垦荒学园
  • 中文

      • Agent 智能体

      Agent 是 CrewAI 里的自主单元：按角色执行任务、用工具行动、在允许时委派、可带记忆。把它想成团队里的一位专家——研究员擅长搜集，写作者擅长成稿。

      新 CLI 项目可用 agents/<name>.jsonc；本课用 Python，便于对照官方属性表。

      必填三件套

      参数作用
      role在团队中的职能与专长
      goal决策时对齐的个人目标
      backstory性格与上下文，影响说话语气和取舍

      可选但常用：tools、llm、verbose、allow_delegation、max_iter（默认 20）、memory、knowledge_sources。

      from crewai import Agent
from crewai_tools import SerperDevTool

researcher = Agent(
    role="Research Analyst",
    goal="Find and summarize information about specific topics",
    backstory="You are an experienced researcher with attention to detail.",
    llm="openai/gpt-4o-mini",
    tools=[SerperDevTool()],
    verbose=True,
    allow_delegation=False,
    max_iter=20,
)

      llm 可以是 provider/model-id 字符串、LLM(...) 实例，或省略（回落到 OPENAI_MODEL_NAME / 默认模型）。工具调用也可单独指定 function_calling_llm（更便宜的模型只负责选工具）。

      JSONC（CLI 项目）

      agents/researcher.jsonc：

      {
  "role": "{topic} Senior Data Researcher",
  "goal": "Uncover cutting-edge developments in {topic}",
  "backstory": "You find the most relevant information and present it clearly.",
  "llm": "openai/gpt-4o-mini",
  "tools": ["SerperDevTool"],
  "settings": {
    "verbose": true,
    "allow_delegation": false,
    "max_iter": 20
  }
}

      crew.jsonc 的 "agents": ["researcher"] 会加载该文件。{topic} 来自 crew 级 inputs。

      其它常用开关

      参数说明
      allow_code_execution允许跑代码；code_execution_mode 为 "safe"（Docker）或 "unsafe"
      respect_context_window超窗时摘要（默认 True）
      reasoning执行任务前先规划；可用 max_reasoning_attempts
      inject_date把当前日期注入提示；date_format 默认 "%Y-%m-%d"
      multimodal多模态输入
      max_rpm / max_execution_time限速与超时

      写角色时要具体：差的 role="助手"；好的 role="面向高管的市场分析师，只引用可核验来源"。goal 写成可完成的结果，不要写成空泛的「尽量做好」。

      不经过 Crew：kickoff()

      from pydantic import BaseModel
from typing import List
from crewai import Agent

class Findings(BaseModel):
    main_points: List[str]
    risks: List[str]

agent = Agent(
    role="Briefing writer",
    goal="Return structured findings",
    backstory="You never invent citations.",
)
result = agent.kickoff(
    "Summarize CrewAI Flows vs Crews in 2026 terms.",
    response_format=Findings,
)
print(result.raw)
print(result.pydantic.main_points)

      messages 可以是字符串，或 {"role","content"} 列表。返回 LiteAgentOutput（raw、pydantic、usage_metrics 等）。完整任务链仍应走 Task + Crew。

      与 LangChain Agent 的差别

      LangChain 的 create_agent 是 单循环 Harness（模型 + 工具 + Middleware）。CrewAI 的 Agent 强调 角色卡，真正的多角色协作发生在 Crew 里。需要图检查点时用 LangGraph；需要角色分工时用 CrewAI。

      下一步

      评论