 CrewAI：

uv pip install crewai

如需安装其他工具，可使用：

uv pip install 'crewai[tools]'

问：CrewAI 是否依赖 LangChain？

答：否。CrewAI 完全从零开始构建，不依赖 LangChain 或其他智能体框架。这确保了其轻量、快速和灵活的体验。

问：CrewAI 能否处理复杂的用例？

答：是的。CrewAI 在简单和高度复杂的实际场景中都表现出色，提供了从内部提示到复杂工作流编排的多层次深度定制选项。

问：我能否将 CrewAI 与本地 AI 模型一起使用？

答：当然可以！CrewAI 支持多种语言模型，包括本地模型。借助 Ollama 和 LM Studio 等工具，可以实现无缝集成。更多详情请参阅 LLM 连接文档。

问：Crews 与 Flows 有何不同？

答：Crews 提供自主智能体协作，非常适合需要灵活决策和动态交互的任务。Flows 则提供精确的事件驱动控制，非常适合管理详细的执行路径和安全的状态管理。您可以将两者无缝结合，以达到最佳效果。

问：CrewAI 比 LangChain 有哪些优势？

答：CrewAI 提供更简单、更直观的 API，执行速度更快，结果更可靠、更一致，文档完善，并拥有活跃的社区——这些都解决了与 LangChain 相关的常见批评和局限性。

问：CrewAI 是开源的吗？

答：是的，CrewAI 是开源的，并积极鼓励社区贡献和合作。

问：CrewAI 会收集用户数据吗？

答：CrewAI 仅出于改进目的收集匿名遥测数据。敏感数据，如提示、任务或 API 响应，绝不会被收集，除非用户明确启用相关功能。

问：在哪里可以找到真实的 CrewAI 示例？

答：请查看 CrewAI-examples 仓库，其中包含旅行计划、股票分析和招聘等实际用例示例。

问：我如何为 CrewAI 做贡献？

答：我们热烈欢迎您的贡献！请 fork 该仓库，创建自己的分支，实施更改并提交 pull request。有关详细指南，请参阅 README 中的“贡献”部分。

问：CrewAI AMP 提供哪些额外功能？

答：CrewAI AMP 提供统一控制平面、实时可观测性、安全集成、高级安全性、可操作的洞察以及专门的 24/7 企业级支持等先进功能。

问：CrewAI AMP 是否适用于云端和本地部署？

答：是的，CrewAI AMP 同时支持基于云和本地部署的选项，使企业能够满足其特定的安全和合规要求。

问：我可以免费试用 CrewAI AMP 吗？

答：是的，您可以通过免费访问 Crew Control Plane 来体验 CrewAI AMP 套件的部分功能。

问：CrewAI 是否支持微调或训练自定义模型？

答：是的，CrewAI 可以与自定义训练或微调过的模型集成，帮助您为智能体注入特定领域的知识和更高的准确性。

问：CrewAI 智能体能否与外部工具和 API 进行交互？

答：当然可以！CrewAI 智能体能够轻松集成外部工具、API 和数据库，从而充分利用现实世界的数据和资源。

问：CrewAI 适合用于生产环境吗？

答：是的，CrewAI 专为生产级标准设计，确保在企业级部署中的可靠性、稳定性和可扩展性。

问：CrewAI 的可扩展性如何？

答：CrewAI 具有极高的可扩展性，既能支持简单的自动化任务，也能处理涉及大量智能体和复杂任务的大型企业级工作流。

问：CrewAI 是否提供调试和监控工具？

答：是的，CrewAI AMP 包含先进的调试、追踪以及实时可观测性功能，可简化自动化流程的管理和故障排查。

问：CrewAI 支持哪些编程语言？

答：CrewAI 主要基于 Python 构建，但通过其灵活的 API 集成能力，能够轻松与使用任何编程语言编写的服务和 API 进行对接。

问：CrewAI 是否为初学者提供学习资源？

答：是的，CrewAI 通过 learn.crewai.com 提供丰富的入门级教程、课程和文档，支持各层次的开发者学习和使用。

问：CrewAI 能否自动化“人机协作”工作流？

答：是的，CrewAI 完全支持“人机协作”工作流，能够在人类专家与 AI 智能体之间实现无缝协作，从而提升决策质量。

CrewAI 快速上手指南

CrewAI 是一个轻量、高速的 Python 多智能体编排框架，完全独立于 LangChain 等其他框架。它支持通过 Crews（自主协作的智能体团队）和 Flows（事件驱动的生产级工作流）构建复杂的 AI 自动化应用。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows, macOS, 或 Linux
• Python 版本：>= 3.10 且 < 3.14
• 包管理工具：推荐使用 UV 以获得更流畅的安装和运行体验（CrewAI 官方推荐）。
• API Key：准备好大模型服务商的 API Key（如 OpenAI、Anthropic 等），后续需配置在环境变量中。

国内开发者提示：如果直接使用 pip 或 uv 下载速度较慢，可配置国内镜像源加速。

• UV 使用清华源示例：export UV_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple (Linux/Mac) 或在命令中加上 --index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 安装核心库

使用 uv 安装 CrewAI 基础包：

uv pip install crewai

2. 安装可选工具包（推荐）

如果您需要使用额外的工具集（如搜索、代码执行等），建议安装包含可选依赖的版本：

uv pip install 'crewai[tools]'

3. 依赖问题排查

如果在安装过程中遇到 tiktoken 相关报错（如 ModuleNotFoundError 或编译失败）：

• 显式安装嵌入依赖：

  uv pip install 'crewai[embeddings]'
  

• Windows 用户：确保已安装 Visual C++ Build Tools。
• 通用解决方案：尝试升级 pip 或使用预编译包：

  uv pip install --upgrade pip
  uv pip install tiktoken --prefer-binary
  

基本使用

CrewAI 提供了 CLI 工具来快速生成项目骨架，基于 YAML 配置文件定义智能体和任务，实现低代码开发。

1. 创建新项目

使用以下命令创建一个名为 my_first_crew 的项目：

crewai create crew my_first_crew

执行后，系统将生成如下目录结构：

my_first_crew/
├── .gitignore
├── pyproject.toml
├── README.md
├── .env                # 存放 API Key 等环境变量
└── src/
    └── my_first_crew/
        ├── __init__.py
        ├── main.py     # 程序入口
        ├── crew.py     # 定义 Crew 组装逻辑
        ├── tools/      # 自定义工具
        │   ├── custom_tool.py
        │   └── __init__.py
        └── config/     # 配置文件目录
            ├── agents.yaml  # 定义智能体角色
            └── tasks.yaml   # 定义任务流程

2. 配置智能体与任务

编辑 src/my_first_crew/config/agents.yaml 定义你的智能体团队：

# src/my_first_crew/config/agents.yaml
researcher:
  role: >
    {topic} 高级数据研究员
  goal: >
    挖掘 {topic} 领域的前沿发展动态
  backstory: >
    你是一位经验丰富的研究员，擅长发现 {topic} 领域的最新进展。
    你能够找到最相关的信息，并以清晰简洁的方式呈现。

reporting_analyst:
  role: >
    {topic} 报告分析师
  goal: >
    基于 {topic} 的数据分析和研究发现撰写详细报告
  backstory: >
    你是一位细致的分析师，擅长将复杂数据转化为清晰的报告，
    让他人易于理解并采取行动。

编辑 src/my_first_crew/config/tasks.yaml 定义任务流程：

# src/my_first_crew/config/tasks.yaml
research_task:
  description: >
    对 {topic} 进行彻底的研究。
    确保找到任何有趣且相关的信息，注意当前年份是 2025 年。
  expected_output: >
    包含 10 个要点的列表，列出最相关的信息。
  agent: researcher

report_task:
  description: >
    根据研究任务的结果，撰写一份关于 {topic} 的综合报告。
    确保报告内容详实、结构清晰。
  expected_output: >
    一份完整的 Markdown 格式研究报告。
  agent: reporting_analyst

3. 运行你的 Crew

1. 配置环境变量：在项目根目录的 .env 文件中填入你的 LLM API Key。

   OPENAI_API_KEY=sk-your-api-key-here
   

   (注：如果你使用的是其他模型提供商，请在 crew.py 中相应修改模型配置)

2. 启动项目： 进入项目目录并运行主程序：

   cd my_first_crew
   uv run python src/my_first_crew/main.py
   

   或者在 main.py 中传入具体主题参数（取决于你的代码实现）：

   # src/my_first_crew/main.py 示例调用
   inputs = {"topic": "人工智能代理"}
   MyCrew().crew().kickoff(inputs=inputs)
   

现在，你的第一个多智能体协作团队已经开始运行，它将自动完成从研究到报告生成的全流程。