企业官网建设流程全解析

Day 43：多智能体协作入门 —— 从单体智能到群体智能

欢迎来到第四十三天！恭喜你完成了第三阶段（记忆机制与真实世界工具）的全部学习。从今天起，我们正式进入第四阶段——多智能体协作（Multi-Agent Collaboration）。在过去的学习中，我们构建的都是单体 Agent：一个模型、一组工具、一个执行器。但当任务变得复杂时，单个 Agent 往往力不从心——它需要同时扮演产品经理、程序员、测试员，容易顾此失彼。多智能体系统让不同角色的 Agent 分工协作，就像一家公司有 CEO、工程师、设计师各司其职。今天我们将理解多智能体的核心概念，并搭建你的第一个多智能体系统。

一、今日学习目标

1. 理解多智能体系统的核心思想：分工、协作、专业化。
2. 掌握三种常见的多智能体协作模式：顺序执行（Sequential）、层级管理（Hierarchical）、辩论（Debate）。
3. 了解主流多智能体框架：CrewAI和AutoGen的定位与差异。
4. 安装并配置 CrewAI，跑通第一个多智能体示例。
5. 通过一个简单的“内容创作团队”案例，体验多智能体协作的流程。

二、详细实现步骤

步骤 1：理解多智能体系统的核心思想

为什么需要多智能体？

单体 Agent 的局限性：

• 角色冲突：一个 Agent 很难同时是“严格的代码审查员”和“富有创意的产品经理”。
• 上下文过载：所有工具、所有知识塞进一个 System Prompt，导致模型注意力分散。
• 错误传播：一步出错，整个任务失败，缺乏交叉验证。
• 难以扩展：新增功能需要修改整个 Agent，而不是增加一个新角色。

多智能体系统的优势：

• 专业化：每个 Agent 有明确的角色、目标和工具集，Prompt 更聚焦。
• 分工协作：复杂任务拆解为子任务，由不同 Agent 并行或串行完成。
• 交叉验证：一个 Agent 的输出可以被另一个 Agent 审查，提高质量。
• 可扩展：新增角色不影响现有 Agent，只需定义新的协作流程。

类比：单体 Agent 像“全栈工程师”，多智能体像“一个团队”——产品经理写需求，程序员写代码，测试员找 Bug，最后交付高质量产品。

步骤 2：三种常见的多智能体协作模式

2.1 顺序执行（Sequential）

Agent 按固定顺序依次执行，前一个的输出是后一个的输入。

用户需求 → Agent A（规划） → Agent B（执行） → Agent C（审查） → 最终输出

适用场景：流水线式任务，如“写文章 → 翻译 → 校对”。

2.2 层级管理（Hierarchical）

一个“管理员”Agent 负责任务拆解和分配，其他“执行者”Agent 完成子任务，管理员最后汇总。

┌──────────────┐ │ Manager Agent │ └───────┬──────┘ │ 分配任务 ┌───────────┼───────────┐ ▼ ▼ ▼ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ Worker A│ │ Worker B│ │ Worker C│ └─────────┘ └─────────┘ └─────────┘ │ │ │ └───────────┼───────────┘ ▼ Manager 汇总

适用场景：复杂项目，如“开发一个软件”、“组织一场活动”。

2.3 辩论（Debate）

多个 Agent 就同一问题发表不同观点，通过多轮辩论达成共识或由裁判裁决。

Agent A（正方） ←→ Agent B（反方） │ ▼ Judge Agent（裁判） │ ▼ 最终结论

适用场景：需要多角度分析的决策，如“投资分析”、“方案评审”。

步骤 3：CrewAI vs AutoGen —— 框架选型

建议：新手从 CrewAI 入手，理解多智能体协作的基本模式；需要复杂对话时再学习 AutoGen。我们今天先学 CrewAI。

步骤 4：安装并配置 CrewAI

pipinstallcrewai crewai-tools

CrewAI 需要配置 LLM。我们使用 DeepSeek（兼容 OpenAI 格式）。在.env文件中添加：

OPENAI_API_KEY=your_deepseek_key OPENAI_API_BASE=https://api.deepseek.com

或者直接在代码中配置：

importosfromcrewaiimportLLM llm=LLM(model="deepseek/deepseek-chat",api_key=os.getenv("DEEPSEEK_API_KEY"),base_url="https://api.deepseek.com")

步骤 5：第一个多智能体系统 —— 内容创作团队

我们构建一个“内容创作团队”，包含三个角色：

• 策划总监：负责分析主题，制定内容大纲。
• 资深写手：根据大纲撰写文章。
• 校对编辑：审查文章，修正错误，优化表达。

5.1 导入依赖

新建first_crew.py：

importosfromdotenvimportload_dotenvfromcrewaiimportAgent,Task,Crew,Process,LLM load_dotenv()# 初始化 LLMllm=LLM(model="deepseek/deepseek-chat",api_key=os.getenv("DEEPSEEK_API_KEY"),base_url="https://api.deepseek.com",temperature=0.7)

5.2 定义 Agent

# 策划总监planner=Agent(role="内容策划总监",goal="为给定主题制定清晰、有吸引力内容大纲",backstory="你是一位拥有十年经验的内容策划专家，擅长捕捉读者兴趣点，设计逻辑清晰的文章结构。",llm=llm,verbose=True,allow_delegation=False)# 资深写手writer=Agent(role="资深内容写手",goal="根据大纲撰写高质量、有深度的文章",backstory="你是一位文笔流畅、知识渊博的写手，擅长将复杂概念用通俗语言表达，文章风格生动有趣。",llm=llm,verbose=True,allow_delegation=False)# 校对编辑editor=Agent(role="校对编辑",goal="审查文章，修正语法错误，优化表达，确保质量",backstory="你是一位严谨的编辑，对文字有极高的敏感度，能发现最细微的错误，并提出建设性的修改意见。",llm=llm,verbose=True,allow_delegation=False)

5.3 定义 Task

topic="人工智能对教育行业的影响"# 任务1：制定大纲task1=Task(description=f"请为以下主题制定一份详细的内容大纲：{topic}。大纲应包含引言、3-5个核心论点、结论。",expected_output="一份结构清晰的大纲，包含引言、核心论点和结论。",agent=planner)# 任务2：撰写文章task2=Task(description=f"根据大纲撰写一篇约800字的文章，主题：{topic}。要求语言流畅、论据充分、有吸引力。",expected_output="一篇约800字的完整文章。",agent=writer,context=[task1]# 依赖 task1 的输出)# 任务3：校对编辑task3=Task(description="审查文章，修正语法错误、优化表达、确保逻辑连贯。输出最终版本。",expected_output="经过校对和优化的最终文章。",agent=editor,context=[task2]# 依赖 task2 的输出)

5.4 组建 Crew 并执行

crew=Crew(agents=[planner,writer,editor],tasks=[task1,task2,task3],process=Process.sequential,# 顺序执行verbose=True)result=crew.kickoff()print("\n"+"="*50)print("最终输出：")print(result)

5.5 运行

python first_crew.py

你会看到三个 Agent 依次工作：策划总监先输出大纲，写手根据大纲写文章，编辑最后校对。控制台会打印每个 Agent 的思考和输出。

步骤 6：观察与理解

运行后，注意以下几点：

1. 任务传递：task2通过context=[task1]自动获取task1的输出作为输入。task3同理。
2. 角色隔离：每个 Agent 只关注自己的职责，Prompt 不会互相干扰。
3. 顺序执行：Process.sequential确保任务按顺序完成。
4. verbose 输出：可以看到每个 Agent 的“思考过程”和最终输出。

对比单体 Agent：如果用单体 Agent 完成这个任务，需要在一个 Prompt 中同时包含“策划、写作、校对”三个角色的指令，模型容易混淆角色，输出质量不稳定。多智能体通过角色分离解决了这个问题。

三、常见问题与调试

Q1：CrewAI 安装后导入报错。
→ 确保 Python 版本 >= 3.10。如果使用虚拟环境，确认已激活。可以尝试pip install --upgrade crewai。

Q2：LLM 配置不生效，报错“API key not found”。
→ CrewAI 默认读取OPENAI_API_KEY环境变量。如果使用 DeepSeek，需要设置OPENAI_API_KEY为 DeepSeek 的 Key，OPENAI_API_BASE为https://api.deepseek.com。或者在LLM初始化时显式传入api_key和base_url。

Q3：任务输出没有传递给下一个 Agent。
→ 检查context参数是否正确设置。task2的context=[task1]表示依赖 task1 的输出。如果没有设置，task2 不会自动获取 task1 的结果。

Q4：Agent 输出格式不符合预期。
→ 在 Task 的expected_output中明确描述期望格式。也可以在 Agent 的backstory中强调输出风格。

Q5：执行速度慢。
→ 多智能体涉及多次 LLM 调用，速度自然比单体慢。可以：

• 使用更快的模型（如 DeepSeek 的轻量版）。
• 减少 Agent 数量或任务步骤。
• 对简单任务使用单体 Agent。

Q6：如何查看中间过程？
→ 设置verbose=True会打印每个 Agent 的思考过程。CrewAI 还支持集成 LangSmith 进行可视化追踪（配置LANGCHAIN_TRACING_V2=true即可）。

Q7：CrewAI 和 LangChain 的关系？
→ CrewAI 底层可以使用 LangChain 的 LLM 封装，但它是一个独立框架，专注于多智能体协作。你可以把 CrewAI 看作在 LangChain 之上构建的“团队管理”层。

四、今日总结与作业

今天你完成了：

• ✅ 理解了多智能体系统的核心思想和优势。
• ✅ 掌握了三种协作模式：顺序执行、层级管理、辩论。
• ✅ 了解了 CrewAI 和 AutoGen 的定位与差异。
• ✅ 安装配置了 CrewAI，并跑通了第一个多智能体系统。
• ✅ 通过“内容创作团队”案例，体验了角色分工与任务传递。

今日作业（必做）：

1. 修改first_crew.py，将主题改为你感兴趣的话题（如“远程办公的利与弊”），运行并观察输出质量。
2. 增加第四个 Agent——“SEO 优化师”，负责在文章末尾添加关键词和元描述。调整任务流程，使其在编辑之后执行。
3. 将Process.sequential改为Process.hierarchical，并指定一个manager_llm（或manager_agent），观察层级管理模式与顺序模式的差异。
4. （思考题）在“内容创作团队”中，如果写手和编辑对文章风格产生分歧，你会如何设计一个“辩论”模式来解决？请描述你的方案。

明日预告：我们将深入学习 CrewAI 的核心概念：Agent 的角色定义、Task 的依赖管理、Process 的流程控制。你将学会构建更复杂的多智能体系统，并完成第二个项目——“市场调研分析团队”。

有任何问题欢迎随时提问！