前言上一篇我们学习了MCP协议掌握了AI与工具交互的标准化方法。本文将更进一步探讨如何让多个AI Agent协同工作——就像组建一个AI开发团队每个Agent负责不同的角色通过协作完成复杂任务。—## 一、为什么需要多Agent协作单Agent在面对复杂任务时有明显局限| 问题 | 单Agent | 多Agent协作 ||------|---------|------------|| 任务复杂度 | 长任务容易跑偏 | 分而治之各司其职 || 上下文窗口 | 单个窗口有限 | 各Agent独立上下文 || 专业性 | 通用但不精深 | 各Agent专精一个领域 || 并发性 | 串行执行 | 可并行处理 |典型场景一个软件开发项目需要产品经理、架构师、开发工程师、测试工程师、代码审查员等角色协作完成。—## 二、主流多Agent框架对比### 2.1 框架对比表| 框架 | 特点 | 适用场景 ||------|------|----------||CrewAI| 角色驱动上手简单 | 快速搭建团队协作 ||AutoGen| 微软出品对话式协作 | 研究、对话式任务 ||LangGraph| 图状态机灵活可控 | 复杂工作流编排 ||Camel| 角色扮演多Agent沟通 | 创意生成、辩论 |### 2.2 本文选择CrewAICrewAI以其直观的角色定义和简洁的API成为入门多Agent的最佳选择。—## 三、CrewAI核心概念pythonCrewAI的三个核心概念1. Agent智能体扮演特定角色拥有目标、工具和 backstory2. Task任务具体的工作内容有明确的预期输出3. Crew团队由多个Agent组成协调完成一系列Task# 安装# uv add crewai crewai-tools┌──────────────────────────────────────────────┐│ Crew ││ ││ ┌─────────┐ ┌─────────┐ ┌──────────┐ ││ │ 产品经理 │ │ 开发工程师│ │ 测试工程师│ ││ │ Agent │ │ Agent │ │ Agent │ ││ └────┬────┘ └────┬────┘ └────┬─────┘ ││ │ │ │ ││ ┌────▼────┐ ┌────▼────┐ ┌───▼─────┐ ││ │ 需求分析 │ │ 代码实现 │ │ 测试验证 │ ││ │ Task │──│ Task │──│ Task │ ││ └─────────┘ └─────────┘ └─────────┘ │└──────────────────────────────────────────────┘—## 四、实战搭建AI软件开发团队### 4.1 定义Agent角色python# agents.pyfrom crewai import Agent, Task, Crew, Processfrom crewai_tools import ( FileReadTool, DirectoryReadTool, CodeInterpreterTool,)from langchain_openai import ChatOpenAI # CrewAI需要LLM对象不能传字符串# 工具初始化file_read FileReadTool()dir_read DirectoryReadTool()code_interpreter CodeInterpreterTool()# Agent定义 product_manager Agent( role产品经理, goal分析用户需求输出清晰的产品需求文档PRD, backstory( 你是一位经验丰富的产品经理擅长将模糊的用户需求 转化为清晰、可执行的技术需求。你注重用户体验 每个需求都有明确的验收标准。 ), verboseTrue, allow_delegationFalse, llmChatOpenAI(modelgpt-5.5),)tech_lead Agent( role技术架构师, goal根据需求设计技术方案输出架构设计文档, backstory( 你是一位资深技术架构师精通Python、FastAPI、 PostgreSQL技术栈。你擅长系统设计注重代码质量、 可扩展性和安全性。 ), verboseTrue, allow_delegationTrue, llmChatOpenAI(modelgpt-5.5),)developer Agent( role开发工程师, goal根据技术方案编写高质量代码, backstory( 你是一位全栈开发工程师精通Python、TypeScript。 你写代码注重规范、可读性和测试覆盖率。 你习惯先写测试再写实现。 ), verboseTrue, tools[file_read, dir_read], allow_delegationFalse, llmChatOpenAI(modelgpt-5.5),)code_reviewer Agent( role代码审查员, goal审查代码质量发现潜在问题并给出改进建议, backstory( 你是一位严格的代码审查专家关注代码质量、 安全漏洞、性能问题和最佳实践。 你的审查报告条理清晰每个问题都有具体的修改建议。 ), verboseTrue, tools[file_read], allow_delegationFalse, llmChatOpenAI(modelgpt-5.5),)qa_engineer Agent( role测试工程师, goal编写测试用例验证功能正确性, backstory( 你是一位经验丰富的测试工程师擅长设计边界测试、 异常测试和集成测试。你确保每个功能都有充分的测试覆盖。 ), verboseTrue, tools[code_interpreter], allow_delegationFalse, llmChatOpenAI(modelgpt-5.5),)### 4.2 定义任务流python# tasks.pyfrom crewai import Taskfrom agents import product_manager, tech_lead, developer, code_reviewer, qa_engineerdef create_tasks(project_description: str) - list[Task]: 根据项目描述创建任务链 task_analyze Task( description( f分析以下项目需求输出PRD文档\n\n f{project_description}\n\n fPRD应包含\n f1. 项目背景与目标\n f2. 功能需求列表含优先级\n f3. 非功能需求\n f4. 验收标准 ), expected_outputMarkdown格式的PRD文档, agentproduct_manager, ) task_design Task( description( 根据产品经理的PRD文档设计技术方案\n 1. 系统架构图用文字描述\n 2. 数据模型设计\n 3. API接口设计\n 4. 技术选型说明\n 5. 目录结构规划 ), expected_outputMarkdown格式的技术设计文档, agenttech_lead, context[task_analyze], # 依赖前置任务 ) task_develop Task( description( 根据技术方案实现项目代码\n 1. 创建项目目录结构\n 2. 实现数据模型层\n 3. 实现API接口层\n 4. 实现业务逻辑层\n 5. 添加配置文件和启动入口\n 确保代码有完整的类型注解和文档字符串。 ), expected_output完整的项目代码文件列表及内容, agentdeveloper, context[task_design], ) task_review Task( description( 审查开发工程师提交的代码\n 1. 检查代码规范PEP 8\n 2. 检查安全问题SQL注入、XSS等\n 3. 检查性能问题\n 4. 检查错误处理\n 5. 给出评分A/B/C/D和具体改进建议 ), expected_output代码审查报告含问题列表和改进建议, agentcode_reviewer, context[task_develop], ) task_test Task( description( 为项目编写测试\n 1. 单元测试覆盖核心逻辑\n 2. API接口测试\n 3. 边界和异常测试\n 4. 运行测试并报告结果 ), expected_output测试代码文件和测试执行报告, agentqa_engineer, context[task_develop, task_review], ) return [task_analyze, task_design, task_develop, task_review, task_test]### 4.3 组建团队并执行python# crew.pyfrom crewai import Crew, Processfrom agents import product_manager, tech_lead, developer, code_reviewer, qa_engineerfrom tasks import create_tasksdef run_dev_crew(project_description: str): 运行开发团队 # 创建任务 tasks create_tasks(project_description) # 组建团队 crew Crew( agents[product_manager, tech_lead, developer, code_reviewer, qa_engineer], taskstasks, processProcess.sequential, # 顺序执行 verboseTrue, ) # 启动执行 result crew.kickoff() return result# 使用示例if __name__ __main__: project_desc 开发一个个人记账API服务 - 用户注册/登录JWT认证 - 记录收支金额、类别、日期、备注 - 按月/年统计报表 - 预算管理和超支提醒 技术栈FastAPI SQLAlchemy SQLite result run_dev_crew(project_desc) print( * 60) print(项目交付物) print(result)—## 五、进阶层次化多Agent架构对于更复杂的项目可以采用层次化架构python# hierarchical_crew.pyfrom crewai import Crew, Processfrom langchain_openai import ChatOpenAIfrom agents import developer, code_reviewer, qa_engineerfrom tasks import create_tasksdef run_hierarchical_crew(project_description: str): 层次化管理模式 crew Crew( agents[developer, code_reviewer, qa_engineer], taskscreate_tasks(project_description), processProcess.hierarchical, # 层次化manager自动分配 manager_llmChatOpenAI(modelgpt-5.5), # 管理者模型 verboseTrue, ) return crew.kickoff()层次化模式下一个经理Agent会自动1. 分析任务复杂度2. 决定任务分配给哪个Agent3. 协调Agent之间的依赖关系4. 汇总最终结果—## 六、Agent间通信模式### 6.1 顺序模式SequentialAgent_A → Agent_B → Agent_C → 完成适用于流水线式任务前一个Agent的输出是后一个的输入。### 6.2 层次模式HierarchicalManager Agent / | \ Agent_A Agent_B Agent_C \ | / 汇总结果输出Manager负责分配和汇总。### 6.3 自定义图模式LangGraphpython# 使用LangGraph实现自定义工作流from langgraph.graph import StateGraph, ENDfrom typing import TypedDict, Annotatedimport operatorclass DevState(TypedDict): requirements: str design: str code: str review: str test_results: str messages: Annotated[list[str], operator.add]def analyze_node(state: DevState) - DevState: # 需求分析 state[messages].append([产品经理] 需求分析完成) return statedef design_node(state: DevState) - DevState: # 架构设计 state[messages].append([架构师] 技术方案设计完成) return statedef develop_node(state: DevState) - DevState: # 代码实现 state[messages].append([开发者] 代码实现完成) return statedef review_node(state: DevState) - DevState: # 代码审查 - 可以决定是否需要返工 # 实际项目中可根据代码质量动态决定路由方向 state[messages].append([审查员] 代码审查通过) state[review] passed # 或 needs_rework return statedef route_after_review(state: DevState) - str: 根据审查结果决定下一步 return test if state.get(review) ! needs_rework else developdef test_node(state: DevState) - DevState: state[messages].append([测试] 测试通过) return state# 构建图graph StateGraph(DevState)graph.add_node(analyze, analyze_node)graph.add_node(design, design_node)graph.add_node(develop, develop_node)graph.add_node(review, review_node)graph.add_node(test, test_node)graph.add_edge(analyze, design)graph.add_edge(design, develop)graph.add_edge(develop, review)graph.add_conditional_edges(review, route_after_review, { test: test, develop: develop, # 返工回到开发节点})graph.add_edge(test, END)graph.set_entry_point(analyze)app graph.compile()—## 七、实践建议1.Agent角色要清晰每个Agent的职责边界明确避免重叠2.Task描述要具体包含输入、输出格式、验收标准3.选择合适的协作模式简单任务用Sequential复杂项目用Hierarchical4.控制Token消耗多Agent会显著增加API调用注意成本控制5.加入人类审核节点关键决策点加入人工确认Human-in-the-loop—## 总结多Agent协作将AI编程从单兵作战提升到团队协作的层面。本文介绍了1. 多Agent协作的必要性和优势2. CrewAI框架的核心概念3. 完整的5角色AI开发团队搭建4. 层次化管理和自定义工作流5. 实践建议掌握MCP协议 多Agent协作你已经具备了构建复杂AI应用的基础能力。后续文章将继续探讨AI在代码审查、Prompt工程和DevOps中的实战应用。 实战交流你试过多Agent协作吗遇到什么坑评论区聊聊我还准备了一份CrewAI避坑清单留言避坑我私发你。觉得有帮助的话点赞收藏支持一下—免责声明本文为AI辅助创作内容代码示例仅供学习参考。实际项目中多Agent系统的API调用成本可能较高请根据预算合理规划。文中涉及的工具版本请以官方最新文档为准。专栏《2026 AI编程效率革命》| 第08篇**发布日期2026-05-20