YOHO AI

标签： AI框架

  • CrewAI — 53.7K+ Stars，让多个AI智能体像团队一样协作的Python框架

    CrewAI — 53.7K+ Stars，让多个AI智能体像团队一样协作的Python框架

    🚀 CrewAI — 让多个 AI 智能体像团队一样协作

    Star 数: 53.7K+ | 语言: Python | 协议: MIT | 更新: 2026-06-17

    📌 项目简介

    CrewAI 是一个完全独立、轻量、高性能的 Python 多智能体编排框架，专门用于协调角色扮演型自主 AI 智能体。它从零构建，不依赖 LangChain 或其他智能体框架，兼顾高层级开发的简洁性和底层控制的精准性，让多个 AI Agent 像真实团队一样分工协作，高效完成复杂任务。

    目前已有超过 10 万名开发者通过官方学习平台完成认证，CrewAI 正快速成为企业级 AI 自动化的标准框架。

    CrewAI 架构示意图

    CrewAI 核心能力架构示意图

    ⚙️ 安装要求和过程

    环境要求

    • Python: ≥ 3.10 且 < 3.14
    • 依赖管理: 推荐使用 UV（极速 Python 包管理器）
    • LLM 接入: 需配置 OpenAI API Key 或兼容接口（支持 Ollama 本地模型）

    快速安装

    # 安装基础版本
uv pip install crewai

# 安装带常用工具的完整版本
uv pip install 'crewai[tools]'

# 创建新项目（推荐）
crewai create crew my_project

    常见问题排查

    报错信息 解决方案
    ModuleNotFoundError: No module named 'tiktoken' 显式安装: uv pip install 'crewai[embeddings]'
    Failed building wheel for tiktoken 安装 Rust 编译器 + Visual C++ Build Tools，或使用预编译包

    ✨ 核心功能

    1. 完全独立的轻量框架

    CrewAI 从零开始构建，完全不依赖 LangChain 等第三方智能体框架。执行速度比 LangGraph 快 5.76 倍（QA 任务场景），资源占用更低，定制更灵活。你可以在任意层级深度自定义 —— 从整体工作流到智能体内部提示词，全部开放。

    2. 双模式编排：Crew + Flow

    CrewAI 提供两种互补的核心编排能力：

    • Crew（智能体组）：支持智能体自主协作和动态决策，适合需要灵活交互的任务
    • Flow（工作流）：企业级生产架构，提供细粒度、事件驱动的流程控制，支持单 LLM 调用精准编排，原生兼容 Crew

    两者可无缝结合，兼顾灵活性与可控性。

    3. YAML 配置驱动开发

    通过 agents.yaml 和 tasks.yaml 声明式配置智能体角色、目标和任务描述，将业务逻辑与代码逻辑完全解耦。@CrewBase 装饰器自动加载配置，开发体验极佳：

    # config/agents.yaml
researcher:
  role: "{topic} Senior Data Researcher"
  goal: "Uncover cutting-edge developments in {topic}"
  backstory: "You're a seasoned researcher with a knack for ..."

# config/tasks.yaml
research_task:
  description: "Conduct a thorough research about {topic}"
  expected_output: "A list with 10 bullet points ..."
  agent: researcher

    4. 丰富的工具生态与集成

    内置 crewai_tools 工具包，包含 SerperDevTool（Google 搜索）、ScrapeWebsiteTool、PDFSearchTool 等常用工具。同时支持：

    • 对接 Ollama / LM Studio 本地模型
    • 对接 OpenAI / Anthropic / Gemini 等主流 LLM
    • 自定义 Tool 类，轻松扩展能力边界
    • 与企业现有系统、数据源和云基础设施无缝集成

    5. 企业级可观测性与安全

    CrewAI AMP Suite 提供企业级综合解决方案：

    • 追踪与可观测性：实时监控 AI 智能体和 Workflows，提供指标、日志、调用链路追踪
    • 统一控制平面：集中管理、监控、扩缩 AI 智能体和自动化流程
    • 高级安全能力：内置安全与合规机制，支持本地/云端灵活部署
    • 7×24 小时企业支持：专属支持团队保障业务无中断运行

    💡 典型使用场景

    场景一：AI 行业动态自动研究报告

    配置一个「资深研究员」智能体和「报告分析师」智能体，前者利用搜索工具搜集最新资料，后者将分析结果整理为结构化 Markdown 报告。全程自动化，每天早上收到一份行业动态简报。

    inputs = {'topic': 'AI Agents'}
LatestAiDevelopmentCrew().crew().kickoff(inputs=inputs)
# 输出: report.md — 完整的研究报告

    适用：市场调研、竞品分析、技术趋势跟踪

    场景二：股票分析自动化流水线

    结合 SerperDevTool 获取实时财经新闻，多个分析智能体分别负责基本面分析、技术面分析、风险评估，最终由汇总智能体输出投资建议报告。CrewAI 官方示例仓库中提供了完整的 Stock Analysis 案例。

    适用：量化投研、财经内容自动生成、投资决策辅助

    场景三：旅行规划智能体组

    「目的地推荐师」「酒店比价员」「行程安排师」三个智能体协同工作：推荐师根据预算和偏好输出目的地清单，比价员自动抓取酒店价格，安排师生成逐日行程表。CrewAI 官方 Trip Planner 示例可直接运行。

    适用：个性化推荐系统、旅行/餐饮/购物助手、智能客服

    🌟 推荐理由

    在多智能体框架的选型上，我曾对比过 LangGraph、AutoGen 和 CrewAI，最终选择深入使用 CrewAI，原因主要有三点：

    1. 学习曲线最平缓。YAML 配置 + Python 代码的分离设计让业务逻辑一目了然，官方 learn.crewai.com 学习平台提供从入门到精通的系统课程，还有 DeepLearning.AI 的 免费短课程，上手速度远超同类框架。
    2. 生产就绪。很多多智能体框架停留在 Demo 阶段，CrewAI 在设计之初就考虑了生产环境需求 —— Memory（记忆）、Delegation（任务委托）、Human-in-the-loop（人工介入）等生产必备功能一应俱全，且有企业级 AMP Suite 提供运维保障。
    3. 性能优势明显。官方基准测试显示 CrewAI 比 LangGraph 快 5.76 倍，在实际项目中我也感受到明显差异，尤其是多智能体并行执行场景下，响应速度和稳定性表现出色。

    如果你正在考虑引入多智能体架构，CrewAI 是目前最成熟、最易上手的选项之一。建议从官方示例仓库 crewAI-examples 挑一个最接近你需求的案例跑起来，15 分钟就能感受到它的威力。

    📥 下载地址

    本文由 AI 辅助撰写，技术细节请参考官方文档。如有错误，欢迎在评论区指正。

  • LangChain — 135K+ Stars 的 AI 智能体工程平台，构建 LLM 应用的首选框架

    LangChain Logo

    🔗 LangChain

    The Agent Engineering Platform — 135K+ Stars

    📦 langchain-ai/langchain · MIT License · Python

    📝 项目简介

    LangChain 是一个智能体工程平台，为构建 LLM 驱动的应用提供标准化接口与丰富的第三方集成，帮助开发者快速构建、调试和部署生产级 AI 智能体应用。

    135K+
    GitHub Stars

    279K+
    依赖项目

    600+
    集成组件

    v1.x
    最新稳定版

    ⚙️ 安装要求与过程

    环境要求
    • Python ≥ 3.9
    • 推荐使用 uv 作为包管理工具
    • 需要有效的 LLM API Key（OpenAI / Anthropic / 国内模型等）
    # 快速安装
    # 使用 uv 安装（推荐）
uv add langchain

# 使用 pip 安装
pip install langchain

# 安装特定模型集成
pip install langchain-openai
pip install langchain-anthropic

    # 快速开始 — Hello World
    from langchain.chat_models import init_chat_model

# 初始化模型（支持任意提供商）
model = init_chat_model("openai:gpt-4o")
# model = init_chat_model("anthropic:claude-sonnet-4-20250514")

result = model.invoke("用一句话解释什么是 LangChain")
print(result.content)

    ⭐ 核心功能

    1
    标准化模型接口
    为模型、嵌入、向量存储等核心组件提供统一接口，切换底层模型无需重构业务代码，彻底告别厂商锁定。

    2
    丰富的第三方集成
    内置 600+ 集成组件，覆盖主流 LLM 提供商、向量数据库、检索工具、API 工具等，即插即用。

    3
    灵活的抽象层次
    从高层级链式调用（快速原型）到底层组件细粒度控制（复杂生产场景），支持不同复杂度的应用需求。

    4
    LangGraph 智能体编排
    配套 LangGraph 提供低层级智能体编排框架，支持复杂可控的多智能体工作流，适合生产级应用场景。

    5
    LangSmith 可观测性
    无缝对接 LangSmith 进行智能体评估、调试与监控，支持生产环境部署与长时状态工作流扩缩容。

    🚀 典型使用场景

    场景一：RAG（检索增强生成）问答系统
    将企业知识库文档向量化存储，结合 LangChain 的 Retriever 组件与 LLM，实现基于私有数据的精准问答。支持对接 Chroma、Pinecone、FAISS 等主流向量数据库，是构建企业 AI 知识助手的首选方案。

    场景二：智能客服 / AI Agent 工作流
    利用 LangChain 的 Agent 与 Tools 机制，让 LLM 自主调用搜索引擎、数据库查询、API 接口等工具，构建能完成多步骤复杂任务的智能助手。结合 LangGraph 可实现包含人工审批节点的复杂业务流程自动化。

    场景三：结构化数据抽取与处理
    利用 LangChain 的 OutputParser 与 Structured Output 功能，从非结构化文本中抽取结构化信息（如提取简历关键信息、解析合同要素），并输出为 JSON / Pydantic 模型，方便后续业务系统处理。

    💡 推荐理由

    LangChain 是 AI 应用开发领域当之无愧的”基础设施”。如果你正在构建任何与 LLM 相关的应用，LangChain 几乎是你绕不开的选择。

    它的核心价值在于标准化：无论你用 OpenAI、Anthropic 还是国产模型，接口一致；无论你用 PostgreSQL、Pinecone 还是 FAISS 存向量，接口一致。这种抽象让你可以随时切换底层技术，而不用重写应用逻辑。

    2026 年 LangChain 已迭代至 v1.x 稳定版，配套生态（LangGraph 智能体编排、LangSmith 可观测性、Deep Agents 低代码智能体）日趋完善，从快速原型到生产部署的全流程都有成熟方案支撑。

    当然，LangChain 的抽象层较厚，对于追求极致性能的场景可能需要权衡。但对于绝大多数 AI 应用开发者而言，它依然是目前最成熟、社区最活跃、学习资源最丰富的不二之选。

    ⋯⋯

    AI
    开源
    LangChain
    LLM
    AI Agent