70-多Agent协作-CrewAI-AutoGen-角色分工与信息传递协议

【70.Python+AI】多Agent协作实战：CrewAI与AutoGen的角色分工与信息传递

📖文章简介：本文系统讲解多Agent协作（Multi-Agent Collaboration）这一2025年Agent开发的热门方向。文章从"单Agent为什么搞不定复杂任务"切入，详解多Agent系统的三大设计核心：角色分工（Researcher/Writer/Reviewer的专业化拆分）、信息传递协议（Agent之间如何交接任务与结果）、以及两大主流框架的对比——CrewAI的"团队角色卡"式定义与AutoGen的"对话驱动"式协作。通过一个"调研→撰写→审核"三Agent协作完成研究报告的完整CrewAI代码案例，配上Mermaid协作流程图，适合已经掌握单Agent开发、想向多Agent系统进阶的开发者。

🎬 个人主页：源码骑士

❄专栏传送门：《Android开发基础》《python基础课程》

⭐️热衷从源码视角拆解技术底层原理，将复杂架构讲得通俗易懂

🎬 源码骑士的简介：
5年Android Framework系统开发经验，曾主导多项系统级性能优化专项
技术栈覆盖Android系统全链路（Binder/Handler/AMS/WMS/启动流程）及Java后端全家桶（Spring + MyBatis + Redis + Oracle）
累计产出原创技术文章100+篇，文章以流程图为特色，被读者评价为"看一篇胜过啃一周源码"

导入语

你写了一个Agent，给它塞了5个工具，让它"调研Python异步框架的市场情况并写一份报告"。结果它一会儿搜索、一会儿尝试总结、一会儿又回头搜索——上下文越滚越长，最后输出的报告前言不搭后语。

问题不在LLM的能力，在于你让一个Agent同时扮演了"调研员"和"撰稿人"两个角色。现实中一个研究员和一个编辑是两个人，AI世界里同样应该如此——这就是多Agent协作的思想：一个Agent查资料，一个Agent写报告，再加一个Agent审核把关。

1 ~> 单Agent vs 多Agent

1.1 单Agent的瓶颈

1.2 多Agent协作流程

三个Agent各司其职，上下文互相隔离，输出通过结构化的"交接单"传递。

2 ~> CrewAI：团队角色卡式框架

2.1 核心三件套

CrewAI 的建模方式非常直观——像组建一个真实团队：

fromcrewaiimportAgent,Task,Crew# 1. 定义角色（Agent = 团队成员 + 岗位说明书）researcher=Agent(role="资深行业研究员",goal="收集全面、准确、有数据支撑的调研信息",backstory="你有10年市场调研经验，擅长从海量信息中提炼关键事实",tools=[search_tool],verbose=True)writer=Agent(role="技术报告撰稿人",goal="把调研素材组织成结构清晰、易读性强的报告",backstory="你曾就职于知名咨询公司的报告团队",)reviewer=Agent(role="质量审核专家",goal="检查报告的事实准确性、逻辑完整性和可读性",backstory="你是出了名的'挑刺王'，不放过任何一处表述不清",)

2.2 定义任务与协作

# 2. 定义任务（Task = 工单）research_task=Task(description="调研Python异步框架（asyncio/Trio/anyio）的市场应用现状",expected_output="一份包含框架对比、应用案例、趋势的调研纪要",agent=researcher)write_task=Task(description="基于调研纪要撰写2000字技术报告",expected_output="结构完整的Markdown报告",agent=writer,context=[research_task]# 依赖research_task的输出)review_task=Task(description="审核报告，输出修改意见或'通过'结论",expected_output="审核意见列表或PASS",agent=reviewer,context=[write_task])# 3. 组队并执行crew=Crew(agents=[researcher,writer,reviewer],tasks=[research_task,write_task,review_task],verbose=True)result=crew.kickoff()

2.3 信息传递的本质

context=[research_task]这一行就是信息传递协议——Writer Agent 执行时，会自动收到 Researcher 任务的输出作为上下文。CrewAI 的交接是"任务产物"级别的，不是"聊天记录"级别的，这保证了传递的是干净的结果而非杂乱的中间过程。

3 ~> AutoGen：对话驱动式框架

3.1 不同的协作哲学

AutoGen（微软开源）把多Agent协作建模为群聊——Agent之间通过多轮对话推进任务：

fromautogenimportAssistantAgent,UserProxyAgent,GroupChat,GroupChatManager analyst=AssistantAgent(name="analyst",system_message="你是数据分析师，负责解读数据并给出结论",llm_config={"model":"gpt-4"})critic=AssistantAgent(name="critic",system_message="你是评审专家，负责质疑analyst的结论，要求证据支撑",llm_config={"model":"gpt-4"})# 群聊管理器自动决定谁该发言groupchat=GroupChat(agents=[analyst,critic],messages=[],max_round=10)manager=GroupChatManager(groupchat=groupchat,llm_config={"model":"gpt-4"})

3.2 CrewAI vs AutoGen 选型

4 ~> 多Agent设计的四条军规

1. 角色要少而精：3~5个Agent是上限，再多信息传递成本指数上升2. 交接要结构化：传JSON/Markdown文档，不传聊天记录3. 每个Agent要有明确的"退出条件"：什么时候算做完，写进goal里4. 审核Agent必须独立：不能让Writer自己审自己

多Agent不是Agent越多越智能。两个配合默契的Agent，胜过五个职责模糊的Agent。

思考 && 总结

1. 多Agent解决的是单Agent的"角色过载"问题：调研、写作、审核是三种不同的人格和上下文需求，硬塞给一个Agent只会让输出质量全面下滑。
2. CrewAI和AutoGen代表两种协作范式：CrewAI是"流水线分工"，适合流程确定的生产场景；AutoGen是"圆桌讨论"，适合需要观点碰撞的开放场景。
3. 信息传递协议比Agent数量更重要：结构化的任务产物传递（而非聊天记录共享）是多Agent系统不崩溃的关键。
4. 控制Agent数量和退出条件：超过5个Agent的系统，调试成本会超过它带来的收益。

多Agent协作的本质不是"多个AI一起干活"，而是"用组织架构的思路设计AI系统"。你设计的是团队，不是代码。

结尾

各位小伙伴，本文的内容到这里就全部结束了，源码骑士在这里再次感谢您的阅读！

源码骑士 — Android Framework & 全栈开发

👀关注：跟博主一起从源码视角深耕底层原理，见证每一次成长

❤️点赞：让优质内容被更多人看见，让知识传递更有力量

⭐收藏：把核心知识点存好，在需要时随时查、随时用

💬评论：分享你的经验或疑问，评论区一起交流避坑

🔄一键四连：不要忘记给博主"一键四连"哦！

🗡️寄语：技术之路难免有困惑，但同行的人会让前进更有方向

结语：当你的单Agent开始"精神错乱"时，别急着调Prompt——也许你该给它招几个同事了。不要忘记给博主"一键四连"哦！