CrewAI安装使用小白教程

CrewAI安装使用小白教程

10分钟搭建你的AI团队          让多个Agent协作完成复杂任务

— — — — — — — — — —

一、CrewAI是什么？

CrewAI是目前最火的多Agent协作框架，GitHub 35K+ Star。它的核心理念是将复杂任务拆分给多个AI Agent，各自扮演不同角色，像真正的团队一样协作完成——就像管理一个AI员工团队。

举个例子：你想做一个市场调研报告，可以组建一个"AI团队"：

• 研究员Agent：负责搜集资料和信息整理

• 分析师Agent：负责数据分析和趋势判断

• 撰稿人Agent：负责整合信息、撰写报告

三个Agent各司其职，协同工作，效率远超单个Agent！

二、安装前准备

2.1 系统要求

三、安装CrewAI

3.1 创建项目目录和虚拟环境

# 创建项目目录          mkdir crewai-demo && cd crewai-demo          # 创建虚拟环境          # Linux/macOS:          python3 -m venv venv          source venv/bin/activate          # Windows:          python -m venv venv          venv\Scripts\activate          # 升级pip          pip install --upgrade pip

3.2 安装CrewAI核心包

pip install crewai          pip install crewai-tools          pip install requests python-dotenv pydantic

💡 安装时间约2-5分钟，包大小约200MB。如果下载慢，使用国内镜像：          pip install crewai -i https://pypi.tuna.tsinghua.edu.cn/simple

3.3 验证安装

python -c "from crewai import Agent, Task, Crew; print('安装成功！')"

四、配置大模型API Key

CrewAI需要一个LLM来驱动Agent。国内用户推荐阿里云DashScope（通义千问），无需翻墙、中文支持最好、价格最低。

4.1 获取API Key

• 1. 访问 https://dashscope.console.aliyun.com/

• 2. 注册/登录阿里云账号

• 3. 点击「API-KEY 管理」→「创建新的API-KEY」

• 4. 立即复制保存Key（格式：sk-xxxxxxxx...，只显示一次）

4.2 创建配置文件

# 在项目目录下创建 .env 文件          cat > .env << EOF          DASHSCOPE_API_KEY=sk-你的API-Key          DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1          OPENAI_MODEL=qwen-plus          EOF

⚠️ 不要把 .env 文件提交到Git！在 .gitignore 中添加 .env

五、创建你的第一个AI团队

下面是一个完整的示例——创建一个"市场调研AI团队"：

import os          from dotenv import load_dotenv          from crewai import Agent, Task, Crew, LLM          # 加载环境变量          load_dotenv()          # 配置模型          llm = LLM(          model="qwen-plus",          api_key=os.getenv("DASHSCOPE_API_KEY"),          base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"          )          # 定义Agent 1：研究员          researcher = Agent(          role="市场研究员",          goal="搜集AI Agent市场的最新信息和趋势",          backstory="你是一位经验丰富的市场研究员，擅长从海量信息中提取关键洞察",          llm=llm,          verbose=True          )          # 定义Agent 2：分析师          analyst = Agent(          role="数据分析师",          goal="分析市场数据，识别增长趋势和机会",          backstory="你是一位资深数据分析师，擅长从数据中发现商业价值",          llm=llm,          verbose=True          )          # 定义Agent 3：撰稿人          writer = Agent(          role="报告撰写人",          goal="将研究与分析结果整合为一份专业的市场报告",          backstory="你是一位专业撰稿人，擅长将复杂信息转化为清晰的商业报告",          llm=llm,          verbose=True          )          # 定义任务          research_task = Task(          description="调研2026年AI Agent市场的主要玩家、市场规模和发展趋势",          expected_output="一份包含市场概述、主要玩家和关键趋势的调研摘要",          agent=researcher          )          analysis_task = Task(          description="基于调研结果，分析市场增长趋势、竞争格局和投资机会",          expected_output="一份数据驱动的市场分析报告，包含增长预测和机会识别",          agent=analyst          )          writing_task = Task(          description="将调研和分析结果整合为一份完整的市场报告",          expected_output="一份结构清晰、内容专业的市场调研报告（中文，1500字以上）",          agent=writer          )          # 组建团队          crew = Crew(          agents=[researcher, analyst, writer],          tasks=[research_task, analysis_task, writing_task],          verbose=True          )          # 启动！          result = crew.kickoff()          print("\n===== 最终报告 =====\n")          print(result)

六、核心概念解释

七、常见问题

八、进阶方向

• 自定义Tool：创建自己的工具函数，让Agent具备特定领域能力

• Hierarchical流程：设置Manager Agent来协调其他Agent，适合复杂项目

• 记忆功能：为Agent添加短期/长期记忆，让协作更连贯

• 人类反馈：在关键步骤插入人类审核节点，确保质量

— — — — — — — — — —

本文发布于2026年6月4日。CrewAI更新频繁，建议关注 docs.crewai.com.cn 获取最新文档。