🚀 从单兵作战到智能协作：AI Agent 2.0 时代已来，crewAI 重新定义多智能体协作

你是一个资深的市场营销专家，你需要分析竞品、制定策略、撰写文案...
（然后你会得到一个各方面都平庸的结果）

Agent1 负责分析 -> Agent2 负责策略 -> Agent3 负责文案 -> Agent4 负责审核

crewAI 架构概览
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

  ┌─────────────────────────────────────────────────────────┐
  │                      Crew (团队)                         │
  │  ┌─────────┐  ┌─────────┐  ┌─────────┐  ┌─────────┐     │
  │  │ Agent 1 │  │ Agent 2 │  │ Agent 3 │  │ Agent N │     │
  │  │  队长    │  │  分析师   │  │  执行者   │  │   ...   │     │
  │  └────┬────┘  └────┬────┘  └────┬────┘  └────┬────┘     │
  │       │            │            │            │          │
  │       └────────────┴────────────┴────────────┘          │
  │                           │                               │
  │                    Task Queue (任务队列)                   │
  │                           │                               │
  │                    智能分发 & 结果聚合                     │
  └─────────────────────────────────────────────────────────┘

环境要求清单
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
✅ Python 版本: 3.10 - 3.12 (推荐 3.11)
✅ 包管理器: pip 或 poetry
✅ 内存: 建议 8GB 以上
✅ API 密钥: OpenAI / Anthropic / 本地模型等

# 创建虚拟环境（强烈建议）
python -m venv crewai_env

# 激活虚拟环境
# Linux/Mac:
source crewai_env/bin/activate
# Windows:
crewai_env\Scripts\activate

# 安装 crewAI 及所有依赖
pip install crewai

# 如果你更喜欢 poetry
poetry new my_crew
cd my_crew
poetry add crewai

# 如果你需要最新功能
pip install git+https://github.com/crewAIInc/crewAI.git

# 验证安装版本
import crewai
print(f"crewAI 版本: {crewai.__version__}")

# 验证核心组件
from crewai import Agent, Task, Crew, Process
print("✅ 所有核心组件加载成功！")

import os

# 方式一：环境变量
os.environ["OPENAI_API_KEY"] = "你的-api-key"

# 方式二：直接在代码中指定
openai_model = OpenAI(model_name="gpt-4", api_key="你的-api-key")

from langchain.chat_models import ChatAnthropic

# Claude 模型配置
claude_model = ChatAnthropic(
    model_name="claude-3-sonnet-20240229",
    anthropic_api_key="你的-api-key"
)

from langchain.llms import Ollama

# 本地 Ollama 模型
local_model = Ollama(base_url="http://localhost:11434", model="llama2")

# Agent 的核心属性说明
agent_config = {
    "role": "资深数据分析师",          # 角色：定义身份
    "goal": "从数据中发现关键洞察",     # 目标：明确任务方向
    "backstory": "在麦肯锡工作10年...", # 背景：增加专业性
    "verbose": True,                   # 详细输出：调试用
    "allow_delegation": True           # 允许委托：支持协作
}

# Task 的核心属性
task_config = {
    "description": "分析上周的用户增长数据",  # 任务描述
    "expected_output": "包含图表的数据分析报告", # 期望输出格式
    "agent": data_analyst_agent,              # 分配的执行者
    "async_execution": False,                 # 是否异步执行
    "context": [],                            # 上下文依赖
    "tools": []                               # 可用工具列表
}

# Crew 的核心配置
crew_config = {
    "agents": [agent1, agent2, agent3],    # 团队成员列表
    "tasks": [task1, task2, task3],        # 任务列表
    "process": Process.sequential,          # 执行流程模式
    "verbose": 2,                           # 输出详细程度
    "memory": True,                        # 是否启用记忆
}

流程模式对比
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

┌─────────────────────────────────────────────────────────────┐
│  Sequential（顺序流程）                                      │
│  ─────────────────────────────────────────────────────────  │
│  Task1 ──▶ Task2 ──▶ Task3 ──▶ Task4                        │
│  严格按照定义顺序执行，上一个完成才执行下一个                    │
└─────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────┐
│  Hierarchical（层级流程）                                    │
│  ─────────────────────────────────────────────────────────  │
│                    👑 Manager (管理者)                        │
│                   /      |      \                            │
│              Task1    Task2    Task3                         │
│  由一个 Manager Agent 统一分配和协调任务                       │
└─────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────┐
│  Consensual（共识流程）                                      │
│  ─────────────────────────────────────────────────────────  │
│         Agent1 ◀──▶ Agent2 ◀──▶ Agent3                       │
│              讨论协商达成共识后输出结果                        │
└─────────────────────────────────────────────────────────────┘

from crewai.tools import BaseTool
from crewai_tools import (
    SerpAPIWrapper,      # 网络搜索
    DirectoryReadTool,   # 读取目录
    FileReadTool,        # 读取文件
    FileWriteTool,       # 写入文件
    SeleniumScrapingTool, # 网页抓取
    CSVSearchTool,       # CSV 搜索
    LlamaIndexTool,      # 向量数据库
)

from crewai.tools import BaseTool
from pydantic import Field

class WeatherTool(BaseTool):
    name: str = "weather_checker"
    description: str = "查询指定城市的天气情况"

    def _run(self, city: str = Field(description="城市名称")) -> str:
        # 这里接入真实的天气 API
        # 返回天气信息
        return f"{city}今天晴朗，温度25度"

"""
智能新闻摘要助手
================
这个示例演示了如何用 crewAI 创建一个完整的多 Agent 新闻处理系统
"""

import os
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerpAPIWrapper, DirectoryReadTool, FileWriteTool

# ============================================================
# 第一步：设置 API 密钥
# ============================================================
os.environ["OPENAI_API_KEY"] = "你的-OpenAI-API-Key"
os.environ["SERPAPI_API_KEY"] = "你的-SerpAPI-密钥"  # 用于网络搜索

# ============================================================
# 第二步：定义 Agent
# ============================================================

# Agent 1：新闻搜索员
news_researcher = Agent(
    role="资深新闻研究员",
    goal="快速准确地收集和整理新闻素材",
    backstory="""
    你是一名有着15年经验的老牌新闻研究员，
    曾在新华社担任首席编辑，对新闻价值有敏锐的嗅觉。
    你擅长从海量信息中筛选出真正有价值的新闻线索。
    """,
    verbose=True,
    allow_delegation=False,
    tools=[SerpAPIWrapper()]  # 赋予网络搜索能力
)

# Agent 2：内容分析师
content_analyst = Agent(
    role="深度内容分析师",
    goal="挖掘新闻背后的深层含义和趋势",
    backstory="""
    你毕业于清华新闻学院，曾在FT中文网工作多年。
    你擅长用独特的视角解读新闻事件，
    能够从表象看到本质，为读者提供独到的分析。
    """,
    verbose=True,
    allow_delegation=True,  # 允许委托任务
)

# Agent 3：文案撰写师
content_writer = Agent(
    role="专业文案撰写师",
    goal="将复杂信息转化为通俗易懂、引人入胜的文字",
    backstory="""
    你是一名资深的内容创作者，擅长将专业内容
    转化为普通读者也能理解的精彩文章。
    你的文章逻辑清晰、语言生动，深受读者喜爱。
    """,
    verbose=True,
    allow_delegation=False,
)

# ============================================================
# 第三步：定义 Task
# ============================================================

# Task 1：搜索新闻
search_task = Task(
    description="""
    搜索并整理最近24小时内的重大科技新闻。
    关键词：AI、科技、创新
    要求：收集至少5条有价值的新闻线索，
    每条包含标题、来源、发布时间和主要内容摘要。
    """,
    expected_output="一份结构化的新闻清单，包含标题、来源、摘要",
    agent=news_researcher,
)

# Task 2：分析新闻（依赖于 Task 1）
analyze_task = Task(
    description="""
    基于搜索结果，进行深度分析：
    1. 识别新闻中的关键趋势和主题
    2. 分析这些新闻对行业的影响
    3. 找出最值得关注的几条新闻
    """,
    expected_output="深度分析报告，包含趋势洞察和重点推荐",
    agent=content_analyst,
    context=[search_task],  # 依赖前面的任务
)

# Task 3：撰写摘要（依赖于 Task 2）
write_task = Task(
    description="""
    将分析报告转化为一篇精彩的新闻摘要文章：
    1. 撰写吸引人的标题和导语
    2. 按重要性排序报道内容
    3. 添加专业但易懂的点评
    4. 结尾给出总结和展望
    """,
    expected_output="一篇完整的新闻摘要文章，约800-1000字",
    agent=content_writer,
    context=[search_task, analyze_task],  # 依赖前面两个任务
    output_file="news_summary.md"  # 自动保存到文件
)

# ============================================================
# 第四步：组建团队并执行
# ============================================================

# 创建团队
news_crew = Crew(
    agents=[news_researcher, content_analyst, content_writer],
    tasks=[search_task, analyze_task, write_task],
    process=Process.sequential,  # 顺序执行
    verbose=2,  # 详细输出级别
)

# 启动任务
print("=" * 60)
print("🚀 新闻摘要助手启动中...")
print("=" * 60)

result = news_crew.kickoff()

# ============================================================
# 第五步：查看结果
# ============================================================
print("\n" + "=" * 60)
print("✅ 任务完成！以下是最终输出：")
print("=" * 60)
print(result)

市场调研自动化系统架构
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

                    ┌─────────────────┐
                    │   输入：产品/市场  │
                    └────────┬────────┘
                             │
              ┌──────────────┼──────────────┐
              ▼              ▼              ▼
     ┌─────────────┐ ┌─────────────┐ ┌─────────────┐
     │  竞品分析员  │ │  数据分析师  │ │  用户研究员  │
     └──────┬──────┘ └──────┬──────┘ └──────┬──────┘
            │               │               │
            └───────────────┼───────────────┘
                            ▼
                   ┌─────────────────┐
                   │   策略规划师     │
                   └────────┬────────┘
                            │
                            ▼
                   ┌─────────────────┐
                   │   市场调研报告   │
                   └─────────────────┘

"""
市场调研自动化系统
==================
这个示例展示了一个更复杂的多 Agent 协作系统
"""

import os
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerpAPIWrapper, FileWriteTool

# 设置环境变量
os.environ["OPENAI_API_KEY"] = "你的-OpenAI-API-Key"

# ============================================================
# 定义 Agent 团队
# ============================================================

# 竞品分析专家
competitor_analyst = Agent(
    role="竞品分析专家",
    goal="全面分析目标市场的竞争格局和主要玩家",
    backstory="""
    你是一位资深的竞品分析师，曾在顶级咨询公司工作。
    你擅长SWOT分析、竞品对比、功能拆解，
    能够从海量的市场信息中提炼出关键洞察。
    """,
    verbose=True,
    tools=[SerpAPIWrapper()],
)

# 数据洞察专家
data_insights = Agent(
    role="数据洞察专家",
    goal="从数据中发现市场趋势和机会",
    backstory="""
    你是一位数据科学家，专注于市场数据分析。
    你擅长用数据讲故事，能够通过数字看到市场本质。
    你的分析报告多次帮助公司做出关键决策。
    """,
    verbose=True,
)

# 用户研究专家
user_researcher = Agent(
    role="用户研究专家",
    goal="深入了解目标用户群体的需求和痛点",
    backstory="""
    你是一位用户体验研究员，擅长用户访谈、问卷设计、需求分析。
    你总能从用户的行为和反馈中找到产品改进的机会。
    """,
    verbose=True,
)

# 策略规划师（Manager）
strategy_planner = Agent(
    role="首席策略官",
    goal="整合各方信息，制定完整的市场策略",
    backstory="""
    你是一位经验丰富的战略顾问，曾帮助多家 startups 
    制定市场进入策略。你的建议务实、可落地、效果显著。
    """,
    verbose=True,
    allow_delegation=True,  # 重要：允许委派任务
)

# ============================================================
# 定义 Task
# ============================================================

# 竞品分析任务
competitor_analysis = Task(
    description="""
    针对目标产品进行全面的竞品分析：
    1. 识别市场上前5名主要竞品
    2. 分析每个竞品的市场定位和核心优势
    3. 列出竞品的功能矩阵对比
    4. 找出竞品的薄弱环节和机会点
    目标市场：AI写作工具市场
    """,
    expected_output="详细的竞品分析报告，包含功能对比表和机会矩阵",
    agent=competitor_analyst,
)

# 数据分析任务
data_analysis = Task(
    description="""
    基于收集的数据，进行深度分析：
    1. 分析市场规模和增长率
    2. 识别用户画像和细分市场
    3. 发现市场趋势和新兴需求
    4. 预测市场走向
    """,
    expected_output="市场数据分析报告，包含关键数字和趋势图",
    agent=data_insights,
)

# 用户调研任务
user_research = Task(
    description="""
    进行用户需求调研：
    1. 梳理目标用户群体的特征
    2. 分析用户的核心需求和痛点
    3. 识别用户选择产品时的关键决策因素
    4. 发现用户反馈中的改进机会
    """,
    expected_output="用户研究报告，包含用户画像和需求洞察",
    agent=user_researcher,
)

# 策略整合任务
strategy_task = Task(
    description="""
    基于前面三个任务的分析结果，制定完整的市场策略：
    1. 综合竞品分析、用户需求、市场数据
    2. 提出差异化的市场定位建议
    3. 制定具体的市场进入策略
    4. 给出可执行的下一步行动建议
    """,
    expected_output="完整的市场进入策略报告",
    agent=strategy_planner,
    context=[competitor_analysis, data_analysis, user_research],
    output_file="market_strategy_report.md",
)

# ============================================================
# 创建团队并执行
# ============================================================

# 使用层级流程，让策略规划师作为 Manager
market_crew = Crew(
    agents=[competitor_analyst, data_insights, user_researcher, strategy_planner],
    tasks=[competitor_analysis, data_analysis, user_research, strategy_task],
    process=Process.hierarchical,  # 层级流程
    manager_agent=strategy_planner,  # 指定 Manager
    verbose=2,
)

# 启动
print("=" * 60)
print("🚀 市场调研系统启动...")
print("=" * 60)

result = market_crew.kickoff()

print("\n" + "=" * 60)
print("📊 市场调研完成！")
print("=" * 60)
print(result)

"""
自定义工具示例
================
展示如何为 crewAI 创建个性化工具
"""

from crewai import Agent
from crewai.tools import BaseTool
from pydantic import Field
import requests

# ============================================================
# 工具一：股票价格查询
# ============================================================
class StockPriceTool(BaseTool):
    name: str = "股票价格查询"
    description: str = "查询指定股票的当前价格和涨跌幅"

    def _run(self, symbol: str = Field(description="股票代码，如 AAPL")) -> str:
        """
        这里应该接入真实的股票 API
        为了演示，我们返回模拟数据
        """
        # 真实场景中：
        # response = requests.get(f"https://api.example.com/stock/{symbol}")
        # return response.json()

        # 演示用：
        return f"{symbol} 当前价格: $150.25, 涨幅: +2.3%"

# ============================================================
# 工具二：邮件发送工具
# ============================================================
class EmailSenderTool(BaseTool):
    name: str = "邮件发送"
    description: str = "发送邮件给指定收件人"

    def _run(
        self,
        to: str = Field(description="收件人邮箱"),
        subject: str = Field(description="邮件主题"),
        body: str = Field(description="邮件正文")
    ) -> str:
        """
        真实场景中接入邮件服务 API
        """
        # 这里应该实现真实的邮件发送逻辑
        return f"✅ 邮件已发送给 {to}，主题：{subject}"

# ============================================================
# 使用自定义工具
# ============================================================
financial_advisor = Agent(
    role="金融顾问",
    goal="为用户提供专业的投资建议",
    backstory="""
    你是一位持牌的金融分析师，拥有 CFA 认证，
    擅长股票分析和投资组合优化。
    """,
    verbose=True,
    tools=[StockPriceTool(), EmailSenderTool()],  # 使用自定义工具
)

# 测试工具使用
test_task = Task(
    description="查询苹果公司(AAPL)股票价格，并发送给用户的邮箱",
    expected_output="执行结果确认",
    agent=financial_advisor,
)

┌─────────────────────────────────────────────────────────────┐
│                    内容创作团队架构                          │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│   主编 Agent ──▶ 选题策划 Agent ──┐                         │
│              │                    │                         │
│              │              ┌─────▼─────┐                   │
│              │              │  撰稿人   │                   │
│              │              └─────┬─────┘                   │
│              │                    │                         │
│              │              ┌─────▼─────┐                   │
│              └─────────────▶ │  审核编辑 │                   │
│                              └─────┬─────┘                   │
│                                    │                         │
│                              ┌─────▼─────┐                   │
│                              │  发布专员 │                   │
│                              └───────────┘                   │
└─────────────────────────────────────────────────────────────┘

# 客服团队示例配置
customer_service_crew = Crew(
    agents=[
        Agent(
            role="接待员",
            goal="快速理解客户需求并分类",
            backstory="客服行业10年经验，擅长沟通",
        ),
        Agent(
            role="技术支持",
            goal="解决技术相关问题",
            backstory="技术专家，精通产品技术细节",
        ),
        Agent(
            role="投诉处理专员",
            goal="妥善处理客户投诉",
            backstory="处理过数千起投诉，客户满意度99%",
        ),
    ],
    tasks=[routing_task, tech_support_task, complaint_task],
    process=Process.sequential,
)

# 数据分析流水线示例
data_pipeline_crew = Crew(
    agents=[
        Agent(role="数据采集员", goal="从多源收集数据", ...),
        Agent(role="数据清洗工程师", goal="数据质量把控", ...),
        Agent(role="数据分析师", goal="挖掘数据价值", ...),
        Agent(role="报告撰写师", goal="呈现分析结果", ...),
    ],
    tasks=[collect_task, clean_task, analyze_task, report_task],
    process=Process.sequential,
)

# 开发团队示例
dev_crew = Crew(
    agents=[
        Agent(role="架构师", goal="系统设计和方案制定", ...),
        Agent(role="后端工程师", goal="后端功能实现", ...),
        Agent(role="前端工程师", goal="界面和交互开发", ...),
        Agent(role="测试工程师", goal="质量保障", ...),
        Agent(role="技术文档工程师", goal="文档编写", ...),
    ],
    tasks=[design_task, backend_task, frontend_task, test_task, docs_task],
    process=Process.hierarchical,  # 架构师作为 Manager
)

# 商业研究团队配置
research_crew = Crew(
    agents=[
        Agent(role="行业研究员", ...),
        Agent(role="财务分析师", ...),
        Agent(role="战略顾问", ...),
    ],
    tasks=[
        industry_research_task,
        financial_analysis_task,
        strategy_development_task,
    ],
    process=Process.sequential,
)

# 清晰具体的角色
agent_good = Agent(
    role="专注于电商转化的增长黑客",  # ✅ 具体明确
    goal="通过优化落地页提升转化率至5%",  # ✅ 可衡量
    backstory="曾帮助拼多多实现月GMV增长300%",  # ✅ 有说服力
)

# ❌ 避免模糊笼统
agent_bad = Agent(
    role="营销人员",  # ❌ 太笼统
    goal="做好营销工作",  # ❌ 无法衡量
    backstory="有营销经验",  # ❌ 缺乏说服力
)

# 低效的 backstory
backstory_weak = "我是数据分析师"  # ❌ 信息量少

# 高效的 backstory
backstory_strong = """
你是一名数据科学家，在字节跳动工作过5年，
专注于用户增长和留存分析。你精通 SQL、Python，
擅长用数据驱动业务决策。你曾通过 A/B 测试
帮助产品提升了 40% 的次日留存率。
"""  # ✅ 具体、有说服力

# ❌ 模糊的期望输出
task_bad = Task(
    description="分析这些数据",
    expected_output="分析结果",  # ❌ 太笼统
)

# ✅ 具体的期望输出
task_good = Task(
    description="分析最近30天的用户活跃数据",
    expected_output="""
    包含以下内容的分析报告：
    1. 日活用户趋势图（折线图）
    2. 用户分群分布（饼图）
    3. 关键指标对比表格
    4. 发现的问题和优化建议
    格式：Markdown
    """,  # ✅ 具体明确
)

# 确保依赖关系正确
task_1 = Task(description="收集原始数据", ...)
task_2 = Task(
    description="清洗和整理数据",
    context=[task_1],  # ✅ 依赖 task_1 的结果
)
task_3 = Task(
    description="数据分析",
    context=[task_1, task_2],  # ✅ 可以使用前面的结果
)

# 简单流水线：顺序执行
crew_simple = Crew(
    agents=agents,
    tasks=tasks,
    process=Process.sequential,
)

# 复杂协作：层级管理
crew_complex = Crew(
    agents=agents,
    tasks=tasks,
    process=Process.hierarchical,
    manager_agent=manager,  # 指定专业 manager
)

# 民主决策：多方协商
crew_consensus = Crew(
    agents=agents,
    tasks=tasks,
    process=Process.consensual,
)

# 生产环境：最小输出
crew_prod = Crew(
    agents=agents,
    tasks=tasks,
    verbose=0,  # ✅ 无输出
)

# 开发调试：详细输出
crew_dev = Crew(
    agents=agents,
    tasks=tasks,
    verbose=2,  # ✅ 完整执行日志
)

crew_with_memory = Crew(
    agents=agents,
    tasks=tasks,
    memory=True,  # ✅ 启用长期记忆
    embedder={
        "provider": "openai",
        "model": "text-embedding-ada-002",
    },
)

# 对于独立任务，使用异步执行
async_task = Task(
    description="独立的数据收集任务",
    async_execution=True,  # ✅ 异步执行
    agent=researcher_agent,
)

# 在 Agent 中限制输出长度
agent = Agent(
    role="精炼的摘要员",
    goal="用最简洁的语言概括要点",
    backstory="""
    你擅长用最精炼的语言传达核心信息。
    你的回答永远不超过100字。
    """,  # ✅ 隐式限制输出长度
)

from crewai import Task
from pydantic import validator

class ValidatedTask(Task):
    @validator('expected_output')
    def validate_output(cls, v):
        if len(v) < 10:
            raise ValueError("期望输出描述太简单")
        return v

from crewai import Crew

try:
    result = crew.kickoff()
except Exception as e:
    print(f"执行出错: {e}")
    # 可以实现重试逻辑
    # result = crew.kickoff()

import logging

# 开启详细日志
logging.basicConfig(level=logging.DEBUG)

crew = Crew(
    agents=agents,
    tasks=tasks,
    verbose=2,
)
result = crew.kickoff()

# 解决方案：增强 Prompt
agent = Agent(
    role="专业翻译",
    goal="准确翻译科技类文章",
    backstory="你是一位专业的中英翻译，专注于科技领域",
)

# 配合更详细的任务描述
task = Task(
    description="""
    翻译以下文章为中文：
    1. 保持专业术语的准确性
    2. 符合中文表达习惯
    3. 保留原文格式和结构
    """,
    expected_output="格式规范的中文翻译",
)

# 解决方案：明确任务边界和上下文
task_with_context = Task(
    description="基于前面的分析，撰写结论",
    context=[previous_task],  # ✅ 提供完整上下文
    expected_output="清晰的结论段落",
)

# 启用委托功能
collaborative_agent = Agent(
    role="项目协调",
    goal="协调各方资源完成目标",
    allow_delegation=True,  # ✅ 允许委托
)

# 解决方案：减少 Agent 数量，精简任务
# 1. 合并相似任务
# 2. 减少不必要的上下文传递
# 3. 使用更快的模型
# 4. 开启异步执行

# 异步任务示例
fast_task = Task(
    description="快速查价任务",
    async_execution=True,
    agent=fast_agent,
)

"""
crewAI 项目模板
================
复制此模板快速创建新项目
"""

import os
from crewai import Agent, Task, Crew, Process

# ============================================================
# 环境配置
# ============================================================
os.environ["OPENAI_API_KEY"] = "你的-API-Key"

# ============================================================
# 步骤1：定义 Agent
# ============================================================

# Agent 模板
def create_agent(role, goal, backstory, tools=None, allow_delegation=False):
    """Agent 工厂函数"""
    return Agent(
        role=role,
        goal=goal,
        backstory=backstory,
        verbose=True,
        tools=tools or [],
        allow_delegation=allow_delegation,
    )

# 创建你的 Agent
# agent_1 = create_agent(
#     role="你的角色",
#     goal="你的目标",
#     backstory="你的背景故事",
# )

# ============================================================
# 步骤2：定义 Task
# ============================================================

# Task 模板
def create_task(description, expected_output, agent, context=None, output_file=None):
    """Task 工厂函数"""
    return Task(
        description=description,
        expected_output=expected_output,
        agent=agent,
        context=context or [],
        output_file=output_file,
    )

# 创建你的 Task
# task_1 = create_task(
#     description="任务描述",
#     expected_output="期望输出格式",
#     agent=agent_1,
# )

# ============================================================
# 步骤3：组装并执行
# ============================================================

def run_crew(agents, tasks, process=Process.sequential):
    """运行团队的通用函数"""
    crew = Crew(
        agents=agents,
        tasks=tasks,
        process=process,
        verbose=2,
    )
    return crew.kickoff()

# ============================================================
# 主程序入口
# ============================================================

if __name__ == "__main__":
    # 在这里配置你的项目
    pass

crewAI 学习路径总结
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

阶段一：入门
├── 安装 crewAI 和依赖
├── 理解 Agent/Task/Crew 三大核心概念
└── 运行第一个示例

阶段二：进阶
├── 掌握不同 Process 模式
├── 学会使用内置工具
├── 自定义工具开发
└── 复杂任务编排

阶段三：精通
├── 多 Agent 协作策略设计
├── 性能优化和成本控制
├── 生产环境部署
└── 企业级应用架构

相关链接
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
📚 crewAI 官方文档: https://docs.crewai.com/
💻 GitHub 仓库: https://github.com/crewAIInc/crewAI
🐦 Twitter: @crewAI
📖 官方教程: https://docs.crewai.com/tutorials/

延伸学习路径
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

方向一：LangChain 集成
├── LangChain 官方文档
├── LangChain Agents 进阶
└── Vector Store 深入理解

方向二：多 Agent 系统设计
├── AutoGen 框架学习
├── MetaGPT 架构研究
└── 自主智能体设计模式

方向三：生产环境部署
├── Docker 容器化
├── API 服务化
├── 监控和日志
└── 安全和合规

关联优秀项目推荐
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

🔗 LangChain: https://github.com/langchain-ai/langchain
   LLM 应用开发框架，与 crewAI 完美配合

🔗 LangServe: https://github.com/langchain-ai/langserve
   快速将 LangChain 应用部署为 API 服务

🔗 AutoGPT: https://github.com/Significant-Gravitas/AutoGPT
   自主 AI Agent 先驱项目

🔗 AutoGen: https://github.com/microsoft/autogen
   微软开源的多 Agent 协作框架

🔗 MetaGPT: https://github.com/geekan/MetaGPT
   多 Agent 软件开发框架，模拟真实公司结构

🔗 crewAI Tools: https://github.com/crewAIInc/crewai-tools
   crewAI 官方工具库

AI Agent 发展路线图
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

当前阶段 ─────────────────────────────────────────▶ 未来

单 Agent ──▶ 多 Agent 协作 ──▶ Agent 生态 ──▶ 自主组织
  │              │              │              │
  ▼              ▼              ▼              ▼
单一任务     复杂流程      能力互补      自我优化
可控输出     协作产出      生态协同      涌现智能

给读者的话
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

1. 🚀 动手实践最重要
   看十遍教程不如亲手写一个项目

2. 📖 从简单开始
   先用 crewAI 完成一个小任务，再逐步复杂化

3. 🔧 多尝试工具组合
   工具是 Agent 能力的延伸，善用工具

4. 📝 记录你的经验
   整理自己的最佳实践，形成方法论

5. 🤝 加入社区
   GitHub Issues、Discord、论坛都是好去处

祝你在 crewAI 和多 Agent 的世界里探索愉快！

# ============================================================
# 常用命令速查
# ============================================================

# 安装
pip install crewai                    # 安装稳定版
pip install crewai-tools              # 安装官方工具库
pip install git+https://github.com/... # 安装开发版

# 验证安装
python -c "import crewai; print(crewai.__version__)"

# 常用导入
from crewai import Agent, Task, Crew, Process
from crewai_tools import *

# ============================================================
# 常用代码片段速查
# ============================================================

# 创建 Agent
agent = Agent(
    role="角色",
    goal="目标",
    backstory="背景",
    verbose=True,
)

# 创建 Task
task = Task(
    description="描述",
    expected_output="期望输出",
    agent=agent,
    context=[依赖任务],
)

# 创建 Crew
crew = Crew(
    agents=[agent1, agent2],
    tasks=[task1, task2],
    process=Process.sequential,
    verbose=2,
)

# 执行
result = crew.kickoff()

# 查看结果
print(result)