Agent Engineering 课程阅读
首页/课程四 · 工作流与多智能体编排/CrewAI 对比：角色驱动的声明式编排

在 GitHub 查看原文

本页目录

Lesson 07 — CrewAI 对比：角色驱动的声明式编排

本课定位：LangGraph 段（L01-L06）已收官，进入横向框架对比段。本课用 CrewAI 重写 L01 的 supervisor 系统，对比两种范式：LangGraph 的「节点+边」命令式图 vs CrewAI 的「角色+任务+编队」声明式编排。看清两者的取舍，是架构师选型的基本功。

对比基准：workflow-lessons/01_supervisor_pattern（L01 的 supervisor 系统，本课用 CrewAI 重写它）。

一、两种范式的根本区别

LangGraph：命令式（Imperative）

你在 L01-L06 一直在做的方式——画图：

# 定义节点（每个节点是一个函数/Agent）
researcher = create_agent(llm, name="researcher", ...)
analyst = create_agent(llm, name="analyst", ...)

# 显式连线（谁是 supervisor，派给谁）
supervisor = create_supervisor(agents=[researcher, analyst], model=llm, prompt="...")
graph = supervisor.compile()  # 编译成图

# 运行
result = graph.invoke({"messages": [...]})

特点：你控制一切——每个节点做什么、怎么连、条件路由、并行、HITL，全是你显式声明的。灵活，但代码多。

CrewAI：声明式（Declarative）

CrewAI 的方式——声明角色和任务，框架自动编排：

# 声明角色（role + goal + backstory）
researcher = Agent(role="研究员", goal="查资料", backstory="...", llm=llm)
analyst = Agent(role="分析师", goal="分析", backstory="...", llm=llm)

# 声明任务
task1 = Task(description="查RAG", expected_output="简介", agent=researcher)
task2 = Task(description="分析RAG优点", expected_output="分析", agent=analyst)

# 组建编队，框架自动编排
crew = Crew(agents=[researcher, analyst], tasks=[task1, task2],
            process=Process.hierarchical, manager_llm=llm)
result = crew.kickoff()

特点：框架控制流程——你不画图、不连边，只声明"谁做什么"，框架自动决定执行顺序。简洁，但灵活性低。

范式对比表

LangGraph（命令式） CrewAI（声明式）
心智模型 画图（节点+边） 声明角色（role+goal+backstory）
流程控制 你显式控制（add_edge/条件边） 框架自动编排（process 参数）
灵活性 高（子图/并行/HITL/流式/自定义 State） 低（框架预设几种模式）
代码量 多 少
学习曲线 陡（要懂图、State、reducer） 缓（角色+任务直觉）
适合 复杂系统、精细控制 快速原型、角色明确的场景
调试 可视化图、trace 每个节点 看 manager 决策日志

💡 类比：LangGraph 像"手挡"（手动挡汽车，控制力强但要技术），CrewAI 像"自挡"（自动挡，省心但控制弱）。

二、CrewAI 的三件套

CrewAI 用三个概念组织多 Agent 系统：

1. Agent（角色）

researcher = Agent(
    role="研究员",          # 角色名（manager 靠它识别）
    goal="收集事实信息",     # 目标
    backstory="资深研究员",  # 背景（给 LLM 的人设）
    llm=llm,                # 用哪个模型
)

对比 LangGraph 的 create_agent：CrewAI 的 Agent 强调人设（role/goal/backstory），LangGraph 强调系统提示词（system_prompt）。本质一样，表达不同。

2. Task（任务）

task = Task(
    description="查一下什么是 RAG 技术",  # 任务描述
    expected_output="RAG 技术简介",        # 期望输出（CrewAI 特色：约束输出）
    agent=researcher,                     # 由谁做
)

expected_output 是 CrewAI 的特色——它让 LLM 知道"成功长什么样"，有助于输出质量。LangGraph 没有这个概念。

3. Crew（编队）

crew = Crew(
    agents=[researcher, analyst],
    tasks=[task1, task2],
    process=Process.hierarchical,  # ⭐ 编排模式
    manager_llm=llm,               # hierarchical 时的 manager LLM
)

process 决定怎么编排：

process 对应 LangGraph 行为
Process.sequential 流水线（手写 L08 / L04 串行） 按 agents 列表顺序自动执行
Process.hierarchical supervisor（L01） manager 动态调度

三、教学金矿：CrewAI 接国产模型（智谱 GLM）

这是本课最有实用价值的知识点——CrewAI 不像 LangGraph 有 ChatZhipuAI 直接封装，它要通过 litellm 桥接。

接 GLM 的三步

os.environ["CREWAI_TRACING_ENABLED"] = "false"  # 第 1 步：关 tracing（否则交互卡住）

llm = LLM(
    model="openai/glm-4-flash",              # 第 2 步：model 名加 "openai/" 前缀
    api_key=os.getenv("ZHIPUAI_API_KEY"),
    base_url="https://open.bigmodel.cn/api/paas/v4",  # 第 3 步：指向智谱
)

三个坑（踩过才知）

坑 1：model 名必须加 openai/ 前缀

# ❌ 错误：CrewAI 不认识 glm-4-flash
llm = LLM(model="glm-4-flash", ...)

# ✅ 正确：加 openai/ 前缀，告诉 litellm 走 OpenAI 兼容协议
llm = LLM(model="openai/glm-4-flash", ...)

坑 2：必须关 tracing

# 不加这行，首次运行会弹交互提示"是否启用 tracing"，卡住程序
os.environ["CREWAI_TRACING_ENABLED"] = "false"

坑 3：必须传 base_url

# 不传 base_url，litellm 默认请求 OpenAI 官方，认证失败
llm = LLM(model="openai/glm-4-flash", api_key=..., base_url="https://open.bigmodel.cn/api/paas/v4")

💡 对比 LangGraph：LangGraph 用 ChatZhipuAI(model="glm-4", api_key=...) 一行搞定（有官方封装）。CrewAI 要走 litellm 桥接，多两步。这是"官方封装 vs 通用桥接"的代价。

四、CrewAI hierarchical vs LangGraph supervisor

这是本课核心对比——同一个"调度中心"模式，两种框架怎么写：

LangGraph（L01） CrewAI（本课）
创建调度中心 create_supervisor(agents=..., model=..., prompt=...) Crew(agents=..., process=hierarchical, manager_llm=...)
教调度中心怎么调度 手写 prompt="研究派 researcher..." 不用写（框架内置调度逻辑）
worker 定义 create_agent(llm, name=..., system_prompt=...) Agent(role=..., goal=..., backstory=..., llm=...)
运行 graph.invoke({"messages": [...]}) crew.kickoff()
输出 result["messages"][-1].content str(result)

CrewAI 更简洁（不用写 prompt 教 manager 怎么调度），LangGraph 更可控（你能精确控制 supervisor 的行为）。

五、什么时候用 CrewAI，什么时候用 LangGraph？

用 CrewAI 当…… - 快速原型（想 10 分钟搭一个多 Agent 系统） - 角色明确（每个 Agent 有清晰的人设和职责） - 不需要精细控制（子图/并行/HITL/流式/自定义 State） - 团队协作（声明式更易读，非技术人员能看懂角色定义）

用 LangGraph 当…… - 需要精细控制（L03 子图、L04 并行、framework-L08 HITL） - 复杂流程（条件路由、动态分支、回环） - 生产级系统（可观测性、持久化、错误处理） - 自定义 State（带业务字段的 TypedDict）

经验法则：原型阶段用 CrewAI 快速验证想法，生产阶段迁移到 LangGraph 精细化。两个框架不冲突，可以先用 CrewAI 搭骨架，再用 LangGraph 重写关键路径。

六、本课代码

code.py 三个实验：

  1. 实验 1（sequential）：CrewAI 按角色顺序自动执行（researcher→analyst→writer），对应流水线
  2. 实验 2（hierarchical）：CrewAI manager 动态调度，对应 L01 supervisor
  3. 实验 3（代码量对比）：同样系统，CrewAI vs LangGraph 各多少行，直观对比两种范式
python workflow-lessons/07_crewai_comparison/code.py

七、小结 & 下节预告

✅ 本课要点： - CrewAI 三件套：Agent(角色) + Task(任务) + Crew(编队) - sequential = 流水线（按顺序）；hierarchical = supervisor（manager 调度） - 范式差异：声明式（角色+任务）vs 命令式（节点+边） - 接国产模型：LLM(model='openai/glm-4') 走 litellm + 关 tracing + 传 base_url - hierarchical = L01 supervisor 的 CrewAI 版（manager 动态调度） - 选型：快速原型用 CrewAI，精细控制用 LangGraph

🔜 下节预告（L08 — AutoGen 对比）： 本课 CrewAI 是「角色驱动」，下课 AutoGen 是「对话驱动」——多 Agent 在一个 GroupChat 里像开会一样发言。还会补全 Agent L08 exercise 留的"辩论模式"坑。AutoGen 0.4+ 是异步架构（async/await），和 CrewAI/LangGraph 的同步风格不同，这是另一个教学点。

⚠️ 清醒认知：CrewAI 的"简洁"是有代价的——它的 process 只有 sequential/hierarchical 两种预设模式。你要做 L03 的子图、L04 的并行 map-reduce、L05 的黑板模式？CrewAI 做不到（或很难做）。CrewAI 适合"标准模式的多 Agent"，LangGraph 适合"非标准流程"。选型前先想清楚你的流程是不是"标准"的。