摘要： 本文深入探讨多Agent协作的核心概念，通过CrewAI框架实战搭建一个多Agent内容创作团队，并总结项目落地中的最佳实践与常见问题排查方法。无论你是AI初学者还是资深开发者，都能从中获得可落地的协作思路与代码示例。

关键词： 多Agent协作；CrewAI；AI Agent；LangGraph；Python

1. 引言

随着大语言模型能力的不断提升，单一Agent已经能够完成许多复杂的任务。然而，当面对需要多领域知识、多步骤协同的复杂场景时，单个Agent往往力不从心。多Agent协作（Multi-Agent Collaboration）应运而生——它让多个AI Agent像人类团队一样分工合作，各司其职，共同完成一个复杂目标。

本文将带你从零开始，理解多Agent协作的核心概念，并通过一个实战项目，亲手搭建一个多Agent协作系统。

2. 什么是多Agent协作

多Agent协作是指多个独立的AI Agent通过通信、协调和分工，共同完成一个复杂任务的过程。每个Agent拥有独立的角色定义、知识库和工具集，它们可以：

• 分工：不同Agent负责不同子任务
• 协作：Agent之间传递中间结果
• 仲裁：由协调Agent汇总并决策最终输出

2.1 核心角色

一个典型的多Agent系统通常包含以下角色：

角色	职责	示例
协调者（Coordinator）	拆解任务、分配子任务、汇总结果	项目经理
专家Agent	执行特定领域的子任务	代码编写、文案撰写
审核者（Reviewer）	检查输出质量、提出修改建议	代码审查、内容校对
记忆模块	存储对话历史与中间状态	共享上下文

2.2 适用场景

• 复杂报告生成：调研Agent收集资料 → 分析Agent整理数据 → 写作Agent撰写报告 → 审核Agent润色
• 软件开发：需求分析Agent → 架构设计Agent → 编码Agent → 测试Agent
• 客服系统：意图识别Agent → 知识库检索Agent → 回复生成Agent → 情感分析Agent

3. 技术选型与框架对比

目前主流的Python多Agent框架包括：

框架	特点	适用场景
LangGraph	基于图的状态机，灵活可控	复杂工作流编排
CrewAI	角色化设计，开箱即用	快速原型开发
AutoGen	微软出品，支持多轮对话	研究实验
MetaGPT	模拟软件公司角色	软件开发全流程

本文以 CrewAI 为例，因为它角色定义清晰、上手简单，非常适合入门实战。

4. 实战：搭建一个多Agent内容创作团队

我们将搭建一个由三个Agent组成的「内容创作团队」，完成一篇技术博客的撰写。

4.1 安装依赖

pip install crewai crewai-tools

4.2 定义Agent角色

from crewai import Agent

# 1. 调研Agent：负责收集资料
researcher = Agent(
    role="技术调研员",
    goal="收集并整理最新的技术资料和最佳实践",
    backstory="你是一名资深技术研究员，擅长从文档、论文和社区中提取关键信息。",
    verbose=True,
    allow_delegation=False
)

# 2. 写作Agent：负责撰写内容
writer = Agent(
    role="技术写手",
    goal="将调研结果转化为清晰易懂的技术文章",
    backstory="你是一名技术博客作者，擅长用生动的语言解释复杂概念。",
    verbose=True,
    allow_delegation=False
)

# 3. 审核Agent：负责质量把控
reviewer = Agent(
    role="内容审核员",
    goal="检查文章的技术准确性、可读性和格式规范",
    backstory="你是一名严谨的技术编辑，对细节要求极高。",
    verbose=True,
    allow_delegation=False
)

4.3 定义任务

from crewai import Task

# 调研任务
research_task = Task(
    description="调研多Agent协作框架的最新发展，重点了解CrewAI和LangGraph的对比。",
    expected_output="一份包含框架对比表、核心概念和最佳实践的调研报告。",
    agent=researcher
)

# 写作任务
write_task = Task(
    description="基于调研报告，撰写一篇面向初学者的多Agent协作实战教程。",
    expected_output="一篇结构完整、语言生动的技术博客，包含引言、概念、实战和总结。",
    agent=writer
)

# 审核任务
review_task = Task(
    description="审核文章的技术准确性、逻辑连贯性和格式规范性。",
    expected_output="审核意见列表，包含需要修改的问题和建议。",
    agent=reviewer
)

4.4 组建团队并执行

from crewai import Crew

# 创建团队
content_crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research_task, write_task, review_task],
    verbose=True
)

# 启动协作
result = content_crew.kickoff()
print(result)

4.5 运行结果

执行上述代码后，三个Agent会按顺序工作：

1. 调研Agent先收集资料，输出调研报告
2. 写作Agent拿到报告后撰写文章初稿
3. 审核Agent检查初稿，给出修改建议

最终输出是一篇经过调研、撰写、审核全流程的完整技术文章。

4.6 效果展示

下面是多Agent协作过程中的模拟终端输出日志，展示了三个Agent依次执行任务时的中间状态：

Agent 1：调研Agent（ResearchAgent）执行日志

[ResearchAgent] 开始执行任务：调研多Agent协作框架
[ResearchAgent] 调用工具：web_search(query="CrewAI vs AutoGen 多Agent框架对比 2025")
[ResearchAgent] 获取到 5 条搜索结果
[ResearchAgent] 提取关键信息：
  - CrewAI：轻量级，适合中小规模团队，支持角色定义与任务委派
  - AutoGen：微软出品，支持多轮对话与代码执行，适合复杂推理
  - LangGraph：LangChain生态，支持有向图流程控制
[ResearchAgent] 生成调研报告（共 3 个要点）...
[ResearchAgent] 任务完成，输出已写入共享上下文 context["research_report"]

日志1：调研Agent正在收集资料并输出调研报告，可以看到它调用了搜索工具并提取了关键信息。

Agent 2：写作Agent（WritingAgent）执行日志

[WritingAgent] 开始执行任务：基于调研报告生成文章初稿
[WritingAgent] 从 context["research_report"] 读取调研结果
[WritingAgent] 拟定文章标题：「多Agent协作实战：用CrewAI搭建内容创作团队」
[WritingAgent] 生成大纲：
  1. 引言
  2. 什么是多Agent协作
  3. 技术选型
  4. 实战搭建
  5. 进阶技巧
[WritingAgent] 逐段撰写正文...
[WritingAgent] 初稿完成，共 1200 字，已写入 context["draft"]

日志2：写作Agent接收到调研报告后，开始生成文章初稿，日志中展示了标题拟定、段落组织等中间步骤。

Agent 3：审核Agent（ReviewAgent）执行日志

[ReviewAgent] 开始执行任务：审核文章初稿并给出修改建议
[ReviewAgent] 从 context["draft"] 读取初稿
[ReviewAgent] 检查项：
  ✅ 格式规范：Markdown标题层级正确
  ✅ 技术准确性：代码示例与描述一致
  ⚠️ 逻辑连贯性：第3节与第4节之间缺少过渡段落
  ✅ 代码可运行性：所有代码块均标注了语言
[ReviewAgent] 生成审核报告（共 3 条建议）...
[ReviewAgent] 任务完成，审核结果已写入 context["review_feedback"]

日志3：审核Agent对初稿进行检查，输出修改建议，包括格式规范、技术准确性、逻辑连贯性等方面的反馈。

从日志中可以看到，每个Agent都在独立执行自己的任务，并通过共享的上下文（context）传递中间结果，实现了完整的「调研 → 写作 → 审核」协作流水线。

5. 进阶：引入工具与记忆

5.1 为Agent绑定工具

from crewai_tools import SerperDevTool, ScrapeWebsiteTool

search_tool = SerperDevTool()
scrape_tool = ScrapeWebsiteTool()

researcher_with_tools = Agent(
    role="技术调研员",
    goal="收集并整理最新的技术资料",
    backstory="你擅长使用搜索引擎和网页抓取工具获取信息。",
    tools=[search_tool, scrape_tool],
    verbose=True
)

5.2 启用记忆功能

content_crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research_task, write_task, review_task],
    memory=True,  # 启用记忆，Agent可引用历史对话
    verbose=True
)

启用记忆后，写作Agent可以引用调研Agent之前输出的内容，审核Agent也能看到完整的创作过程，协作更加流畅。

6. 最佳实践与注意事项

6.1 角色定义要清晰

每个Agent的 role、goal 和 backstory 要具体明确，避免角色重叠导致输出混乱。

6.2 任务依赖要合理

使用 context 参数指定任务依赖关系，确保下游任务能拿到上游的输出：

write_task = Task(
    description="撰写文章",
    expected_output="文章正文",
    agent=writer,
    context=[research_task]  # 依赖调研任务
)

6.3 控制Agent数量

不是Agent越多越好。3-5个Agent通常能取得较好的效果，过多会增加通信开销和token消耗。

6.4 设置合理的超时与重试

Agent(
    role="调研员",
    max_iter=5,  # 最大迭代次数
    max_execution_time=120,  # 最大执行时间（秒）
    allow_delegation=False
)

6.5 常见错误与排查

错误 1：依赖安装失败

现象：运行 pip install crewai 时出现版本冲突或安装超时。

排查步骤：

1. 确认 Python 版本 ≥ 3.10，建议使用 3.11 或 3.12。
2. 使用虚拟环境隔离依赖：

   python -m venv crewai_env
   source crewai_env/bin/activate  # Linux/Mac
   crewai_env\Scripts\activate     # Windows
   

3. 若安装超时，换国内镜像源：

   pip install crewai -i https://pypi.tuna.tsinghua.edu.cn/simple
   

4. 检查 crewai 与 crewai-tools 版本是否兼容，建议锁定版本：

   pip install crewai==0.30.0 crewai-tools==0.1.0
   

错误 2：Agent 无响应或超时

现象：任务执行时 Agent 长时间卡住，最终抛出 TimeoutError。

排查步骤：

1. 检查 LLM API 密钥是否有效，以及 API 服务是否正常（如 OpenAI 的 api.openai.com 能否访问）。
2. 在 Agent 定义中显式设置 max_execution_time 和 max_iter，避免无限等待：

   Agent(
       role="研究员",
       max_iter=10,
       max_execution_time=180,
       verbose=True  # 开启日志便于定位
   )
   

3. 若使用本地模型（如 Ollama），确认模型已加载且上下文窗口足够大。
4. 检查网络代理设置，确保请求未被拦截。

错误 3：任务陷入死循环

现象：Agent 反复执行同一任务，输出内容不断重复，无法进入下一阶段。

排查步骤：

1. 检查任务 description 是否过于模糊，导致 Agent 无法判断何时完成。应明确指定 expected_output 的格式和内容要求。
2. 避免 Agent 之间循环委托（A 委托 B，B 又委托 A），在 Agent 定义中设置 allow_delegation=False 可临时关闭委托功能。
3. 为关键任务设置 max_iter 上限，防止无限迭代。
4. 开启 verbose=True 观察 Agent 的思考过程，定位循环触发点。

错误 4：输出格式不符合预期

现象：Agent 返回的内容结构混乱，缺少关键字段或格式错误。

排查步骤：

1. 在 Task 的 expected_output 中给出明确的格式模板，例如：

   Task(
       description="生成产品介绍",
       expected_output="一个 JSON 对象，包含 title、description、price 三个字段",
       agent=writer
   )
   

2. 使用 output_json 或 output_pydantic 参数强制结构化输出（需配合支持结构化输出的模型）。
3. 在 description 末尾追加示例输出，引导 Agent 遵循格式。

7. 总结

多Agent协作是AI应用的重要发展方向。通过让多个AI Agent分工合作，我们可以构建出更强大、更可靠的智能系统。本文从概念到实战，带你搭建了一个完整的多Agent内容创作团队。

下一步，你可以尝试：

• 将Agent数量扩展到5个以上，模拟更复杂的团队结构
• 接入外部API（如数据库、搜索引擎）增强Agent能力
• 使用LangGraph构建更灵活的工作流

多Agent的世界才刚刚开始，期待你的探索与实践！