2.1 Agent (智能体)

2.1 Agent (智能体)

本节约处在第二章第一站：零件手册的第一页，Agent。很多新手把 Agent 当成"一个会聊天的模型"，结果写出一堆行为飘忽的角色。我们说清楚：Agent 是一个被系统设定约束住的决策单元，它决定"怎么干"，但不决定"干哪件"——后者是 Task 的事。

先看一个 Agent 在运行时的

先看一个 Agent 在运行时的内部结构，避免把它想象成黑盒：

Agent 的核心字段各有分工，不要把约束都堆进 backstory：

- role：一句话身份，决定它

• role：一句话身份，决定它在团队里被如何看待，也影响系统提示的开头。
• goal：这个角色要达成的成果，是行为方向的"指南针"，比人设更影响决策。
• backstory：背景故事，用来塑造语气与视角，建议只放风格与经验，不放具体任务约束。
• tools：可调用工具列表，没有就纯靠语言模型。
• allow_delegation：是否允许把活转给队友，默认 False 更可控。
• verbose：是否打印思考过程，调试时务必开。
• llm：可单独指定模型，不写则用全局默认。

下面演示一个"保守型研究员"和一个"激进型写手"如何靠字段差异表现出不同风格。注意两者用的是同一个底层模型，差异来自设定。

from crewai import Agent

conservative = Agent(
    role="保守研究员",
    goal="只输出有出处支撑的结论",
    backstory="在金融风控岗位工作八年，习惯标注不确定性",
    verbose=True,
    allow_delegation=False,
)

aggressive = Agent(
    role="激进写手",
    goal="快速产出有感染力的初稿",
    backstory="新媒体主编，追求传播力，容忍一定夸张",
    verbose=True,
    allow_delegation=False,
)

# 2.1 Agent (智能体)
​

运行这类对比时你会发现：模型能力相同，但 goal 与 backstory 把输出分布推向了不同区间。这正是角色化设计的用处——用设定换可控性，而不是靠反复调温度。

再讲一个工程上容易踩的坑：delegation。打开它后，Agent 在卡住时可以呼叫其他成员帮忙，听起来美好，实则让执行路径变随机，日志也更难读。我们的建议是：在不确定业务里默认关闭，等流程真的出现"某角色常需他人补位"的明确信号，再针对性开启，而不是一上来全开。

# 默认关闭委派，流程可预测
researcher = Agent(
    role="研究员",
    goal="收集事实",
    backstory="严谨",
    allow_delegation=False,   # 关键：先关
    verbose=True,
)

# 只有当多个任务间确实需要互相补位时，才对特定角色开启
coordinator = Agent(
    role="协调员",
    goal="在成员间分派补漏",
    backstory="熟悉每个人的特长",
    allow_delegation=True,    # 仅协调角色开启
    verbose=True,
)
​

关于模型选择，Agent 级 llm 字段允许你给不同角色配不同模型：贵且强的模型给写结论的角色，便宜快的给做检索摘要的角色，整体账单能降一截。用法是指定一个 LLM 实例：

from crewai import LLM, Agent

cheap = LLM(model="openai/gpt-4o-mini", temperature=0.2)
strong = LLM(model="openai/gpt-4o", temperature=0.4)

summarizer = Agent(role="摘要员", goal="压缩文本", backstory="简洁",
                   llm=cheap, verbose=True)
analyst = Agent(role="分析师", goal="深度解读", backstory="严谨",
                llm=strong, verbose=True)
​

这里 temperature 越低，输出越稳；越高，越有变化。多智能体系统我们一般压低温度，把"创意"留给 Task 描述，而不是让模型在每一步自由发挥。

收尾给一个判断标准：当你发现某个

收尾给一个判断标准：当你发现某个 Agent 的 backstory 越写越长、越写越像任务清单，说明约束放错了地方——把它挪到对应 Task 的 expected_output 里。Agent 负责"成为谁"，Task 负责"这次做成什么样"，这条边界守住了，第二章后面几节才好懂。

Agent 的关键参数与取舍

Agent 除了 role/goal/backstory 三件套，还有几个直接影响行为的参数，写错一个就可能让系统失控或爆成本：

⚠️ 常见坑：把 allow_delegation 在 sequential 流程里开成 True，会让本应顺序执行的 agent 互相甩锅，链路变不可预测。我们只在 hierarchical 流程才打开它。

下面演示一个带工具与限速的 Agent，注释里标出每个参数为什么叫这个名字：

from crewai import Agent
from crewai_tools import SerperDevTool

search = SerperDevTool()  # 外部搜索工具

analyst = Agent(
    role="市场分析师",
    goal="给出可落地的市场判断",
    backstory="十年行研，只读一手数据",
    tools=[search],            # 给它一把"查资料"的刀
    allow_delegation=False,    # 顺序流，不甩锅
    verbose=True,
    max_iter=20,               # 最多反思 20 轮，超出就停
    max_retry_limit=2,         # 工具挂了最多重试 2 次
)
print(analyst.role, analyst.goal)
​

💡 关键直觉：Agent 是"演员"不是"剧本"。剧本是 Task，演员只负责按自己的人设去演剧本。所以调 Agent 时改的是人设与工具，调流程时改的是 Task 与 Process——这两层别混。当你发现某个 agent 总跑偏，先问是人设没写清，还是剧本（Task）没写清。

# 想让两个 agent 共享同一把工具也很自然
shared = [search]
a = Agent(role="A", goal="g", backstory="b", tools=shared, verbose=True)
b = Agent(role="B", goal="g2", backstory="b2", tools=shared, verbose=True)
​