CrewAI深度解析：基于角色的多Agent协作框架

CrewAI多Agent协作框架知识图谱

概念定义

CrewAI是一个基于Python的多Agent协作框架，以角色（Role）、任务（Task）和流程（Process）为核心抽象层，实现多个AI Agent之间的结构化协作与任务编排。该框架由João Moura于2023年创建，强调通过明确的角色分工和可配置的执行流程来构建可靠的多Agent系统。

核心术语表

架构层次

CrewAI的架构分为四个层次：

三种流程模式（Process）

CrewAI定义了三种内置流程模式：

Agent定义结构

Agent实例包含以下配置属性：

核心代码结构

from crewai import Agent, Task, Crew, Process

# 定义Agent
researcher = Agent(
    role="行业研究员",
    goal="收集并分析最新行业数据",
    backstory="拥有10年行业研究经验的分析师",
    tools=[search_tool],
    verbose=True
)

writer = Agent(
    role="报告撰写者",
    goal="将数据转化为可读报告",
    backstory="专业的技术写作编辑"
)

# 定义Task
research_task = Task(
    description="收集2026年AI Agent市场数据",
    expected_output="结构化数据报告",
    agent=researcher
)

write_task = Task(
    description="基于数据撰写分析报告",
    expected_output="Markdown格式报告文档",
    agent=writer
)

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

# 启动执行
result = crew.kickoff()

任务依赖与上下文传递

Task之间通过context字段建立显式依赖关系。当Task B依赖Task A的输出时，Task B可以引用Task A的输出作为上下文：

与主流框架对比

任务回调机制

CrewAI支持在任务生命周期的各个阶段注册回调函数：

版本发展与关键节点

• v0.1.0 (2023年12月) — 首次发布，支持基本Agent+Task+Sequential模式
• v0.10.0 (2024年3月) — 引入Hierarchical Process和Manager Agent
• v0.20.0 (2024年6月) — 加入内置记忆系统（短期/长期/实体记忆）
• v0.30.0 (2024年9月) — 支持Consensual Process，引入回调系统
• v0.40.0 (2024年12月) — 新增Crew训练功能，支持基于经验的Agent微调
• v0.50.0 (2025年4月) — 增加计划模式（Plan），支持多级任务分解和并行执行

关键设计特点

• 声明式API — 通过面向对象的声明方式定义Agent和Task，无需手写图或状态机
• 角色驱动 — 每个Agent拥有独立的角色、目标和背景故事，通过prompt工程实现角色差异
• 内置记忆 — 框架原生支持短期记忆（任务间上下文）、长期记忆（跨会话）和实体记忆（实体关系记录）
• 任务委派 — Agent可以主动将子任务委派给其他Agent处理，实现动态协作
• LLM无关性 — 支持OpenAI、Anthropic、Gemini、本地模型等多种LLM作为Agent的推理引擎

限制与约束

• 当前仅支持Sync和Async两种执行模式，不支持流式（Streaming）输出
• Consensual Process仍处于实验阶段，不支持复杂协商规则自定义
• 框架对LLM调用成本控制机制有限，长任务链可能产生大量API调用
• Crew之间的嵌套编排需要手动实现，框架不提供原生的父子Crew机制

参见

• CrewAI官方文档
• CrewAI GitHub仓库
• 知识wiki: LangGraph深度：有向图驱动的Agent编排框架
• 知识wiki: 多Agent协作：原理、架构与实现路径
• 知识wiki: Agent框架横向对比：LangGraph vs CrewAI vs AutoGen