Agent 的全部配置项
CrewAI 的 Agent 不只是"一个 prompt"——它有角色设定、工具绑定、委派能力和记忆。除了 YAML 配置，你也可以直接用 Python 定义：
from crewai import Agent
from crewai_tools import SerperDevTool, ScrapeWebsiteTool
researcher = Agent(
role="Senior Tech Researcher",
goal="找到最准确、最新的技术信息",
backstory="你是一个有 10 年经验的技术分析师...",
tools=[SerperDevTool(), ScrapeWebsiteTool()],
llm="gpt-4o", # 可以每个 Agent 用不同模型
max_iter=5, # 最多重试 5 次
memory=True, # 开启记忆
allow_delegation=True, # 允许把子任务委派给其他 Agent
verbose=True # 打印思考过程
)
几个关键参数说明：
backstory不是装饰——它直接影响 Agent 的行为。一个"谨慎的安全审计员"和一个"激进的增长黑客"面对同样的任务会给出完全不同的答案。allow_delegation设为 True 后，Agent 发现自己搞不定的事会自动找团队里更合适的 Agent 帮忙。max_iter防止 Agent 陷入死循环，5-10 是比较合理的值。
Task 的设计要点
Task 是你给 Agent 下达的具体指令。写好 Task 的关键是 expected_output 要具体：
from crewai import Task
research_task = Task(
description="调研 {topic} 的最新动态，包括版本更新、社区反馈、竞品对比",
expected_output="结构化 Markdown 报告，包含 10 个要点，每点附来源链接",
agent=researcher,
output_file="research_report.md" # 自动保存到文件
)
# Task 之间可以传递上下文
writing_task = Task(
description="基于调研报告撰写技术博客",
expected_output="1500 字中文技术博客，Markdown 格式",
agent=writer,
context=[research_task] # 自动获取 research_task 的输出作为输入
)
context 参数是 CrewAI 的精华之一：你不需要手动把上一个 Task 的结果复制粘贴给下一个 Agent，框架自动传递。
Crew 的两种执行模式
顺序执行（Sequential）——Task 按定义顺序逐个执行：
from crewai import Crew, Process
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, writing_task],
process=Process.sequential, # 先研究，再写文章
verbose=True
)
result = crew.kickoff(inputs={"topic": "CrewAI framework"})
print(result.raw) # 最终输出
层级执行（Hierarchical）——自动分配一个 Manager Agent 来调度任务：
crew = Crew(
agents=[researcher, writer, editor],
tasks=[research_task, writing_task, review_task],
process=Process.hierarchical, # Manager 自动决定谁先做什么
manager_llm="gpt-4o"
)
层级模式适合任务之间有复杂依赖、需要动态调度的场景。
内置工具清单
crewai[tools] 自带一批开箱即用的工具：
| 工具 | 用途 | 需要的 API Key |
|---|---|---|
SerperDevTool |
Google 搜索 | SERPER_API_KEY |
ScrapeWebsiteTool |
抓取网页内容 | 无 |
FileReadTool |
读取本地文件 | 无 |
DirectoryReadTool |
列出目录文件 | 无 |
PDFSearchTool |
搜索 PDF 内容 | 无 |
CodeInterpreterTool |
执行 Python 代码 | 无 |
GithubSearchTool |
搜索 GitHub 仓库 | GITHUB_TOKEN |
自定义工具
写一个自定义工具只需要 @tool 装饰器：
from crewai.tools import tool
@tool("Calculate Token Cost")
def calculate_cost(model: str, input_tokens: int, output_tokens: int) -> str:
"""根据模型和 token 数量计算 API 调用费用"""
prices = {
"gpt-4o": (0.0025, 0.01),
"claude-sonnet-4-6": (0.003, 0.015),
}
if model not in prices:
return f"未知模型: {model}"
input_price, output_price = prices[model]
cost = (input_tokens / 1000) * input_price + (output_tokens / 1000) * output_price
return f"预估费用: ${cost:.4f}"
把工具传给 Agent 就行，Agent 会根据 Task 需要自动决定是否调用：
cost_analyst = Agent(
role="Cost Analyst",
goal="分析和优化 AI API 调用成本",
backstory="...",
tools=[calculate_cost]
)
CrewAI 的工具系统兼容 LangChain Tools，如果你之前写过 LangChain 工具可以直接复用。