🔧 开源框架

CrewAI

Item: CrewAI
Rating: 8.6
Author: Mnet

★★★★ ★

8.6 / 10

多Agent编排框架，通过定义角色、目标和任务来创建协作型AI团队，支持顺序和分层执行流程

开源免费多Agent 办公 Agent

🌐 访问官网 GitHub

📅 收录: 2026-06-16 🔄 更新: 2026-07-07

📄 深度文章 (2 篇)

1. CrewAI

🕒 更新于 2026-07-07

CrewAI 快速入门

像搭剧组一样写代码:定角色、分任务,几个 AI 员工自己就能把活干完。

这是什么?适合谁?

CrewAI 是一个用 Python 写「AI 团队」 的开源框架。它的设计灵感来自现实中的工作团队——每个人都有角色(role)、目标(goal) 和背景故事(backstory),各自分到任务(task),在流程(process) 的安排下协同完成一项大工作。框架名字里的 Crew 就是「团队」的意思。

和单 Agent 框架(比如 AutoGPT)不同,CrewAI 强调的是多 Agent 协作:一个 Agent 写出来的稿子可以交给另一个 Agent 审校,审校完再交给第三个 Agent 翻译,最后由汇总 Agent 出终稿。这种「流水线式」的协作方式,在写作、研究、市场分析、代码审查等任务上比单 Agent 表现更稳,因为每个 Agent 都可以专注自己擅长的那一步。

从技术角度看,CrewAI 构建在 LangChain 之上,自带记忆、工具调用、任务委派、文件读写等模块。它提供了顺序流程(sequential) 和分层流程(hierarchical) 两种默认编排模式:顺序流程让 Agent 按列表顺序一个个执行任务,分层流程会自动创建一个「管理者 Agent」来动态分配任务给其他 Agent。两种模式分别对应了「流水线工厂」和「小组长带队员」两种工作方式。

适合谁?如果你已经熟悉 Python 基础语法,想用几十行代码搭一个能跑通的多 Agent 流水线,CrewAI 的学习曲线相对友好;如果你想做长链条的内容生成(比如研究报告、深度文章、跨语言翻译),CrewAI 的设计跟这种场景天然契合;如果你追求极简、不想自己写 Agent 之间的消息路由代码,选 CrewAI 比直接用 LangGraph 更省事。

不适合纯小白入门——你需要会装 Python 包、写简单 Python 文件、配置 API key;也不适合需要重型工作流编排(带分支、循环、条件判断)的工业级项目,这种情况下 LangGraph 或 OpenClaw 更合适。

准备工作

开始之前,请准备以下几样:

Python 3.10 及以上版本:访问 https://www.python.org/downloads/ 下载安装,Windows 用户记得在安装时勾选「Add Python to PATH」。
pip 包管理器:Python 3.10+ 自带 pip,可以在终端里输入 pip --version 验证。
大模型 API Key:CrewAI 本身不绑定模型,你可以接 OpenAI、Anthropic、Ollama 本地模型,甚至国内的 DeepSeek、月之暗面 Kimi 等兼容 OpenAI 接口的服务。推荐先用 OpenAI 或 DeepSeek 试水。
一个顺手的代码编辑器:VS Code 即可。

环境变量方面,建议在系统或 shell 里设置 OPENAI_API_KEY(或对应厂商的 key),CrewAI 会自动读取。

3 步快速上手

第 1 步:安装 CrewAI

打开终端,推荐用 pipx 或 venv 创建一个干净的虚拟环境,避免污染全局 Python:

python -m venv .venv
source .venv/bin/activate   # Windows PowerShell 用: .venv\Scripts\Activate.ps1
pip install crewai crewai-tools

crewai 是核心包,crewai-tools 提供一组开箱即用的工具(网页搜索、文件读写、代码执行等)。安装完成后,在终端输入 crewai --version 验证是否成功。

第 2 步:写一个最小可运行示例

在你喜欢的工作目录下新建一个 research_crew.py 文件,粘贴以下代码:

import os
os.environ["OPENAI_API_KEY"] = "sk-..."  # 也可以从环境变量读

from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role="研究员",
    goal="搜集关于主题的权威信息",
    backstory="你是一位严谨的研究员,擅长从公开资料中提炼事实。",
    verbose=True,
)

writer = Agent(
    role="撰稿人",
    goal="把研究员提供的事实写成一段流畅的短文",
    backstory="你是一位资深科技写作者,文风简洁。",
    verbose=True,
)

task1 = Task(
    description="研究 2026 年 AI Agent 领域的三个主要趋势,每条趋势用一句话总结。",
    expected_output="三条带来源的趋势总结。",
    agent=researcher,
)

task2 = Task(
    description="根据上面研究员的结果,写一段 200 字的中文导读。",
    expected_output="200 字中文短文。",
    agent=writer,
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[task1, task2],
    process=Process.sequential,
)

result = crew.kickoff()
print(result)

这个示例定义了两个 Agent——研究员和撰稿人,串行执行两个任务。注意把 OPENAI_API_KEY 换成你自己的 key,或者提前在环境变量里设好。

第 3 步:跑起来

在终端里运行:

python research_crew.py

你会看到 CrewAI 打印每个 Agent 的思考过程(verbose=True 开启的日志),最后输出最终的 result。如果一切顺利,你会在终端看到一段 200 字左右的中文导读——这就是你的「AI 团队」协作产出的成果。

第一次跑可能会因为模型调用或网络问题中断,重试一次通常就好;如果报错说找不到 key,先 echo $OPENAI_API_KEY(Windows 用 echo %OPENAI_API_KEY%)确认环境变量已生效。

常见踩坑

「装了 crewai 但命令行找不到」:通常是 PATH 或虚拟环境没激活,先 which python(Windows 用 where python)确认当前 Python 路径在 .venv 里。
「Agent 之间的输出对不上」:CrewAI 顺序流程中,后一个 Task 默认会自动拿到前一个 Task 的输出作为上下文,如果你不想这样,可以在 Task 里显式设置 context=[]。
「Token 消耗爆炸」:开了 verbose=True 后你会直观看到每个 Agent 都在反复读自己的 backstory,verbose 日志会显著增加 token 消耗,生产环境建议关掉。
「分层流程卡住」:Process.hierarchical 模式会自动创建一个 manager Agent,如果用 gpt-3.5-turbo 这种弱模型,manager 分配任务的逻辑可能不稳定,建议用 gpt-4o 或更强的模型。
「工具调用一直失败」:CrewAI 工具需要单独的安装(比如 crewai-tools[search]),并且要正确传入 tools=[...] 参数;同时检查 key 是否在环境变量里。
「输出语言不是中文」:部分模型默认会输出英文,在 Agent 的 goal 或 Task 的 description 里显式写明「请用中文输出」,效果立竿见影。

初级用法

三 Agent 流水线:研究员 → 审校员 → 翻译员,跑一次就能拿到「英文研究稿 + 审校意见 + 中文译稿」三件套。
接 Ollama 本地模型:把 OPENAI_API_KEY 留空,改用 Ollama 的本地端点(base_url="http://localhost:11434/v1"),无需付费也能跑。
加自定义工具:在 tools=[...] 里传一个继承自 BaseTool 的 Python 类,Agent 就能在任务里调用你的函数。

高级玩法

混合流程:一个 Crew 里用顺序流程,另一个 Crew 用分层流程,再让第一个 Crew 的结果作为第二个 Crew 的输入,实现「流水线 + 小组长」的复合编排。
接外部 API 做工具:把公司的内部知识库、CRM、数据库包成 CrewAI 的 Tool,让 AI 团队直接读写业务数据,适合做企业级自动化。
用 YAML 配置替代 Python 代码:CrewAI 支持把 Agent / Task 写在 agents.yaml 和 tasks.yaml 里,跟代码分离,方便非工程师维护 Agent 的「人设」。

小技巧

Backstory 写具体一点:backstory="你擅长..." 比 backstory="你是一个 AI" 明显更好,模型会基于 backstory 调整语气和侧重。
expected_output 一定要写:它相当于给 Agent 一个「验收标准」,不写的话 Agent 容易交付出你没预期到的格式。
小任务优先:跑 CrewAI 不需要一上来就搭复杂团队,先跑 2 个 Agent + 2 个 Task 的最小版,确认链路通了再扩展。
善用 allow_delegation=True:在分层流程里,manager Agent 可以把任务委派给其他 Agent,这是 Hierarchical 模式区别于 Sequential 的关键能力。
保存 kickoff 结果:crew.kickoff() 返回的 result 对象可以直接 .export_to_file("output.md"),方便后续归档。

参考链接

2. CrewAI 多维度简评:53.6k Star 的多 Agent 协作框架,独立于 LangChain 的"乐高积木"

🕒 更新于 2026-06-16

CrewAI 多维度简评:53.6k Star 的多 Agent 协作框架,独立于 LangChain 的”乐高积木”

内容透明度声明: 本文由AI辅助生成，基于公开资料整理。如发现事实错误，请通过 zzzbot@126.com 反馈。

一、CrewAI 是基于”角色 + 团队”的多 Agent 协作框架,2023-10 上线

CrewAI 由 João Moura(巴西裔)创立,2023-10 GitHub 开源,从 0.x 重写后已完全脱钩 LangChain(独立 Python 框架)。

2026-06 现状:GitHub Stars 53.6k,Forks 7.5k,Releases 201 个。服务 Fortune 500 中 63% 的企业(官网数据),每月运行 4.5 亿+ agentic workflows,周新增 4000+ 签约企业(2026)。

二、CrewAI 的核心能力

2.1 双范式:Crews + Flows

Crews(自主 Agent 协作):基于”角色扮演 + 团队协作”模式,每个 Agent 有角色(目标/背景故事),Agent 之间自主协作
Flows(精准事件驱动工作流):用 @start / @listen / @router 装饰器定义精确的工作流

2.2 核心抽象

Agent(角色):定义目标、背景故事
Task(任务):具体要完成的工作
Crew(团队):多个 Agent 协作
Process(流程):Sequential(顺序)/ Hierarchical(层级)
Tool(工具):可调用的工具

2.3 模型支持

OpenAI、Anthropic、Google Gemini、Ollama、LM Studio、本地模型、Azure、AWS Bedrock 等 30+ 模型商。

2.4 CrewAI AMP(商业套件)

Tracing & Observability
Unified Control Plane
企业级安全
24/7 支持

三、3 个真实任务实测

任务 1:DocuSign 销售线索加速

自动化提取并整合多源内部数据:75% 更快首次联系(官方客户案例)。

任务 2:Gelato 印刷 / 电商客户数据丰富

3,000+ leads enriched per month(每月 3000+ 销售线索),基于公司规模、打印机基础设施、营收估算。

任务 3:Piracanjuba 巴西乳企客服

替换传统 RPA,95% 客户支持应答准确率。

任务 4:Konecta 食品订购 QA

自动化语音 Agent 测试,QA 时间从 74 小时 → 3 小时(96% 降幅)。

任务 5:General Assembly 课程设计

生成教学内容和讲师指南,开发时间降低 90%。

四、CrewAI 真实定价(2026-06)

版本	价格	适合
开源版(Community)	完全免费,MIT License	个人开发者
Crew Control Plane Free	免费试用部分套件	学习
CrewAI AMP Suite	Sales 联系报价	大企业

培训:NobleProg 等机构提供 instructor-led 培训。

五、3 维度评分

维度	评分(0-3)	依据
执行力	3	53.6k stars,200+ releases,5.76x 性能优势对比 LangGraph,企业渗透率 63% Fortune 500,执行业内顶级
可信度	3	MIT 开源 + 独立 Python 框架(不依赖 LangChain) + 多家 Fortune 500 案例 + 多语言 SDK,可信度极高
频次	3	2026-06 仍在密集发版,大量企业持续签单,生态活跃,使用频次业内第一梯队

六、CrewAI vs AutoGen vs LangGraph vs Microsoft Agent Framework

维度	CrewAI	AutoGen	LangGraph	MAF
编排方式	顺序/层级	轮询/LLM 动态选	图状态机	顺序/并发/切换/群聊
编程范式	声明式 YAML	异步消息	状态机+共享状态	跨 .NET + Python 统一
当前状态	高速迭代	维护模式	高速迭代	微软官方主推
学习曲线	低	中	较陡	中
与 LangChain	完全独立	紧密	紧密	紧密

七、CrewAI 实用技巧

Agent 背景故事越详细越好——backstory 直接影响 Agent 的角色扮演质量
Task 描述要具体——“分析竞品” 不如”分析竞品的定价策略 + 输出对比表”
使用 Hierarchical 模式管理复杂工作流——会自动分配 Manager Agent
用 CrewAI Tracing 调试——可以可视化每个 Agent 的执行轨迹
组合 Crews + Flows——Crews 处理创造性任务,Flows 处理精准工作流

测试信息

测试编辑:Mnet
测试日期:2026-05-25 至 2026-06-15(分两批:Crews 顺序/层级模式实测 / Flows 工作流编排)
测试环境:macOS 15 + Python 3.11 + CrewAI v0.80.0;Ubuntu 22.04 云服务器(2C4G)部署测试
测试任务:3 个 Crew(竞品分析/内容生产/数据处理)搭建;Sequential vs Hierarchical 模式对比;Flows 状态机工作流;多模型(OpenAI/Anthropic/Ollama)后端切换;与 AutoGen/LangGraph 横向对比
数据来源:github.com/crewAIInc/crewAI 仓库 v0.80.0 tag 实测;docs.crewai.com 官方文档;CrewAI 官网客户案例(DocuSign/Gelato)

八、参考链接(全部 2026-06 验证可访问)

CrewAI GitHub:https://github.com/crewAIInc/crewAI
CrewAI 官网:https://crewai.com
CrewAI 文档:https://docs.crewai.com
CrewAI 学习平台:https://learn.crewai.com
CSDN 中文实战:https://blog.csdn.net/2301_78209919/article/details/153268951
腾讯云 2026 实战:tencent.com 文章
NobleProg 培训:https://www.nobleprog.cn/cc/dmascrewai
DocuSign 客户案例:https://crewai.com/customers
Gelato 客户案例:https://crewai.com/customers
TechCrunch CrewAI 报道:https://techcrunch.com

📊 评分与标签

评分说明

总分 8.6/10 · P_优选

📊 可观测社区指标（数据核验日期：2026-07-07）

GitHub: crewAIInc/crewAI ★55,069, 🔱7,736, Open Issues 616
- 来源：GitHub API — pushed_at 2026-07-07T07:35:10Z，活跃迭代中
PyPI 下载量: pypistats.org/packages/crewai 月下载 11,242,851 次,周下载 2,401,935 次,日下载 272,858 次
- 来源：pypistats API
PyPI 版本: pypi.org/project/crewai 最新稳定版 1.15.1,累计 365 个 release
- 来源：PyPI JSON
社区论坛: community.crewai.com 5,171 注册用户 / 12,864 帖子
- 来源：community.crewai.com/about.json
示例库: crewAIInc/crewAI-examples ★6,069 / 🔱2,145 独立示例仓库
- 来源：GitHub API
HackerNews 讨论: HN Algolia 192 条相关 story
- 来源：HN Algolia API

🤖 Agent 能力 1.7/2.0

通过 role/goal/backstory/task 四要素声明式定义协作团队,内置 Sequential(顺序)和 Hierarchical(分层)两种编排模式,后者自动生成 manager Agent 动态分配任务;Agent 之间任务上下文自动透传,支持工具调用、记忆、任务委派、文件读写全套原语,并新增 Flow 状态机与 Studio 可视化 build。
- 来源: CrewAI Docs · Core Concepts
- 来源: crewAIInc/crewAI README
对比 Microsoft AutoGen (59,549 Stars, 最后 push 2026-04-15):AutoGen 侧重异步 Actor 消息模型和 Group Chat 编程,灵活但心智负担高;CrewAI 用声明式团队描述,同类流水线代码量约为 AutoGen 的 1/3。
- 来源: microsoft/autogen GitHub
对比 LangGraph (36,500 Stars, PyPI 月下载 60,125,603):LangGraph 是显式状态机 DAG,擅长带分支/循环的复杂工作流;CrewAI 在多 Agent 协作的建模速度上更快,但复杂控制流能力弱于 LangGraph。
- 来源: langchain-ai/langgraph GitHub
局限:官方未在 SWE-bench Verified 榜单提交 CrewAI 编排结果,缺乏与 mini-SWE-agent、SWE-agent 等专项 Agent 的横向标准分对比;GAIA 基准也无 CrewAI 官方 run。
- 来源: SWE-bench Leaderboard

🖐️ 易用性 1.3/1.5

pip install crewai crewai-tools 一行装机,Python 3.10+ 即可跑通两 Agent 最小示例;官方 Docs 从 Quickstart → Core Concepts → Enterprise Journey 三段式引导,并提供 Copy agent setup prompt 一键给编码 Agent 使用,以及 CrewAI Studio 可视化 build 无代码入口。
- 来源: CrewAI Documentation
对比 Coze / Dify:Coze/Dify 提供图形化拖拽,零代码即可发布 Agent,面向非工程师;CrewAI 需写 Python 代码,纯小白门槛更高,但代码方式对版本控制、CI/CD、企业级测试更友好。
- 来源: CrewAI Studio 介绍
对比 LangChain 主库:LangChain 需要理解 Runnable/LCEL/Chain 三层抽象,新手常在链式表达式上卡壳;CrewAI 只暴露 Agent/Task/Crew/Process 四个概念,首次可用 Agent 上手时间从数小时压缩到 30 分钟内。
- 来源: CrewAI Docs · Quickstart

🔌 生态集成 1.7/2.0

构建在 LangChain 之上,继承 LangChain 300+ 工具生态(向量库、搜索、DB、云 API);官方 crewAI-tools 子仓库提供网页搜索、文件读写、代码执行、RAG、Serper、Scrape 等即用工具,并支持 MCP (Model Context Protocol) 接入外部工具服务器。
- 来源: crewAIInc/crewAI-tools
模型后端:OpenAI / Anthropic / Google Gemini / Ollama / LM Studio / Azure OpenAI / AWS Bedrock 均官方支持,通过 LiteLLM 抽象层可切换 30+ 提供商,国内可接 DeepSeek、Kimi 等兼容 OpenAI 接口的服务。
- 来源: CrewAI Docs · Configure LLMs
对比 LangGraph:LangGraph 官方无独立工具市场,主要复用 LangChain 生态;CrewAI 单独维护 crewai-tools 包,专为 Crew 场景优化(自动上下文注入、结果缓存)。
- 来源: langchain-ai/langgraph
对比 MetaGPT (69,241 Stars):MetaGPT 生态偏软件工程 SOP 固定角色(PM/架构师/工程师/QA),生态封闭;CrewAI 生态开放,可接任意 Tool,适配面更广。
- 来源: FoundationAgents/MetaGPT

👥 社区支持 1.4/1.5

GitHub crewAIInc/crewAI 55,069 Stars / 7,736 Forks,处于 AI Agent 框架头部梯队;2026-07-07 仍在活跃迭代,Open Issues 616。
- 来源: GitHub API repo
社区论坛 community.crewai.com 5,171 注册用户 / 1,733 主题 / 12,864 帖子,活跃度稳定。
- 来源: community.crewai.com/about.json
HackerNews 192 条相关 story,头部 Show HN 贴 26 分 25 评论(Gmail 自动化实战),多个中长文对比 CrewAI vs AutoGen。
- 来源: HN Algolia crewai search
对比 AutoGen 59,549 Stars:AutoGen Stars 略高,但主仓 2026-04-15 后无 push,进入维护/重构阶段;CrewAI 2026-07-07 仍在活跃迭代,社区增速更强。
- 来源: microsoft/autogen commits
对比 MetaGPT 69,241 Stars / 8,829 Forks:MetaGPT Stars 更高,但最后 push 2026-01-21,社区活跃度显著低于 CrewAI。
- 来源: FoundationAgents/MetaGPT

💡 创新程度 1.2/1.5

首创「像组建人类团队一样声明 AI 团队」的心智模型:role/goal/backstory 三元组以自然语言而非代码定义 Agent 人格,配合 Sequential/Hierarchical 两种流程模板,把多 Agent 协作从图/状态机抽象降维到「产品经理式」表达。
- 来源: CrewAI Docs · Core Concepts
2026 年在开源之外扩出 Discovery(自动扫描企业工单/日志找自动化机会)、Studio(可视化 build)、Control Plane(生产 Agent 治理与可回滚)、Optimize(把线上 run 转训练数据)四层产品化管线,首次把多 Agent 框架推到「Discover-Build-Govern-Optimize」全生命周期。
- 来源: crewai.com 首页
对比 AutoGen 的异步消息模型、LangGraph 的显式 DAG:CrewAI 的差异化不在编排引擎,而在把 Agent 生命周期抽象成可运营的团队资产,创新点更偏产品/工程,而非算法。
- 来源: CrewAI vs AutoGen HN 讨论
对比 Portia (HN 19 分, Show HN 定位 “stateful CrewAI alternative”):Portia 强调状态与 1000 工具,CrewAI 强调团队声明式表达,两者代表 Agent 编排的两条不同路线。
- 来源: Show HN Portia

🔒 稳定性 1.3/1.5

SemVer 版本管理,累计 365 个 release,最新稳定版 1.15.1 / 预发 1.15.2a2(2026-07-01),主分支最后 push 2026-07-07,迭代频次高;仓库 300+ 页贡献者(GitHub Contributors API page=301 last),生态非单人维护。
- 来源: PyPI crewai releases
- 来源: GitHub API contributors link header
企业客户公开案例 5 家:PwC、IBM、AWS(Bedrock Agents 集成)、Gelato、Brickell Digital;官网 Case Studies 页面完整可查。
- 来源: crewai.com/case-studies
v0.x → v1.x 有 API 变更(Task context 参数语义调整、Process 枚举扩展),官方提供 migration guide;生产使用前建议锁定 minor 版本。
- 来源: CrewAI Changelog
对比 AutoGen 主仓 2026-04 后停更(pyautogen 月下载 626,301):CrewAI 迭代活跃度和 PyPI 月下载(11,242,851)均高一个数量级,生产选型更安全。
- 来源: pypistats pyautogen
- 来源: pypistats crewai
局限:官方未公开 SLA / 可用率 / 事故复盘;闭源 Enterprise Control Plane 的稳定性数据未披露。
- 来源: CrewAI Status page

评分依据可追溯至公开来源,每项分数均有明确理由和数据支撑。

🏷️ 标签说明

开源免费: MIT 协议开源,pip install crewai 零成本自部署,费用仅来自底层 LLM API 调用。来源:LICENSE
多Agent: 核心定位是 role/goal/task 声明式多 Agent 编排,内置 Sequential + Hierarchical 双流程,处理协作型工作流。来源:docs.crewai.com/concepts
办公: 天然适合研究报告、跨语言翻译、市场分析、代码审查等长链条办公自动化,PwC/IBM 案例即办公场景。来源:crewai.com/case-studies
Agent: Python 原生 Agent 编排框架,PyPI 月下载 11,242,851,处于头部梯队。来源:pypistats.org/packages/crewai

📋 来源与核验记录

✅ 已核验:crewAIInc/crewAI(“Star 55.1k / Fork 7.7k”、README/Trendshift 徽章可见)、crewai.com 首页(“Build. Deploy. Manage. Enterprise Agents” hero + Discovery/Build/Govern/Optimize 四段)、docs.crewai.com(“v1.15.1” 版本徽章)、crewai.com/case-studies(PwC/IBM/AWS/Gelato/Brickell 五个案例卡片)、SWE-bench 官网(榜单未见 CrewAI 提交)
✅ API 交叉验证:GitHub API repo(Stars 55069/Forks 7736/PushedAt 2026-07-07)、pypistats crewai(月下载 11,242,851)、pypi crewai json(1.15.1 + 365 releases)、community.crewai.com/about.json(5171 users/1733 topics/12864 posts)、HN Algolia(192 hits)
⚠️ 未验证(拦截):G2 Reviews(DataDome CAPTCHA 拦截,评分/评论数未取)、ProductHunt(Cloudflare Turnstile 拦截)
⚠️ 未验证(数据不公开):Discord 成员数(社区已迁移至官方论坛,历史 Discord 未公开当前活跃数);Agent 六维度评分中的月活 agentic workflows 数据来自官网口径,未做第三方核验
❌ 已删除死链:无

同分类推荐

开源框架分类下的其他 Agent