怎么在CrewAI中定义Agent角色与Task任务

在开发 CrewAI 项目时，初学者常将 Agent 和 Task 的配置混为一谈，写成冗长的提示词。虽然代码能运行，但输出结果往往偏离预期。若能厘清两者的分工，便能显著提升效率：Agent 负责界定“由谁执行”及其“专业特长”，而 Task 则明确“具体做什么”以及“交付物的标准”。

先给 Agent 一个清楚的角色

Agent 的 role 用于确立职责定位，goal 指明其致力达成的目标，backstory 则补充相关的工作背景。这三个字段无需辞藻华丽，关键在于逻辑自洽。例如，针对资料调研场景，可将角色设为“技术资料研究员”，目标定为“提炼关键信息并甄别事实与推测”，背景则强调服务对象为开发者且优先引用可验证来源。如此，模型在执行任务时便能依据身份和目标自动适配最佳工作模式。

from crewai import Agent

researcher = Agent(
    role="技术资料研究员",
    goal="整理主题要点，并区分事实与推测",
    backstory="你为开发者整理清楚、可核对的技术资料。",
)

Agent 的职责、目标与工作背景共同构成角色设定。

初期配置只需聚焦上述核心字段，工具调用或模型选择等可选参数可在确有需求时再行添加。若 role 定义过于宽泛，而 goal 又指向截然不同的工作内容，这种方向性的冲突很难仅靠后续的任务描述来弥补。

用 Task 说清本次要交付什么

Task 通过 description 描述具体待办事项，并利用 expected_output 约定完成后的成果形态。相较于模糊的“研究一下 CrewAI”，将其转化为限定主题范围、明确对比维度及规定要点数量的可执行指令更为稳妥。最后，需通过 agent 指定负责该任务的执行者：

from crewai import Task

research_task = Task(
    description="梳理 CrewAI 中 Agent 与 Task 的职责差异，并给出配置建议。",
    expected_output="一份简洁说明，包含两者职责和一个配置示例。",
    agent=researcher,
)

Task 写明要做的工作、预期结果和负责的 Agent。

expected_output 旨在设定交付验收标准，而非简单复述任务内容。例如，“输出一份简明文档，列出职责差异并附带可读代码片段”比笼统的“完成调研”更易于评估结果是否符合预期。任务描述越具体，Agent 就越无需猜测用户的潜在需求。

把 Agent 和 Task 放进 Crew

完成对象定义后，即可创建 Crew 实例，将 Agent 和 Task 分别填入对应列表。针对此单任务示例，可使用 Process.sequential 确保按序执行，最终调用 kickoff() 启动流程。完整代码如下：

from crewai import Agent, Crew, Process, Task

researcher = Agent(
    role="技术资料研究员",
    goal="整理主题要点，并区分事实与推测",
    backstory="你为开发者整理清楚、可核对的技术资料。",
)

research_task = Task(
    description="梳理 CrewAI 中 Agent 与 Task 的职责差异，并给出配置建议。",
    expected_output="一份简洁说明，包含两者职责和一个配置示例。",
    agent=researcher,
)

crew = Crew(
    agents=[researcher],
    tasks=[research_task],
    process=Process.sequential,
)
result = crew.kickoff()
print(result)

Crew 汇总 Agent 与 Task，再启动执行流程。

上述代码展示了各组件间的配置关系：Agent 定义角色属性，Task 明确工作内容与交付标准并绑定执行 Agent，Crew 则负责汇总并启动流程。若后续需增加任务，可按执行顺序将其加入 tasks 列表；当后一任务依赖前一任务的产出时，则需进一步配置 Task 的 context 等依赖参数。建议先从单个 Agent 和 Task 跑通基本结构，再逐步扩展复杂度，这比一开始就堆砌大量角色和选项更利于排查问题。