Appearance
🔥 Agents 智能体
Agent 是 CrewAI 的核心执行单元——一个具有角色、目标和背景故事的自主 AI 实体，能够使用工具、记忆和推理来完成任务。
1. Agent 是什么
1.1 核心概念
每个 Agent 就像公司里的一个专业员工——有明确的角色定位、工作目标和专业背景。
| 核心属性 | 作用 | 前端类比 |
|---|---|---|
role | 角色定义（如"高级研究员"） | React 组件名（<SearchBar />） |
goal | 工作目标（指导决策方向） | 组件的 purpose prop |
backstory | 背景故事（塑造行为风格） | 组件的默认配置和主题 |
前端类比：Agent 类似一个 React 组件——有自己的 props（配置）、state（记忆）、methods（工具），以及明确的职责边界。不同的组件组合在一起构成完整的页面，不同的 Agent 组合在一起构成完整的 Crew。
CrewAI 原生语义：Agent 在底层使用 ReAct（Reasoning + Acting）循环——先思考该做什么，再调用工具执行，然后观察结果决定下一步。
2. Agent 完整属性表
| 属性 | 类型 | 默认值 | 说明 |
|---|---|---|---|
role | str | 必填 | 角色定义 |
goal | str | 必填 | 工作目标 |
backstory | str | 必填 | 背景故事 |
llm | str | LLM | "gpt-4" | 使用的语言模型 |
tools | List[BaseTool] | [] | 可用工具列表 |
verbose | bool | False | 详细日志 |
memory | bool | False | 启用记忆 |
allow_delegation | bool | False | 允许委托任务给其他 Agent |
max_iter | int | 20 | 最大迭代次数 |
max_rpm | int | None | None | 每分钟最大请求数 |
max_execution_time | int | None | None | 最大执行时间（秒） |
reasoning | bool | False | 启用推理能力 |
knowledge_sources | List | None | 知识源列表 |
cache | bool | True | 启用工具缓存 |
max_retry_limit | int | 2 | 错误重试次数 |
allow_code_execution | bool | False | 允许执行代码 |
multimodal | bool | False | 多模态支持 |
3. 定义方式
3.1 YAML 配置（推荐）
yaml
# config/agents.yaml
researcher:
role: >
{topic} 高级研究员
goal: >
搜集关于 {topic} 的最新、最准确的信息
backstory: >
你是一位经验丰富的研究员，擅长从海量信息中筛选出最有价值的内容。
你注重数据的准确性和来源的可靠性。
analyst:
role: >
{topic} 数据分析师
goal: >
分析研究数据并提炼关键洞察
backstory: >
你是一位严谨的数据分析师，善于发现数据背后的规律，
能将复杂数据转化为可执行的建议。在 crew.py 中加载：
python
from crewai import Agent
from crewai.project import CrewBase, agent
@CrewBase
class ResearchCrew:
agents_config = 'config/agents.yaml'
@agent
def researcher(self) -> Agent:
return Agent(
config=self.agents_config['researcher'],
verbose=True,
tools=[SerperDevTool()] # 代码中补充工具
)
@agent
def analyst(self) -> Agent:
return Agent(
config=self.agents_config['analyst'],
verbose=True
)
{topic}是变量占位符，在kickoff(inputs={"topic": "AI"})时替换。
3.2 代码直接定义
python
from crewai import Agent
researcher = Agent(
role="高级研究员",
goal="搜集关于 AI Agent 的最新资料",
backstory="你是一位资深 AI 技术研究员，擅长发现前沿趋势。",
llm="openai/gpt-4o",
tools=[SerperDevTool()],
verbose=True,
memory=True,
max_iter=15,
allow_delegation=False
)3.3 如何选择
| 场景 | 推荐方式 |
|---|---|
| 正式项目、多人协作 | YAML 配置 |
| 快速原型、实验 | 代码定义 |
| 需要动态创建 Agent | 代码定义 |
| 角色固定、只变输入 | YAML 配置 |
4. Agent 执行机制
Agent 内部使用 ReAct 循环执行任务：
每次迭代：
- 思考：分析当前状态，决定下一步行动
- 行动：调用工具或生成内容
- 观察：检查结果是否满足目标
- 重复直到完成或达到
max_iter上限
5. Agent 直接调用
Agent 不仅可以在 Crew 中使用，也支持独立调用：
python
# 直接调用（不需要 Crew）
result = researcher.kickoff("搜集 AI Agent 最新趋势")
print(result.raw)
# 带结构化输出
from pydantic import BaseModel
class ResearchFindings(BaseModel):
trends: list[str]
summary: str
result = researcher.kickoff(
"搜集 AI Agent 最新趋势",
response_format=ResearchFindings
)
print(result.pydantic) # ResearchFindings 对象6. 自定义提示模板
python
agent = Agent(
role="分析师",
goal="分析数据",
backstory="资深数据分析师",
system_template="你是一个 {role}，你的目标是 {goal}。请用中文回答。",
prompt_template="基于以下信息完成任务：{task}",
response_template="分析结果：{response}"
)下一步：
- Tasks 任务 — 了解如何定义和配置任务
- Tools 工具系统 — 为 Agent 配备工具
参考：