3.1 定义与配置 Agents

3.1 定义与配置 Agents

本节约处在第三章第一站，动手写第一行构建代码。前两章把 Agent 讲透了，这里把它落成可复用、可组合的对象。一个常见反模式是每次都在 Crew 里临时 new 一个 Agent——配置散落各处，改一处要翻全文。我们主张：Agent 先单独定义、集中管理，再被 Crew 引用。

先把"一个 Agent 从配置到

先把"一个 Agent 从配置到就绪"的状态画出来，建立运行时直觉：

最基础的 Agent 定义，把所有常用字段一次列全，注释讲清每个字段的工程含义：

from crewai import Agent

researcher = Agent(
    role="行业研究员",                  # 身份，影响系统提示开头
    goal="搜集并核实目标赛道的关键事实",  # 行为方向，比人设更影响决策
    backstory="十年行研，习惯先证据后结论",  # 只放风格与经验
    tools=[],                          # 暂不给工具，需要时再挂
    llm=None,                          # None 用全局默认模型
    verbose=True,                      # 调试必开，看清思考链
    allow_delegation=False,            # 默认关委派，流程可预测
    max_iter=15,                       # 单任务最大推理步数，防死循环
    memory=False,                      # 单 Agent 记忆开关，第四章详述
)
​

max_iter 是个容易漏的保

max_iter 是个容易漏的保险：模型偶尔会在"调工具—看结果—再调"里打转，不设上限可能一直烧 token。我们一般给 10 到 20，够它把活干完又不会无限循环。

把配置抽成字典再实例化，是上规模项目的好习惯。这样多个相似角色能共享模板，差异只在 goal：

from crewai import Agent

# 共享底座，避免每处重复写 backstory/verbose 等
BASE = dict(
    verbose=True,
    allow_delegation=False,
    max_iter=15,
)

researcher = Agent(role="研究员", goal="找事实", backstory="严谨", **BASE)
writer = Agent(role="写手", goal="成文", backstory="连贯", **BASE)
checker = Agent(role="核查", goal="验出处", backstory="怀疑一切", **BASE)

# 后续 Crew 直接引用这三个变量，配置集中、改动可追溯
​

这种写法在角色多时尤其省心：要全局调 max_iter 或统一关 verbose，只改 BASE。我们见过把 verbose 写死在十几个 Agent 里、上线想关日志却要改十处的项目，纯属自找麻烦。

再演示配置注入工具与模型——这是 Agent 真正"能办事"和"有强弱之分"的两步：

from crewai import LLM, Agent
from crewai_tools import SerperDevTool

search = SerperDevTool()
strong_llm = LLM(model="openai/gpt-4o", temperature=0.3)

# 研究员：要搜索、要强模型
researcher = Agent(
    role="研究员",
    goal="搜并核实事实",
    backstory="严谨",
    tools=[search],
    llm=strong_llm,
    verbose=True,
)

# 摘要员：不需要搜索，用便宜模型压成本
cheap_llm = LLM(model="openai/gpt-4o-mini", temperature=0.1)
summarizer = Agent(
    role="摘要员",
    goal="压缩文本",
    backstory="简洁",
    tools=[],
    llm=cheap_llm,
    verbose=True,
)
​

这里体现了第二章提过的模型分级思路：把贵模型留给需要深度推理的角色，把便宜模型给机械性角色。整队账单能降一截，而质量不受影响——因为摘要本来就不考验推理深度。

一个收尾注意点：role 字段虽

一个收尾注意点：role 字段虽然是给人看的，但会进系统提示，影响模型自我定位。别写成"助手A""角色B"这种无意义串，也别写成一句话简历。一句清晰的身份（"行业研究员"）比一段模糊描述更有效。配置讲完，下一站我们把这些 Agent 用 Task 串起来。

从零配一个能用的 Agent

配置 Agent 的难点不在语法，而在"人设写多细"。我们遵循一条原则：人设只定风格与能力边界，具体验收标准留给 Task。下面给一个可直接跑的金融分析 Agent，带限速与工具：

from crewai import Agent
from crewai_tools import SerperDevTool

search = SerperDevTool()

fund_analyst = Agent(
    role="基金研究员",
    goal="评估一只基金的性价比",
    backstory="只看公开披露与第三方数据，不臆测",
    tools=[search],
    allow_delegation=False,
    verbose=True,
    max_iter=20,
    max_retry_limit=2,
)
print(fund_analyst.role, "就绪")
​

⚠️ 常见坑：backstory 写得太"全能"，导致所有任务都被同一段话影响，反而降低可控性。我们让 backstory 只描述经验边界与禁忌，比如"不臆测未披露数据"，而不是堆形容词。

再补一个用 LLM 字段指定模型的写法，方便按角色换模型、控成本：

from crewai import Agent
from crewai.llm import LLM

cheap_llm = LLM(model="gpt-4o-mini", temperature=0.3)

draft_agent = Agent(
    role="初稿写手",
    goal="把要点扩成初稿",
    backstory="直白少修饰",
    llm=cheap_llm,   # 简单活儿用便宜模型
    verbose=True,
)
print(draft_agent.llm.model)
​

💡 关键直觉：配置 Agent 像给演员说戏——说清"你是谁、你要什么、你的底线是什么"，比说清"第一步怎么做"重要。具体步骤交给 Task，人设保持跨任务稳定，这样同一个 Agent 才能被多个 Task 复用而行为一致。

# 复用同一个 Agent 到不同 Task 完全没问题
t_a = type("T", (), {"description": "A", "expected_output": "a", "agent": draft_agent})()
t_b = type("T", (), {"description": "B", "expected_output": "b", "agent": draft_agent})()
assert t_a.agent is t_b.agent
​