6.1 与其他 AI 框架的集成（如 LangChain、LlamaIndex）

6.1 与其他 AI 框架的集成（如 LangChain、LlamaIndex）

本节约处在第六章第一站，也是生态篇的拐点。"非此即彼"是误区。CrewAI 强在角色编排，LlamaIndex 强在检索与索引，LangChain 强在组件广度——三者各管一段，拼起来才是一条完整的智能应用管线。我们先画清它们怎么接。

最典型的集成：用 LlamaIn

最典型的集成：用 LlamaIndex 建好文档索引，把它的查询引擎包成一个 CrewAI 工具，供研究员角色调用。这样 CrewAI 负责"谁在什么时候问"，LlamaIndex 负责"从哪份文档找答案"。

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from crewai.tools import tool
from crewai import Agent, Task, Crew, Process

# 6.1 与其他 AI 框架的集成（如 LangChain、LlamaIndex）
docs = SimpleDirectoryReader("knowledge/").load_data()
index = VectorStoreIndex.from_documents(docs)
query_engine = index.as_query_engine()

# 包成 CrewAI 工具
@tool("内部知识库查询")
def kb_query(question: str) -> str:
    """基于内部文档回答。参数 question 为自然语言问题。"""
    return str(query_engine.query(question))

# CrewAI 侧：研究员带上这个工具
researcher = Agent(role="研究员", goal="用内部文档作答", backstory="严谨",
                  tools=[kb_query], verbose=True)
t = Task(description="回答 {question}", expected_output="带出处的答案", agent=researcher)

crew = Crew(agents=[researcher], tasks=[t], process=Process.sequential)
# crew.kickoff(inputs={"question": "退款政策如何规定"})
​

这样你的多智能体既能"角色协作"，又能"查私有知识"，两者各司其职。关键是集成发生在 Tool 这层契约——LlamaIndex 不知道 CrewAI 的存在，CrewAI 只知道有个工具能回答，互不侵入。

和 LangChain 的集成同

和 LangChain 的集成同理：把 LangChain 的 chain 或 retriever 包成工具。比如用 LangChain 的文档加载器处理复杂格式，再交给 CrewAI 编排：

from langchain_community.document_loaders import WebBaseLoader
from crewai.tools import tool

@tool("网页正文提取")
def fetch_article(url: str) -> str:
    """提取指定网址的正文文本。参数 url 为完整链接。"""
    loader = WebBaseLoader(url)
    return "\n".join(d.page_content for d in loader.load())

web_researcher = Agent(role="研究员", goal="读网页提炼", backstory="细致",
                      tools=[fetch_article], verbose=True)
​

这里要注意一个工程边界：LangChain 生态庞大，但 CrewAI 本身已带 crewai_tools（含搜索、抓取等）。优先用 CrewAI 原生工具，省一层依赖；只有当原生工具覆盖不了（如特殊文档格式、私有检索后端）时，才借 LangChain/LlamaIndex 补位。我们反对"为了用 LangChain 而用 LangChain"——多一层依赖就多一处升级雷。

反过来，CrewAI 也能被嵌进更大的 LangChain 应用：把整个 Crew 当成一个可调用单元。适合"主流程是 LangChain、其中一段需要多角色协作"的混合架构。

收尾提醒：集成的原则是"用对方的

收尾提醒：集成的原则是"用对方的长板补自己的短板，通过 Tool 解耦"。CrewAI 不试图取代检索框架，它把检索结果当工具输出消费。带着"谁擅长哪段"的清醒去拼装，比追框架热度稳。下一站讲社区资源，告诉你这些集成范例与最佳实践去哪找、怎么挑着用。

CrewAI 不是孤岛：怎么和 LangChain、LlamaIndex 协作

CrewAI 擅长角色协作，但检索、文档索引这类活儿 LlamaIndex 更强，复杂链编排 LangChain 更全。实际项目常让 CrewAI 当"总指挥"，把别人家的组件当工具接进来。

⚠️ 常见坑：为了"统一技术栈"硬把所有逻辑搬进 CrewAI，结果检索质量下降。我们主张各司其职——检索差事交给 LlamaIndex，CrewAI 只管"谁来用检索结果、怎么汇总"。

下面演示把一个外部检索函数包成 CrewAI 工具，让 Agent 能调它：

from crewai import Agent
from crewai.tools import tool

@tool("知识库检索")
def retrieve(query: str) -> str:
    """调用外部索引服务返回相关段落（此处用占位实现）。"""
    # 真实场景: 调 LlamaIndex / 向量库
    return f"与 [{query}] 相关的检索结果片段"

analyst = Agent(role="分析师", goal="基于资料作答", backstory="严谨",
                tools=[retrieve], verbose=True)
print(analyst.tools[0].name)
​

💡 关键直觉：集成不是"二选一"，而是"搭班子"。CrewAI 像项目经理，LlamaIndex 像资料员，LangChain 像流程专家——让每人干最擅长的事，整体反而最强。强行让一个人干三人的活，通常哪件都一般。

# 也可把 LangChain 的 chain 包成工具
@tool("摘要链")
def summarize(text: str) -> str:
    """用外部 chain 生成摘要（占位）。"""
    return f"摘要: {text[:20]}..."

print(summarize("很长的一篇文档"))
​