AI Agent 实战：Python + CrewAI 打造多智能体自动化工作流

🌸你好呀！我是 lbb小魔仙
🌟 感谢陪伴～ 小白博主在线求友
🌿 跟着小白学Linux/Java/Python
📖 专栏汇总：
《Linux》专栏 | 《Java》专栏 | 《Python》专栏

一、引言：多智能体与 CrewAI 核心价值

在AI自动化领域，单一智能体往往受限于角色定位和能力边界，难以高效完成复杂的多步骤任务。而多智能体系统（Multi-Agent System）通过多个具备不同专业能力的智能体协同合作，分工明确、各司其职，可实现“任务拆解-专业执行-结果汇总”的全流程自动化，大幅提升工作效率、降低人工干预成本。

CrewAI 是一款轻量且强大的Python多智能体框架，专为协同工作流设计，其核心特性的优势在于：无需复杂的底层开发，即可快速定义智能体角色、分配任务、设置依赖关系；支持多种大语言模型（LLM）集成（如OpenAI、本地模型）；内置任务调度机制，自动处理智能体间的协作与数据流转，让开发者聚焦业务逻辑，快速落地多智能体自动化方案。

本文面向具备基础Python编程能力的开发者，通过“市场调研→内容生成→社交媒体发布”的完整实战示例，手把手教你使用CrewAI构建多智能体自动化工作流，所有代码可直接运行，突出“实战性”与“自动化”核心。

二、实战准备：环境搭建与依赖安装

在开始编码前，需完成环境配置和依赖安装，确保CrewAI及相关组件正常运行。

2.1 环境要求

• Python 3.8+（推荐3.10版本，兼容性最佳）

• 网络环境（若使用OpenAI模型，需能访问外网；使用本地模型可离线运行）

• API密钥（使用OpenAI模型需准备OpenAI API Key；本地模型无需密钥）

2.2 依赖安装

通过pip安装所需依赖包，执行以下命令：

pip install crewai openai python-dotenv  # OpenAI模型依赖
# 若使用本地模型（如Llama 3），需额外安装：
pip install crewai llama-cpp-python

说明：python-dotenv 用于加载环境变量（存储API密钥），避免硬编码密钥导致安全风险。

三、完整实战：构建“市场调研→内容生成→社交媒体发布”工作流

本次实战将构建一个三阶段自动化工作流，涉及3个不同角色的智能体，各智能体协同完成从市场洞察到内容发布的全流程，无需人工干预。具体流程如下：

1. 研究员（Researcher）：负责市场调研，收集指定领域的热点趋势、目标用户需求，输出调研报告；

2. 文案撰写员（Copywriter）：基于调研报告，撰写符合目标人群的推广文案（适配社交媒体场景）；

3. 社交媒体经理（SocialMediaManager）：将撰写好的文案，适配不同社交媒体平台（如小红书、微博）的格式，生成可直接发布的内容。

各智能体的协作关系与数据流向，可通过以下Mermaid流程图清晰展示：

3.1 代码实现：定义智能体（Agent）

首先，导入所需模块，加载环境变量（API密钥），然后定义3个不同角色的智能体，每个智能体需指定“角色、目标、背景、工具、LLM”等核心参数。

import os
from dotenv import load_dotenv
from crewai import Agent, Task, Crew
from crewai_tools import SerperDevTool  # 用于市场调研的工具（获取网络数据）
from openai import OpenAI

# 1. 加载环境变量（存储OpenAI API Key）
load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

# 2. 定义工具：SerperDevTool用于网络搜索（市场调研需获取最新数据）
search_tool = SerperDevTool(api_key=os.getenv("SERPER_API_KEY"))  # Serper API需单独申请（免费额度足够测试）

# 3. 定义第一个智能体：研究员（负责市场调研）
researcher = Agent(
    role="市场研究员",
    goal="深入调研指定领域的最新热点趋势、目标用户需求，输出结构化调研报告，为文案撰写提供核心依据",
    backstory="你是一名资深市场研究员，擅长通过网络搜索、数据整理，挖掘行业热点和用户痛点，具备极强的信息筛选和总结能力，能快速输出有价值的调研结论。",
    tools=[search_tool],  # 研究员需要使用搜索工具获取外部数据
    llm=client.chat.completions.create,  # 调用OpenAI的LLM
    model="gpt-3.5-turbo",  # 选用gpt-3.5-turbo，兼顾成本和效果
    verbose=True  # 开启详细日志，便于调试
)

# 4. 定义第二个智能体：文案撰写员（负责内容生成）
copywriter = Agent(
    role="文案撰写员",
    goal="基于市场调研报告，撰写贴合目标用户的推广文案，语言生动、有吸引力，适配社交媒体传播场景",
    backstory="你是一名资深社交媒体文案师，擅长结合市场热点和用户需求，撰写接地气、有传播力的文案，熟悉年轻人的语言风格，能快速将调研信息转化为优质文案。",
    llm=client.chat.completions.create,
    model="gpt-3.5-turbo",
    verbose=True
)

# 5. 定义第三个智能体：社交媒体经理（负责内容发布适配）
social_media_manager = Agent(
    role="社交媒体经理",
    goal="将推广文案适配小红书、微博两个平台的格式要求，生成可直接复制发布的内容（含标题、话题标签、排版）",
    backstory="你是一名经验丰富的社交媒体运营经理，熟悉小红书、微博的平台规则和用户喜好，能根据文案内容优化标题、添加合适的话题标签，适配平台排版风格。",
    llm=client.chat.completions.create,
    model="gpt-3.5-turbo",
    verbose=True
)

说明：

• SerperDevTool 是CrewAI官方提供的搜索工具，需申请Serper API Key（免费额度可满足测试需求，申请地址：https://serper.dev/）；

• 若不使用网络搜索工具，可删除tools参数，研究员将基于LLM的内置知识进行调研（但数据时效性会下降）；

• 若使用本地模型（如Llama 3），需替换llm参数，示例：llm=ollama.chat.completions.create, model="llama3"（需提前安装ollama并下载模型）。

3.2 代码实现：定义任务（Task）与依赖关系

每个智能体对应一个任务，同时设置任务依赖（文案撰写依赖调研报告，社交媒体发布依赖文案），确保工作流按顺序执行。

# 1. 定义任务1：市场调研（研究员执行）
research_task = Task(
    description="调研当前「AI工具」领域的最新热点趋势，目标用户为25-35岁的开发者，重点收集：1. 最受开发者欢迎的AI工具类型；2. 开发者使用AI工具的核心需求；3. 近期AI工具领域的热门功能。输出1页纸的结构化调研报告，分点清晰、数据准确。",
    expected_output="结构化市场调研报告，包含热点趋势、用户需求、热门功能3个部分，语言简洁，重点突出，可直接用于文案撰写参考。",
    agent=researcher  # 指定该任务由研究员执行
)

# 2. 定义任务2：文案撰写（文案撰写员执行，依赖调研任务完成）
copywriting_task = Task(
    description="基于研究员输出的市场调研报告，撰写一篇推广文案，核心突出AI工具的优势，贴合25-35岁开发者的需求，语言生动、有感染力，字数控制在300字左右，适合社交媒体传播。",
    expected_output="300字左右的推广文案，语言流畅、有吸引力，贴合目标用户需求，突出AI工具的核心价值。",
    agent=copywriter,  # 指定该任务由文案撰写员执行
    dependencies=[research_task]  # 依赖调研任务完成后，再执行该任务
)

# 3. 定义任务3：社交媒体发布适配（社交媒体经理执行，依赖文案任务完成）
social_media_task = Task(
    description="将文案撰写员输出的推广文案，分别适配小红书和微博两个平台：1. 小红书：标题吸引人（含emoji），添加3-5个相关话题标签，排版清晰（分2-3段）；2. 微博：标题简洁有力，添加2-3个话题标签，适配微博短平快的风格。输出两个平台可直接复制发布的完整内容。",
    expected_output="包含小红书、微博两个平台的发布内容，各平台内容符合格式要求，可直接复制发布，无需额外修改。",
    agent=social_media_manager,  # 指定该任务由社交媒体经理执行
    dependencies=[copywriting_task]  # 依赖文案任务完成后，再执行该任务
)

关键说明：通过dependencies参数设置任务依赖，CrewAI会自动调度，确保前一个任务完成后，再执行下一个任务，避免数据缺失导致的错误。

3.3 代码实现：创建 Crew 并运行工作流

将智能体和任务组织成Crew（团队），设置工作流模式，然后运行，即可实现全流程自动化。

# 创建Crew（团队），整合智能体和任务
crew = Crew(
    agents=[researcher, copywriter, social_media_manager],
    tasks=[research_task, copywriting_task, social_media_task],
    verbose=2  # 日志级别：2表示显示详细的执行过程（包括每个智能体的思考和输出）
)

# 运行工作流，获取最终结果
result = crew.kickoff()

# 打印最终结果
print("="*50)
print("多智能体工作流执行完成，最终结果：")
print("="*50)
print(result)

3.4 代码运行说明与示例输出

3.4.1 前置准备

在项目根目录创建.env文件，填入以下内容（替换为自己的API密钥）：

OPENAI_API_KEY=your_openai_api_key
SERPER_API_KEY=your_serper_api_key

3.4.2 运行结果示例

运行代码后，控制台会输出详细的执行日志，最终会打印出3个阶段的结果，示例如下（简化版）：

【市场调研报告】

1. 热门AI工具类型：代码生成类（如Copilot）、数据分析类（如ChatGPT-4o）、自动化部署类（如AI Agent框架）；

2. 开发者核心需求：提升编码效率、降低重复工作、快速解决技术难题；

3. 热门功能：多模态交互、本地部署、自定义工作流。

---

【推广文案】

对于25-35岁的开发者而言，高效编码、少走弯路才是核心需求！当下AI工具已成为开发者的“得力助手”，无论是代码生成、数据分析，还是自动化部署，都能轻松搞定。无需重复编写基础代码，无需花费大量时间处理繁琐任务，一款适配开发者的AI工具，就能帮你节省时间、提升效率，专注核心业务突破。赶紧尝试，解锁编码新体验！

---

【小红书发布内容】

✨开发者必看！AI工具帮你解锁编码高效模式✨

作为25-35岁的开发者，每天被重复代码、繁琐任务消耗精力？

当下热门的AI工具，简直是为我们量身打造！代码生成、数据分析、自动化部署一键搞定，省去大量无效时间，专注核心业务突破～

谁懂啊！有了AI助手，编码效率直接翻倍✅

#AI工具 #开发者必备 #编码效率 #AI助手 #技术干货

---

【微博发布内容】

开发者福音🔥 热门AI工具解锁编码高效模式！

25-35岁开发者必看：AI工具帮你搞定代码生成、数据分析、自动化部署，告别重复工作，提升编码效率，专注核心突破～

#开发者必备 #AI工具推荐 #编码技巧

可以看到，整个工作流从调研到内容发布，完全由3个智能体协同完成，无需人工干预，实现了自动化闭环。

四、工作流优化与扩展建议

上述示例实现了基础的多智能体自动化工作流，结合实际业务场景，可从以下几个方面进行优化和扩展，提升工作流的实用性和稳定性。

4.1 加入人类反馈（Human-in-the-Loop）

在关键任务节点加入人类反馈，避免智能体输出不符合预期的内容。例如，在文案撰写完成后，让人类审核确认，再进入社交媒体适配阶段。CrewAI支持通过human_input=True参数实现这一功能，修改文案任务如下：

copywriting_task = Task(
    description="基于研究员输出的市场调研报告，撰写一篇推广文案...",
    expected_output="300字左右的推广文案...",
    agent=copywriter,
    dependencies=[research_task],
    human_input=True  # 开启人类反馈，文案完成后需人工确认，再继续执行
)

4.2 实现持久化记忆

默认情况下，智能体的记忆仅在单次工作流中有效，若需让智能体记住历史任务信息（如多次调研的趋势变化、文案风格偏好），可集成记忆工具，如RedisMemory或ChromaMemory。示例如下：

from crewai.memory import RedisMemory

# 初始化Redis记忆（需提前安装Redis并启动）
memory = RedisMemory(redis_url="redis://localhost:6379")

# 定义智能体时添加memory参数
researcher = Agent(
    role="市场研究员",
    goal="...",
    backstory="...",
    tools=[search_tool],
    llm=client.chat.completions.create,
    model="gpt-3.5-turbo",
    memory=memory,  # 启用持久化记忆
    verbose=True
)

4.3 集成更多工具扩展能力

CrewAI支持集成多种工具，可根据业务需求扩展智能体能力：

• 文件操作工具：FileReadTool、FileWriteTool，用于读取本地文件或保存输出结果；

• 邮件工具：EmailTool，用于完成文案发布后发送通知邮件；

• 自定义工具：根据业务需求编写工具（如对接企业内部系统、数据库查询）。

4.4 优化LLM选择与性能

根据任务复杂度选择合适的LLM：简单任务（如文案适配）可用gpt-3.5-turbo，复杂任务（如深度调研、复杂文案）可用gpt-4-turbo；若需离线运行，可替换为本地模型（如Llama 3、Qwen），降低API成本。

五、总结

本文通过Python + CrewAI，实现了“市场调研→内容生成→社交媒体发布”的全流程多智能体自动化工作流，展示了多智能体系统“分工协作、高效自动化”的核心优势，同时提供了可直接运行的代码示例和清晰的协作流程图。

对于开发者而言，CrewAI框架大幅降低了多智能体系统的开发门槛，无需关注底层协同逻辑，只需聚焦角色定义、任务分配和工具集成，即可快速落地自动化方案。无论是市场运营、内容创作，还是研发协同、客户服务，多智能体自动化工作流都能大幅提升效率、降低人工成本。

后续可结合实际业务场景，扩展智能体角色、集成更多工具、加入人类反馈和持久化记忆，让多智能体工作流更贴合业务需求，实现更复杂的自动化场景落地。

📕个人领域 ：Linux/C++/java/AI
🚀 个人主页 ：有点流鼻涕 · CSDN
💬 座右铭 ： “向光而行，沐光而生。”