定价：开源免费 + 企业版付费

CrewAI 的核心框架是 MIT 开源，本地跑完全免费。你只需要为 LLM API 调用付费（OpenAI、Anthropic 等的费用）。

CrewAI 同时提供托管平台 crewai.com：

# 本地跑 = 框架免费 + LLM API 费用
# 以 GPT-4o 为例，一个 3-Agent Crew 单次运行大约：
# - 输入 ~20k tokens × $0.0025/1k = $0.05
# - 输出 ~10k tokens × $0.01/1k  = $0.10
# - 合计约 $0.15/次
# 用 Ollama 本地模型则完全免费

常见踩坑和解决方法

1. Agent 陷入循环，反复输出同样的内容

这是最常见的问题。解决方法：

agent = Agent(
    role="...",
    goal="...",
    backstory="...",
    max_iter=5,              # 限制最大迭代次数
    max_retry_limit=2        # 工具调用失败最多重试 2 次
)

同时检查 expected_output 是否足够具体——模糊的目标容易让 Agent 反复尝试。

2. Token 费用超预期

多 Agent 协作时 token 消耗是单次调用的 3-10 倍，因为每个 Agent 都有自己的 system prompt + 上下文。控制方法：

• 简单任务用便宜模型（gpt-4o-mini、claude-haiku-4-5-20251001）
• 关键决策才用强模型
• 设置 max_iter 避免无限循环
• 用 verbose=True 观察 token 实际消耗

3. ModuleNotFoundError: No module named 'crewai_tools'

安装时漏了 tools 包：

pip install 'crewai[tools]'

4. Agent 之间互相推诿，任务没人做

通常是 allow_delegation=True 加上角色描述不清晰导致的。解决方法：给每个 Agent 明确的、不重叠的职责范围，或者在关键 Agent 上设 allow_delegation=False。

5. Ollama 本地模型连不上

确保 Ollama 服务在跑，然后配置：

agent = Agent(
    role="...",
    goal="...",
    backstory="...",
    llm="ollama/llama3.1"  # 格式：ollama/模型名
)

选型决策树

不确定该不该用 CrewAI？按这个流程走：

你的任务需要多个 AI 角色协作吗？
├── 不需要，一个 LLM 调用就够 → 直接用 API，不用框架
└── 需要
    ├── 你会写 Python 吗？
    │   ├── 不会 → 用 Dify 或 Coze（可视化拖拽）
    │   └── 会
    │       ├── 需要精确控制状态流转？ → LangGraph
    │       └── 想快速搭建、角色分工清晰？ → CrewAI ✅
    └── 补充
        ├── 预算有限 → CrewAI + Ollama 本地模型（零 API 费）
        └── 企业级需求 → CrewAI Enterprise 或 LangGraph + LangSmith

CrewAI vs 直接写 Prompt Chain

有人会问："我用 Python 自己调 API，写几个函数串起来不也行吗？"

可以，但 CrewAI 帮你处理了这些你迟早要自己写的东西：

• Agent 角色隔离：每个 Agent 有独立的 system prompt 和上下文，不会互相污染
• 自动重试和容错：工具调用失败自动重试，Agent 卡住自动切换策略
• 委派机制：Agent 发现自己不擅长的任务可以自动转给更合适的队友
• Memory 和学习：跨运行记忆，越用越好
• 监控和调试：verbose 日志、callback hooks、token 消耗追踪

学习资源

上手建议：先跑通第二章的入门项目，然后改 Agent 角色和 Task 描述来做你自己的场景，比看再多教程都有用。