CrewAI
CrewAI 是什么？
CrewAI 是一个开源框架，用来组建一起完成任务的 AI 智能体团队。你定义每个智能体的角色、目标与可用工具，再把它们串起来，让一个智能体把工作交给下一个。它是代码优先的框架，你用 Python 写 Crew 定义，因此能控制每个智能体做什么、能碰什么。
关键区别在角色。CrewAI 把写作者、研究者、审核者设为独立角色、独立目标、共享上下文，各角色之间互相交接，单循环反复调一个工具的写法在这里没有位置。这很适合分工明确的结构化工作，但也意味着你得先设计好流程，智能体才能跑起来。
框架以 MIT 协议开源，在 GitHub 上已是星标最多的多智能体项目之一，与 LangGraph、AutoGen 并列。背后的公司同时运营托管平台，但框架本身自托管完全免费。
核心能力
- 角色型智能体，为每个智能体设定角色、目标与背景。"研究员""写作者"是实实在在的 Python 对象，不是提示词里的一句人设。
- 顺序与层级流程，按顺序串联智能体，或让一个管理者智能体把任务分派给其他人。
- Flows 流水线，2025 年加入的事件驱动层。Flow 管状态与执行顺序，Crew 在每个步骤里干活。官方文档现在推荐生产应用用 Flows 搭，分支与状态比裸 Crew 可控得多。
- 工具集成，接入搜索、文件、API 与自定义工具，智能体只能看到你递给它的那部分。
- 记忆与上下文共享，在 Crew 内的智能体之间传递状态，并跨运行保留记忆。
- Python 优先，用代码定义 Crew，便于版本控制与测试，也可以用
crewai create flow脚手架直接生成项目。
典型工作流
一个现实的首个项目长这样。先用 crewai create flow 生成项目骨架，里面自带一个 Crew 目录和配置文件。接着逐个定义智能体（角色、目标、背景、可用工具）和任务（描述、期望输出、指派的智能体），然后在项目根目录运行 crewai run，它会自动识别项目是 Flow 还是普通 Crew 并启动。运行时每个智能体依次完成任务，把结果交给下游，最后一个任务可以把 markdown 报告写到磁盘。之后想托管，只要代码在 GitHub 仓库里，crewai deploy create 就能推到 CrewAI 云平台。
实用技巧
- 把 expected_output 当合同写。任务上杠杆最大的字段是
expected_output。写清格式（"一份 markdown 报告，含某某章节，800 到 1200 词"），下游智能体拿到的是结构化输入，不会对着一堆散文自由发挥。 - 先用两个智能体，跑通再加审核者。在边界清晰的任务上先让"研究员+写作者"这组跑起来，等两人的配合稳定后再加第三个智能体，职责只有一项，对照期望格式挑毛病，格式跑偏就明确报错。
- 限制委派深度。层级流程里管理者智能体会反复往下派活。给智能体设
max_iter、保持 Crew 精简，否则一个犯迷糊的智能体能让 token 在循环里烧光。 - 开销异常先查用量，再怪框架。token 消耗随智能体数量与步骤增长。某次运行成本翻了几倍时，先看每个任务的 token 计数，常见原因是冗长的上下文被塞给了下游每一个智能体。
定价
框架以 MIT 协议开源，自托管免费，只需支付调用的模型 API 费用。托管平台（AMP）的免费 Basic 档含可视化 Studio 编辑器、GitHub 集成、每月 50 次工作流执行；Enterprise 档价格面议，增加 SSO、RBAC、PII 脱敏、VPC 或本地部署与入驻培训。免费档与企业档之间没有公开的自助付费档。数字核对于 2026 年 9 月，见CrewAI 官方定价页。
限制与风险
代码优先意味着学习曲线高于无代码构建器。多智能体 Crew 更难调试，流程设计欠佳时一个智能体会把坏输出传给下游；公开对比普遍认为，条件分支多、带循环的工作流更适合 LangGraph 的显式图模型。CrewAI 靠内置 tracing 与 OpenTelemetry 支持缩小了可观测性差距，但独立评测仍认为 LangSmith 的追踪回放更适合生产排障。token 消耗随智能体数量与步骤上升，即使框架免费，复杂 Crew 也可能变贵。
公开讨论怎么说
社区文章与框架对比反复出现同一个模式。CrewAI 常被描述成跑通多智能体原型最快的路子，多篇独立对比给出的双智能体"研究+写作"Crew 耗时约在二十到三十分钟。角色模型受好评，因为非工程背景的协作方能直接读懂智能体定义。常见的抱怨集中在深层流程调试、日志在任务回调里传不干净、顺序执行拖慢可并行的任务。这些是值得参考的方向，不是定论，自己动手验证再下判断。
谁适合用 CrewAI？
它适合熟悉 Python、想要精细控制多智能体结构、看重原型速度与免费自托管协议的开发者和团队。工作流以线性或按角色分工为主时，抽象刚好合身。需要循环、检查点与回放、类型化状态或一流生产可观测性的，先对比 LangGraph。完全不写代码的，无代码平台更合适。
CrewAI 与替代方案
CrewAI 以角色驱动，适合分工明确的任务。要想更底层、显式状态控制的框架，可对比LangGraph；想要无代码可视化，见CrewAI 替代品指南与AutoGen 替代品。想了解编排更少的智能体对话，见AutoGPT。