「小墨是前端」专注前端技术分享，推荐优质开源项目，展示 Github、Gitee 创意作品，深入前端底层原理，一起探索技术边界。

目前 AI Agent 爆发，但是大多数框架还是太”程序员思维”了。你需要定义 Chain、定义 Memory、定义 Tool，像是在拼乐高。

而 CrewAI 是”产品经理思维”。你不需要关心底层怎么连接，你只需要定义”角色”（Role）、”目标”（Goal）和”任务”（Task）。

这就好比，以前你是写代码控制机器人，目前你是开公司招人。

它完全独立，不依赖 LangChain（虽然也能配合用），主打一个轻量、快速、生产级。短短几个月冲到 41.5K Star，这速度简直离谱。

核心功能：真的像在管团队

1. 基于角色的设计 (Role-Based)

在 CrewAI 里，每个 Agent 都有自己的人设。

列如你想写个爬虫，你定义的不是”爬虫脚本”，而是一个”高级数据研究员”。 你可以给它设定背景故事：”你是一个对数据极其敏感的专家，擅长从复杂的网页中提取关键信息。”

有了人设，LLM 的表现力会直接提升一个档次。它知道自己是谁，该干什么，不该干什么。

2. 自动协作与委派 (Delegation)

这是最骚的功能。Agent 之间可以相互”甩锅”。

列如”研究员”发现数据太复杂，它自己处理不了，可以自动把任务委派给”分析师”。整个过程不需要你写一行代码去调度，它们自己会在内部”开会”解决。

我看着后台日志里它们相互通过话，真有种在看员工群聊的错觉。

3. Crews 与 Flows 的完美结合

CrewAI 最近推出了 Flows。如果说 Crews 是”团队”，那 Flows 就是”SOP”（标准作业程序）。

你可以定义一个流程：先让”研究员”搜集信息，如果信心分数大于 0.8，直接发给”写手”写文章；如果小于 0.5，打回去重做。

这种事件驱动的流程控制，让它不仅能做 Demo，真能上生产环境。

实战对比：它凭什么吊打 LangChain？

我拉了个表格，把 CrewAI 和其他主流方案做了个对比：

• LangChain：功能最强，但太底层，写起来像在解数学题。
• AutoGen：微软出品，很强，但配置复杂，对话流控制不容易。
• CrewAI：上手最快，逻辑最清晰，最适合快速落地。

实战：10分钟搭一个”竞品分析团队”

别光说不练，看看代码有多简单。假设我们要分析一个 AI 话题：

from crewai import Agent, Task, Crew, Process

# 1. 招聘员工（定义 Agent）
# 这里记得把 verbose 打开，能看到它们"吵架"的过程，特有意思
researcher = Agent(
  role='高级研究员',
  goal='发现 AI 领域的最新突破',
  backstory='你是一个对技术趋势有敏锐嗅觉的专家，擅长挖掘被忽视的细节...',
  verbose=True,
  # memory=True, # 加上这个，它能记住之前的对话，不过有点吃显存
)

writer = Agent(
  role='技术博主',
  goal='把复杂的技术写成通俗易懂的文章',
  backstory='你擅长把枯燥的论文变成 10w+ 的爆款文，文风要幽默...',
  verbose=True
)

# 2. 分配任务（定义 Task）
task1 = Task(
  description='研究 2025 年 AI Agent 的最新趋势，重点关注 CrewAI',
  agent=researcher
)

task2 = Task(
  description='根据研究结果，写一篇 1500 字的深度文章，要带 Markdown 格式',
  agent=writer
)

# 3. 组建团队开干（定义 Crew）
crew = Crew(
  agents=[researcher, writer],
  tasks=[task1, task2],
  process=Process.sequential  # 顺序执行，也能并行（Process.hierarchical）
)

# 4. 启动！
# inputs 可以传参，列如 topic='AI Agents'
result = crew.kickoff()
print(result)

看到没？没有复杂的 Chain，没有晦涩的 Graph，就是简单的招人、分活、开干。

本地模型支持：省钱神器

除了接 OpenAI，CrewAI 对本地模型的支持也是一绝。

配合 Ollama，你可以在本地跑 Llama 3 或者 Mistral。

# 只需要一行配置
os.environ["OPENAI_API_BASE"] = 'http://localhost:11434/v1'
os.environ["OPENAI_MODEL_NAME"] = 'openhermes'  # Adjust based on available model
os.environ["OPENAI_API_KEY"] = 'sk-111111111111111111111111111111111111111111111111'

我在本地跑了个 Llama 3，配合 CrewAI，处理一些隐私数据，速度虽然比不上 GPT-4，但胜在免费且安全。

说实话，也有门槛

吹了半天，也得泼点冷水。这东西毕竟还在快速迭代，我也踩了几个坑：

1. 文档有点散：功能更新太快，有时候文档跟不上代码。列如 Flows 的文档，我翻了好久才在 Examples 里找到用法。
2. 本地模型吃配置：虽然支持 Ollama，但如果你的显卡显存小于 12G，跑 Llama 3 可能会有点慢，Agent 思考时间会变长。
3. Token 消耗：如果不小心开启了 Memory 和详细日志，Token 消耗会比较快，提议测试时用便宜的模型。

最后的提议

如果你受够了 LangChain 的臃肿，或者想快速验证一个 Multi-Agent 的想法，CrewAI 绝对是目前最好的选择。

它把 AI 开发的门槛，从”写代码”降低到了”写剧本”。只要你会通过 Prompt 定义角色，你就能指挥一支 AI 军团。

项目地址：https://github.com/crewAIInc/crewAI

如果这篇文章对你有协助，欢迎点赞、收藏、转发！持续分享前端干货和开源好物，关注我，不迷路～

#AI# #GitHub# #开源# #CrewAI# #Python#