从脚本到服务
本地 crew.kickoff() 是同步阻塞的，跑完才返回。真实业务里你需要：
- HTTP 触发：让后端系统、定时任务、前端按钮能调用 Crew
- 异步执行：Crew 跑 2 分钟，API 不能阻塞 2 分钟
- 任务状态追踪：用户需要知道"还在跑"还是"已完成"
- 失败恢复：网络抖动或 LLM 超时不应该让整个流程重来
这一章把这四件事都解决掉。
用 FastAPI 封装 Crew
项目结构：
my_crew/
├── crew.py # Crew 定义
├── api.py # FastAPI 应用
├── Dockerfile
└── docker-compose.yml
crew.py（复用第三章的竞品分析 Crew）：
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool
def build_crew() -> Crew:
search = SerperDevTool()
scout = Agent(
role="Market Scout",
goal="找到 {product} 的所有竞品及最新动态",
backstory="你专门追踪 SaaS 市场动态",
tools=[search],
max_iter=5
)
analyst = Agent(
role="Competitive Analyst",
goal="对比 {product} 和竞品的功能、定价",
backstory="你擅长结构化分析",
tools=[search],
max_iter=5
)
scan_task = Task(
description="搜索 {product} 主要竞品，每个收集官网、功能、定价",
expected_output="竞品清单表格，至少 5 个竞品",
agent=scout
)
compare_task = Task(
description="对比 {product} 和每个竞品的优劣势",
expected_output="详细对比矩阵",
agent=analyst,
context=[scan_task]
)
return Crew(
agents=[scout, analyst],
tasks=[scan_task, compare_task],
process=Process.sequential
)
api.py：
import asyncio
import uuid
from fastapi import FastAPI, BackgroundTasks
from pydantic import BaseModel
app = FastAPI()
# 内存 job 状态（生产换 Redis）
jobs: dict[str, dict] = {}
class KickoffRequest(BaseModel):
product: str
@app.post("/kickoff")
async def kickoff(req: KickoffRequest, background_tasks: BackgroundTasks):
job_id = str(uuid.uuid4())
jobs[job_id] = {"status": "running", "result": None}
async def run():
try:
crew = build_crew()
# kickoff_async() 不阻塞事件循环
result = await crew.kickoff_async(inputs={"product": req.product})
jobs[job_id] = {"status": "done", "result": result.raw}
except Exception as e:
jobs[job_id] = {"status": "error", "error": str(e)}
background_tasks.add_task(run)
return {"job_id": job_id}
@app.get("/status/{job_id}")
def status(job_id: str):
return jobs.get(job_id, {"status": "not_found"})
@app.get("/health")
def health():
return {"status": "ok"}
前端轮询 /status/{job_id} 直到 status == "done"，再拿 result。
同时跑多个 Crew：kickoff_for_each_async
如果你的场景是"给 10 个产品各跑一次竞品分析"，用 kickoff_for_each_async：
from crewai import Crew
products = ["CrewAI", "LangGraph", "AutoGen", "Dify", "Coze"]
inputs_list = [{"product": p} for p in products]
crew = build_crew()
# 并发跑，自动管理事件循环
results = await crew.kickoff_for_each_async(inputs=inputs_list)
for product, result in zip(products, results):
print(f"{product}: {result.raw[:200]}")
串行跑 5 个可能需要 10 分钟，并发只需要 2-3 分钟（取决于 LLM 限速）。
断点续跑：restore_from_state_id（CrewAI 1.14.5+）
Flow 跑到一半因为网络超时崩了？不用从头来。Flow 支持持久化 State，用 restore_from_state_id 从某个快照分叉：
from crewai.flow.flow import Flow, listen, start, persist
from pydantic import BaseModel
class PipelineState(BaseModel):
topic: str = ""
research: str = ""
article: str = ""
class ContentPipeline(Flow[PipelineState]):
@start()
@persist # 每步执行后自动保存 state
def pick_topic(self):
self.state.topic = "CrewAI 2026 生产部署"
@listen(pick_topic)
@persist
def do_research(self, topic):
result = research_crew.kickoff(inputs={"topic": topic})
self.state.research = result.raw
@listen(do_research)
@persist
def write_article(self):
result = writing_crew.kickoff(inputs={
"topic": self.state.topic,
"research": self.state.research
})
self.state.article = result.raw
pipeline = ContentPipeline()
# 正常跑，拿到 state_id
result = await pipeline.kickoff_async()
state_id = pipeline.state_id # 保存下来
# 崩了？从某个已保存的快照恢复，分配新 state_id
recovery_pipeline = ContentPipeline()
result = await recovery_pipeline.kickoff_async(
restore_from_state_id=state_id # 从该快照加载 state 继续跑
)
@persist 装饰每个步骤，保证每步完成后 state 都写入 SQLite（默认）。restore_from_state_id 加载快照后用新 state_id 写后续结果，原始历史不丢。
注意：
restore_from_state_id和from_checkpoint不能同时用，二选一。
Docker 容器化
Dockerfile：
FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
EXPOSE 8000
HEALTHCHECK --interval=30s --timeout=10s \
CMD curl -f http://localhost:8000/health || exit 1
CMD ["uvicorn", "api:app", "--host", "0.0.0.0", "--port", "8000"]
docker-compose.yml（含 Redis 用于生产级 job 状态存储）：
services:
crew-api:
build: .
ports:
- "8000:8000"
environment:
- OPENAI_API_KEY=${OPENAI_API_KEY}
- SERPER_API_KEY=${SERPER_API_KEY}
- REDIS_URL=redis://redis:6379
depends_on:
redis:
condition: service_healthy
restart: unless-stopped
redis:
image: redis:7-alpine
healthcheck:
test: ["CMD", "redis-cli", "ping"]
interval: 10s
timeout: 5s
retries: 3
restart: unless-stopped
# 启动
docker compose up -d
# 测试
curl -X POST http://localhost:8000/kickoff \
-H "Content-Type: application/json" \
-d '{"product": "CrewAI"}'
# 查状态
curl http://localhost:8000/status/{job_id}
成本控制：生产环境不能放任烧钱
一个 3-Agent Crew 单次约 $0.10–0.30，定时任务每天跑 100 次就是 $10–30/天。几个硬性规则：
agent = Agent(
role="...",
goal="...",
backstory="...",
max_iter=5, # 禁止无限循环
max_rpm=10, # 每分钟最多 10 次 LLM 调用（防突发）
)
crew = Crew(
agents=[...],
tasks=[...],
max_rpm=30, # Crew 级别限速
)
模型路由策略（成本降 60% 的实操）：
| 任务类型 | 推荐模型 | 原因 |
|---|---|---|
| 网页搜索 + 信息提取 | gpt-4o-mini / claude-haiku-4-5-20251001 |
够用，比 GPT-4o 便宜 10x |
| 复杂推理 / 决策 | claude-sonnet-4-6 / gpt-4o |
准确性更重要 |
| 最终输出生成 | claude-sonnet-4-6 |
文字质量有要求 |
| 本地隐私数据 | ollama/llama3.1 |
零 API 费用 |
部署后必做：开监控
生产 Crew 挂了你不知道，等于白部署。最省力的方式是接 Langfuse（开源，可自托管）：
pip install langfuse
import os
os.environ["LANGFUSE_SECRET_KEY"] = "sk-..."
os.environ["LANGFUSE_PUBLIC_KEY"] = "pk-..."
os.environ["LANGFUSE_HOST"] = "https://cloud.langfuse.com" # 或自托管地址
# Langfuse 自动 patch CrewAI，无需改任何代码
import langfuse
langfuse.configure()
# 正常 kickoff，所有 LLM 调用自动上报
result = crew.kickoff(inputs={"product": "CrewAI"})
Langfuse Dashboard 可以看到每次 Crew 运行的：token 消耗、延迟分布、每个 Agent 的调用链、失败率。发现某天成本突增，直接 drill down 到具体的 Agent 调用。
