练习 2：多 agent 角色分配（CrewAI）¶

任务¶

3 个 agent 各自负责一段、合作完成一篇 blog intro：

Researcher → Writer → Critic
  (找资料)    (写稿)    (审稿、PASS/ISSUES)

这种“role-based pipeline”CrewAI 最拿手——你描述角色 / 目标 / 任务，框架自己 orchestrate。

怎么跑 — 两条路径¶

Path A（默认、本机免费）¶

pip install -r requirements.txt
ollama pull qwen2.5:3b
ollama serve
python starter.py

预算：$0。3 agent sequential ≈ 30-90 秒（CPU、qwen2.5:3b）。

Path B（Anthropic、想看 cloud 高质量）¶

pip install -r requirements.txt
export ANTHROPIC_API_KEY=sk-ant-...
python starter_anthropic.py

预算：每次 ≈ $0.005-0.01（3 agent × 短输出、claude-haiku-4-5）。

不花钱验证程序逻辑¶

python test.py             # tool 逻辑 + crew structure
python test_anthropic.py   # starter_anthropic 载入

CrewAI 整个 kickoff() 太黑盒、纯 mock 困难。这份 test 只验结构（3 agent + 3 task + sequential process + context dependencies）跟 tool 逻辑。实测请跑 starter.py。

CrewAI multi-agent 核心观念¶

Agent¶

researcher = Agent(
    role="Researcher",
    goal="...",          # 一句话讲「成功」长什么样
    backstory="...",     # 提供 persona context、影响 prompt
    tools=[search],
    llm=MODEL,
)

重点：role 跟 goal 影响 prompt 质量很大。不要写“Agent”、要写“Researcher who finds factual data”。

Task¶

research_task = Task(
    description="Search for X and report findings.",
    expected_output="A 1-2 sentence factual entry.",
    agent=researcher,
)

重点：expected_output 是给 LLM 看的“合格范本”、写越具体越好（譬如“A 2-sentence intro paragraph”比“Some text”好 10 倍）。

Context dependency¶

write_task = Task(..., context=[research_task])   # writer 看 researcher 结果
critic_task = Task(..., context=[research_task, write_task])  # critic 同时看两个

重点：context 是 CrewAI 的 dataflow 机制。critic_task.context=[a, b] 表示 critic 看到 a, b 两个 task 的 output。

Sequential vs Hierarchical Process¶

Crew(..., process=Process.sequential)    # 线性走完
Crew(..., process=Process.hierarchical)  # 多个 manager+worker、需设 manager_llm

这题用 sequential（最简单、最 deterministic）。Hierarchical 是 ManagementAgent 派任务给其他 agent、适合更复杂场景。

两个 path 观察重点¶

观察项	Anthropic Claude haiku	Ollama qwen2.5:3b
Researcher 直接调用 tool	稳	偶尔跳过 tool、自己编答案
Writer 引用 Researcher 结果	稳	可能凭印象写、偏离 search result
Critic 抓 hallucination	较敏锐	较松、可能 PASS 过头
速度	10-30 秒	30-90 秒
成本	$0.005-0.01	$0

教学 punchline：multi-agent 对 model 质量比 single-agent 敏感——每个 agent 都可能漏一步、错误会累积到 critic 那边。Production 多 agent 系统几乎必用大 model（或细调过的小 model）。

常见坑¶

expected_output 太笼统：写“Some output”LLM 完全没指引、随便给。写“A 2-sentence blog intro paragraph in active voice”效果差 10 倍
context 漏设：Writer 没设 context=[research_task]、就拿不到 researcher 结果、会凭空写
小 model + 3 agent：qwen2.5:3b 跑 3-agent crew 可能 1 分钟+。换 qwen2.5:7b 或 Claude
allow_delegation=True 慎用：开启后 agent 可以叫其他 agent 帮忙、容易 loop。雏形阶段建议 False

想看更聪明的答案？¶

MODEL=anthropic/claude-sonnet-4-6 python starter_anthropic.py  # 高品质
MODEL=ollama/qwen2.5:7b python starter.py                       # 较大本机 model

延伸¶

加 manager：process=Process.hierarchical + manager_llm=...、让 manager agent 动态分配
加 memory：CrewAI 有 memory=True、让 agent 跨 task 记住 context
改成 streaming：crew.kickoff_for_each(...) 或 crew.kickoff_async(...)
加 human-in-the-loop：练习 3 用 LangGraph 做、CrewAI 对 HITL 较弱