
什么是 CrewAI?
CrewAI 是一个采用 MIT 许可证的 Python 框架,另有名为 CrewAI AMP 的商业平台,用于编排多个 LLM 智能体:每个智能体都有自己的角色、目标和背景设定,再由它们分工完成同一项任务。你不必写一个试图同时完成调研、写作和审校的巨型 prompt,而是定义研究员、分析师和编辑三个角色,给每个角色配上各自的工具和模型,让它们按顺序流程或由管理者主导的流程传递工作。需要确定性步骤时,Flows 提供带状态和分支的事件驱动控制。开源仓库在 GitHub 上已有接近 60,000 颗星,几乎每周都会发布新版本。它的短板在于调试:当智能体陷入循环或悄悄跳过某次工具调用时,这层抽象会让你很难看清原因。如果你写 Python,并且想在一个下午内跑起多智能体原型,就选它。
如何开始使用 CrewAI?
你有两个入口。开发者安装开源 CLI:先确认使用的是 Python 3.10 到 3.13,安装 uv 包管理器,然后运行
uv tool install crewai。如果你不想碰终端,可以在 app.crewai.com 注册免费的 Basic 套餐并打开 Studio,这个带 AI 副驾驶的可视化编辑器让你用自然语言描述工作流,就能得到一个之后可导出为 Python 的 crew。在代码这一侧,你的第一个真实场景从
crewai create crew my_project开始。默认脚手架现在使用 JSON 文件:每个智能体放在agents/*.jsonc中,任务和 crew 设置则放在crew.jsonc中。如果你更喜欢包含agents.yaml、tasks.yaml和crew.py的旧版结构,可以加上--classic参数。把模型密钥写进.env,运行crewai install,再运行crewai run,CLI 会提示你填写缺少的输入占位符。决定结果的设置都是按智能体配置的:它使用哪个 LLM,是否开启推理和记忆,能使用哪些工具和知识来源,以及是否在沙箱中运行代码。模型通过
provider/model-id字符串指定,文档列出了 20 多家提供商,从 OpenAI、Anthropic 和 Gemini 到 Bedrock、Groq 以及本地 Ollama。只把昂贵的模型交给需要复杂推理的智能体,做摘要的则用便宜一些的模型。当 crew 在本地运行正常后,把项目推送到 GitHub 并部署。你可以在 AMP 控制台中点击 Connect GitHub,或者运行
crewai login和crewai deploy create,后者会读取你本地的环境变量并将构建加入队列;文档称首次部署通常需要大约一分钟。之后你会得到一个 URL 和一个 Bearer token,crew 会在/inputs、/kickoff和/status端点上响应,控制台中还有 Status、Run、Executions、Metrics 和 Traces 选项卡。
适合哪些人?
Python 开发者
你想要能协同工作的智能体,又不想手动搭建状态机。CrewAI 把角色、任务和流程作为现成的基础组件提供给你,因此一条调研加报告的流水线只需几个文件,而不用自建一层编排逻辑。当默认设置碍事时,你仍然可以进行底层访问。
大公司的 AI 工程师
你的试点项目在笔记本电脑上运行良好,但一旦安全团队问起访问控制和审计记录就停滞不前。Enterprise 层级增加了 SSO、基于角色的访问控制、PII 脱敏,以及部署到你自己的 VPC 或基础设施的能力。这样演示就能变成平台团队可以批准上线的东西。
自动化和运营团队
你正在替换脆弱的 RPA 脚本或冗长的人工检查清单,例如线索信息补全或 QA 审核。Crew 可以从多个内部系统拉取数据,做出判断,再把结果交给人工审批环节。在第一个工作流上线之前,要预留时间设置护栏。
技术型创始人和顾问
你需要在本周而不是下个季度向客户展示一个可运行的多智能体原型。CLI 脚手架和模板能让你很快跑起一个 crew,免费套餐也允许你托管几个自动化用于演示。生产架构要另行规划,因为每月 50 次运行很快就会用完。
学生和自学者
你想动手练习智能体设计,而不只是学理论。CrewAI 在 learn.crewai.com 提供免费课程,项目方称已有超过 100,000 名开发者通过这些课程获得认证。示例很容易上手,不过文档默认你已经掌握基础 Python。
CrewAI 定价
定价分为两层。开源框架在 MIT 许可证下免费,因此唯一的运行成本就是你的 LLM 提供商账单和你自己的托管费用。托管的 AMP 平台按工作流执行次数收费,截至 2026 年 10 月,官方定价页面只列出了两个层级。请记住,智能体的每一步都会消耗你自己提供商账户中的 LLM token,所以一个有五个智能体的 crew 每次运行的成本可能是单 prompt 脚本的好几倍。
包含 Studio(带 AI 副驾驶的可视化编辑器)、GitHub 集成、标准工具和触发器、追踪、OpenTelemetry、护栏、人机协同输入,以及在 Slack 或 Teams 中的工作流聊天。硬性限制为每月 2 个自动化和 50 次工作流执行,且无法额外购买执行次数。支持仅限社区。
定制报价。执行次数根据你的工作流确定,超额部分可灵活计费,你可以部署在 CrewAI 云、专用 VPC 或你自己的基础设施上。它增加了企业级连接器、通过 Microsoft Entra 或 Okta 实现的 SSO、基于角色的访问控制、PII 脱敏和策略、通过 Slack 或 Teams 提供的专属支持,以及为期 45 天的入门培训计划。前置部署工程服务和培训单独购买,页面上只有 Request trial 按钮,没有公开价格。
CrewAI 主要功能
基于角色的智能体通过角色、目标和背景设定来定义,还可以选配模型、工具、记忆和推理开关
你可以用 YAML、JSON 或 Python 编写它们,也可以混用这些方式。让每个智能体的职责保持单一,prompt 会更短,输出也更容易审查。
Crews 和 Flows 覆盖两类工作
Crews 让智能体在开放式问题上相互委派、协作,而 Flows 提供带状态、条件分支和单次 LLM 调用的事件驱动步骤。将两者结合,你就能让高风险部分保持确定性,只把模糊的部分交给智能体。
开箱即用的大型工具库覆盖网页搜索、网站交互、向量数据库查询和代码执行
框架对 MCP 服务器提供一流支持,并为 E2B 和 Daytona 提供原生沙箱工具。智能体可以调用你的内部 API,而你无需为每个 API 编写自定义适配器。
记忆和检查点让长任务不必从头再来
记忆功能在多次运行之间存储并解析事实,检查点则在每一步保存状态,让你可以重放、分叉或用不同输入重新运行任务。当长工作流在接近结尾时失败,这能帮你节省 token。
模型灵活,每个智能体都可以指向不同的提供商
OpenAI、Anthropic、Gemini、Azure、Bedrock 和 Snowflake Cortex 使用原生 SDK,其余提供商(包括本地 Ollama 模型)则通过 LiteLLM 运行。你可以在低风险的智能体上测试更便宜的模型,而无需重写整个 crew。
AMP 部署和可观测性把 crew 变成 API
你可以从 GitHub、Studio 或 CLI 部署,然后获得 REST 端点、webhook 流式推送、工具仓库,以及每次 LLM 和工具调用的 trace 和成本核算。
Enterprise 层级的治理控制包括 SSO、RBAC、审计记录、人工审批关卡,以及在每次 LLM 和工具调用中注入 PII 脱敏和策略检查的运行时钩子
评估集成覆盖 Arize、Galileo、Datadog 和 Patronus。这些正是合规团队在上线生产前会询问的内容。
CrewAI 优缺点
优点
最大的吸引力在于它的思维模型。把工作描述成一支由职责明确的专家组成的团队,比理解一张节点图更容易,G2 上的评论者也一再称赞他们能很快让协作智能体跑起来。你可以为每个智能体更换模型,出于隐私考虑使用本地模型,并在 MIT 许可证下把一切保留在纯 Python 中,没有供应商锁定。项目非常活跃,几乎每周都有新版本发布,社区庞大,还有免费的认证课程。当笔记本电脑不够用时,同一套代码可以部署到 AMP,并附带追踪和 API。先从开源版本开始,只有在需要托管或治理时再迁移到 AMP。
缺点
让演示变快的抽象层,也隐藏了智能体实际在做什么。用户反映,智能体在使用工具或相互交接时会陷入循环,浪费时间和 API 预算;GitHub 上一个广为人知的 bug 还显示,智能体会伪造工具观察结果,而不是真正调用工具。一个尚未关闭的 issue 指出,重试的任务可能会再次运行带副作用的工具,例如把同一封邮件发送两次。多智能体运行还会成倍增加 token 成本,免费套餐限制你每月只有 50 次执行,而 Enterprise 定价并不公开。一些开发者认为,如果刚接触智能体,文档读起来会很吃力。给任何会修改数据的工具加上幂等性检查,并保持追踪开启。
如果你想要以下功能,可以使用 CrewAI……
- 用 Python 构建多智能体调研和报告流水线。
- 把一项复杂任务拆分给多个专职 AI 智能体。
- 借助开源框架快速搭建智能体工作流原型。
- 在同一个工作流中混用不同的 LLM 提供商。
- 通过 Ollama 在本地模型上运行智能体。
- 将 crew 部署为带内置追踪的 REST API。
- 用具备判断能力的智能体替换脆弱的 RPA 脚本。
- 为自动化业务流程添加人工审批步骤。
- 在你自己的 VPC 内自托管受治理的智能体。
CrewAI 替代方案
CrewAI 用户评价
G2 上的开发者表示,搭建协作智能体和切换不同模型都很快,但智能体可能在工具调用或交接时陷入循环,浪费时间和 API 额度。
一些评论者喜欢用基于角色的结构处理多步骤工作,但认为学习曲线陡峭,希望文档对刚接触智能体的人更友好。
Studio 用户赞赏无需编写全部代码就能构建和测试工作流,同时抱怨多步骤运行时有延迟,并认为自动化定价偏高。
GitHub 用户指出了一些可靠性缺陷,例如智能体模拟工具输出而不是真正调用工具,以及重试可能重复产生副作用,这对生产环境使用很重要。
在 Hacker News 上,一些开发者表示框架层让生产环境调试变得痛苦,更喜欢在模型 SDK 之上做轻量封装,另一些人则认为框架在复杂、可观测的多模型架构中物有所值。
常见问题
CrewAI 免费吗?
开源框架在 MIT 许可证下免费,你只需为调用的 LLM API 付费。托管的 Basic 套餐同样免费,但限制为每月 2 个自动化和 50 次工作流执行。
CrewAI 依赖 LangChain 吗?
不依赖。README 将 CrewAI 描述为一个独立的 Python 框架,拥有自己的智能体、任务、crew、flow 和工具基础组件。
CrewAI 支持哪些 LLM?
文档列出了 20 多家提供商,包括 OpenAI、Anthropic、Google Gemini、Azure、AWS Bedrock、Mistral、Groq 和 IBM watsonx。本地模型可以通过 Ollama 或 LM Studio 运行。
我需要哪个 Python 版本?
CrewAI 需要 Python 3.10 或更高版本,且低于 3.14。文档建议使用 uv 包管理器安装。
CrewAI 会收集我的数据吗?
框架会发送匿名遥测数据,例如版本号、智能体数量和工具名称,但默认不会发送 prompt 或任务输出。你可以把 OTEL_SDK_DISABLED 环境变量设为 true 来关闭它。
我可以在生产环境中自托管 CrewAI 吗?
可以。你可以在任何基础设施上运行开源框架,Enterprise 套餐还支持部署在你自己的 VPC 或本地环境中,并提供 SSO 和基于角色的访问控制。
CrewAI 有 API 吗?
每个部署到 AMP 的 crew 都会获得一个 URL、一个 Bearer token 和 REST 端点,可用于读取所需输入、启动运行并查看其状态。你还可以使用个人访问令牌从 CI 重新部署 crew。
CrewAI Enterprise 多少钱?
Enterprise 定价按报价确定,并根据你的工作流调整规模,额外执行次数可灵活超额计费。你可以在定价页面申请试用。







