多Agent协作实战：让AI们分工合作完成任务

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：

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：

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

pipinstallcrewai crewai-tools

4.2 定义Agent角色

fromcrewaiimportAgent# 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

fromcrewaiimportTask# 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

fromcrewaiimportCrew# 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

fromcrewai_toolsimportSerperDevTool,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-mvenv crewai_envsourcecrewai_env/bin/activate# Linux/Maccrewai_env\Scripts\activate# Windows

3. 若安装超时，换国内镜像源：

   pipinstallcrewai-ihttps://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：

   pipinstallcrewai==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！