LLM+多智能体协作：基于CrewAI与DeepSeek的邮件自动化实践

已于 2025-02-22 10:57:12 修改
阅读量7.3k 收藏 123
点赞数 133
分类专栏： 人工智能 文章标签： 自动化 Agent DeepSeek LLM llama CrewAI python
于 2025-02-21 09:00:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_66401877/article/details/145764151
版权

文章目录

引言

在人工智能技术日新月异的今天，如何将大语言模型（LLM）与多智能体协作框架结合实现自动化流程，已成为开发者关注的热点。本文将分享一个基于CrewAI多智能体框架与DeepSeek-R1本地化大模型的创新实践——我们成功构建了一个具备完整邮件撰写、优化、发送能力的AI协作系统。该方案通过Writer（撰写）、Editor（编辑）、Sender（发送） 三个智能体的有机协作，实现了从主题输入到邮件发送的端到端自动化处理，不仅展现了多智能体系统的任务分解与流程控制能力，更验证了本地化大模型在隐私敏感场景下的实用价值。本文将深入解析该系统的技术架构、实现逻辑，以及这种技术组合带来的开发效率提升与部署成本优化。

程序流程图
程序流程图

理解 Flows（工作流）与 Crews（协作组）

CrewAI 提供两种强大互补的方法，可无缝协作构建复杂的 AI 应用：
Crews（协作组）
由具有真正自主决策能力的 AI 智能体组成的团队，通过角色化协作完成复杂任务。Crews 支持：

  • 智能体间的自然自主决策
  • 动态任务委派与协作
  • 定义明确目标和专业能力的专属角色
  • 灵活的问题解决方式

Flows（工作流）
面向生产环境的事件驱动型工作流，可精准控制复杂自动化流程。Flows 提供：

  • 对现实场景执行路径的细粒度控制
  • 任务间安全一致的状态管理
  • AI 智能体与生产级 Python 代码的洁净集成
  • 复杂业务逻辑的条件分支处理

协同威力
当 Crews 与 Flows 结合时，CrewAI 展现出真正的强大能力，使您可以：

  • 构建复杂的生产级应用程序
  • 在自主性与精准控制间取得平衡
  • 处理复杂的现实场景
  • 保持清晰可维护的代码结构

一、环境准备与工具安装

1.1 Python环境搭建

确保您的系统上安装了 Python >=3.10 < 3.13。CrewAI 使用 UV 进行依赖项管理和包处理，提供无缝的设置和执行体验。
验证安装

python --version 或者 pip --version  #查看是否输出版本号（Python >=3.10 < 3.13）

1.2 创建并激活虚拟环境

为了保持依赖隔离，建议在电脑上创建虚拟环境：

  • 打开终端（Windows 用 CMD/PowerShell，Linux/Mac 用终端）。
  • 导航到你的工作目录（例如 ~/Projects 或 C:\Projects）
cd ~/Projects  # Linux/Mac
cd C:\Projects  # Windows

创建虚拟环境：

python -m venv deepseek_env

激活虚拟环境：
Linux/Mac：

source deepseek_env/bin/activate

Windows：

deepseek_env\Scripts\activate

激活后，终端提示符前会出现 (deepseek_env)。

升级 pip：
修复pip安装

Python -m ensurepip --upgrade

升级pip

Python -m pip install --upgrade pip

1.3 安装核心依赖库（crewai、litellm）

安装必要库： 在虚拟环境中运行：

pip install crewai litellm

检查是否安装成功：

pip show crewai  # 显示 crewai 版本信息
pip show litellm  # 显示 litellm 版本信息

二、本地DeepSeek R1大模型部署

2.1 Ollama框架安装

访问Ollama官网 下载适用于您操作系统的版本。
Linux：

curl -fsSL https://ollama.com/install.sh | sh

Mac： 下载 .dmg 文件并安装。
Windows： 下载可执行文件并安装。

本文演示系统为Windows操作系统
进入官网后点击Download下载
ollama官网
点击Download for Windows进行安装，这里以Windows系统示例
安装ollama
下载完毕是一个.exe文件，然后双击.exe文件进行安装
安装界面
安装完成后再终端输入ollama --version来查看是否安装成功
验证是否安装成功

2.2 验证Ollama服务状态

# 检查服务是否运行（通用命令）
ollama list  # 若返回空列表则表示服务正常

# 或通过API接口验证
curl http://localhost:11434/api/tags  # 预期返回JSON格式模型列表

2.3 运行DeepSeek-R1模型

ollama run deepseek-r1:1.5b

安装DeepSeek R1模型

# 进阶操作（可选）：
ollama ps        # 查看模型运行状态
ollama ls        # 列出已下载模型
ollama run deepseek-r1:1.5b "你好"  # 直接交互测试

三、代码实现与运行

3.1 项目文件结构说明

mail-agent-project/
├── main.py         # 主程序 - 定义智能体/任务/工作流

3.2 main.py核心功能

  • 定义Writer邮件撰写专家/Editor邮件优化专家/Sender邮件发送专员三个智能体
  • 构建任务链（撰写→润色→发送）
  • 实现SMTP邮件发送回调
  • 主流程控制（CrewAI顺序执行）
# 代码结构概览
import os
from crewai import Agent, Task, Crew, Process
import smtplib
from email.mime.text import MIMEText
# 配置环境变量/配置LiteLLM的Ollama模型
# 智能体定义（Writer/Editor/Sender）
# 任务链构建（create_writer_task/create_editor_task/create_sender_task）
# 邮件发送函数（send_email）
# 主函数（main）与程序入口

Ollama服务初始化： 本地启动模型推理服务，为后续LLM调用提供API端点
模型内容生成： Writer智能体通过DeepSeek-R1模型完成原始邮件创作
内容优化阶段： Editor智能体对文本进行结构化重组与语气调整
SSL加密认证： 采用SMTP_SSL协议保障邮箱账号认证安全性

3.3 运行程序

进入虚拟环境：

source deepseek_env/bin/activate  # Linux/Mac
# 或
deepseek_env\Scripts\activate  # Windows

执行邮件智能体程序

python test.py

3.4 输出日志

因为我这里使用的事deepseek-r1:1.5b模型，大模型思考的过程以及撰写的内容可能不如训练参数更多的模型，后续大家可以自行发挥对提示词进行优化以及使用更优质的大模型来完成，我这里只提供一个部署搭建思路。


【系统启动】初始化邮件智能体工作流...
├─ 当前主题：感谢朋友的支持
├─ 发件账户：xiongjava@163.com
└─ 收件地址：xiongjava@163.com

# Agent: 邮件撰写专家
## Task: 请以'感谢朋友的支持'为主题撰写正式中文信件，要求：
        1. 采用标准书信格式（称呼、正文、结尾、落款）
        2. 正文至少包含3个逻辑连贯的段落
        3. 总字数控制在300-500字


# Agent: 邮件撰写专家
## Final Answer:
尊敬的[朋友名称]先生、女士：

您好！

首先，请允许我向您表示最诚挚的感谢。在过去的[时间段内]，您的支持与我息息相关，您的耐心和智慧让我感受到最大的幸福与满足。感谢您一直以来对我的关注和支持，是您付出的时间与精力换来的我如今如此的成长与进步。

如果您有机会，请与我共同参与一些活动或分享自己的经历，这样不仅能够增进我们之间的友谊，还能让我继续与您合作一段时间。希望未来能有更多机会重逢，再次见证彼此的支持与关怀。

最后，请允许我向您表示最热烈的欢迎和期待！

此致
敬礼

[您的姓名]
[日期]


# Agent: 邮件优化专家
## Task: 对信件进行专业润色，确保：
        1. 对信件进行专业润色，一定要对邮件撰写专家杜撰的邮件内容进行更新优化，不能完全返回和邮件撰写专家一样的邮件。



# Agent: 邮件优化专家
## Final Answer:
尊敬的[朋友名称]先生、女士：

您好！

首先，请允许我向您表示最诚挚的感谢。在过去的[时间段内]，您的支持与我息息相关，您的耐心和智慧让我感受到最大的幸福与满足。感谢您一直以来对我的关注和支持，是您付出的时间与精力换来的我如今如此的成长与进步。

如果您有机会，请与我共同参与一些活动或分享自己的经历，这样不仅能够增进我们之间的友谊，还能让我继续与您合作一段时间。希望未来能有更多机会重逢，再次见证彼此的支持与关怀。

最后，请允许我向您表示最热烈的欢迎和期待！

此致
敬礼

[您的姓名]
[日期]


# Agent: 邮件发送专员
## Task: 直接使用邮件优化专家返回的内容，不能由你自己（邮件发送专员）杜撰，不要进行擅自优化和篡改信件。
收件地址：xiongjava@163.com
发件账户：xiongjava@163.com


# Agent: 邮件发送专员
## Final Answer:
尊敬的[朋友名称]先生、女士：

您好！

首先，请允许我向您表示最诚挚的感谢。在过去的[时间段内]，您的支持与我息息相关，您的耐心和智慧让我感受到最大的幸福与满足。感谢您一直以来对我的关注和支持，是您付出的时间与精力换来的我如今如此的成长与进步。

如果您有机会，请与我共同参与一些活动或分享自己的经历，这样不仅能够增进我们之间的友谊，还能让我继续与您合作一段时间。希望未来能有更多机会重逢，再次见证彼此的支持与关怀。

最后，请允许我向您表示最热烈的欢迎和期待！

此致
敬礼

[您的姓名]
[日期]

邮件内容

四、项目源码

import os
from crewai import Agent, Task, Crew, Process
import smtplib
from email.mime.text import MIMEText

# 配置环境变量
os.environ["OPENAI_API_KEY"] = "NA"
os.environ["OLLAMA_API_BASE"] = "http://localhost:11434"

# 配置 LiteLLM 的 Ollama 模型
model_name = "ollama/deepseek-r1:1.5b"

# 定义代理
writer = Agent(
    role="邮件撰写专家",
    goal="根据用户提供的主题生成结构清晰、情感真挚的中文信件初稿",
    backstory="""您是一位拥有十年写作经验的职业撰稿人，擅长捕捉情感细节并使用符合中文表达习惯的修辞手法。
    熟悉正式/非正式场景的文体转换，能快速构建包含开头、主体、结尾的标准信件结构。""",
    llm=model_name,
    verbose=True,
    allow_delegation=False
)

editor = Agent(
    role="邮件优化专家",
    goal="对初稿进行中文语境下的专业润色",
    backstory="""您是从业八年的专业编辑，持有汉语水平考试(HSK)高级认证。
    擅长：1. 调整语气适合性 2. 优化段落衔接 3. 修正语法错误 4. 提升表达精准度
    熟悉商务信函、私人信件等不同场景的文体要求。""",
    llm=model_name,
    verbose=True,
    allow_delegation=False
)

sender = Agent(
    role="邮件发送专员",
    goal="严格遵守安全协议完成邮件投递",
    backstory="""只负责传递信息，不做其他动作""",
    llm=model_name,
    verbose=True,
    allow_delegation=False
)

# 定义任务
def create_writer_task(topic):
    return Task(
        description=f"""请以'{topic}'为主题撰写正式中文信件，要求：
        1. 采用标准书信格式（称呼、正文、结尾、落款）
        2. 正文至少包含3个逻辑连贯的段落
        3. 总字数控制在300-500字""",
        agent=writer,
        expected_output="符合GB/T 15834-2011中文排版规范的信件文本（含标点符号正确使用）"
    )

def create_editor_task():
    return Task(
        description="""对信件进行专业润色，确保：
        1. 对信件进行专业润色，一定要对邮件撰写专家杜撰的邮件内容进行更新优化，不能完全返回和邮件撰写专家一样的邮件。
        """,
        agent=editor,
        expected_output="优化后的标准中文信件文本（保留原始格式标记）"
    )

# 修改后的发送任务定义（添加editor_output参数）
def create_sender_task(email_to, email_from, email_password, editor_output):
    return Task(
        description=f"""直接使用邮件优化专家返回的内容，不能由你自己（邮件发送专员）杜撰，不要进行擅自优化和篡改信件。
收件地址：{email_to}
发件账户：{email_from}""",
        agent=sender,
        expected_output="只负责传递信息，不对文章进行篡改，保证对邮件优化专家撰写的内容原样发送",
        context=[editor_output],  # 显式绑定编辑任务
        callback=lambda _: send_email(
            email_to,
            email_from,
            email_password,
            editor_output.output.raw  # 直接使用编辑任务的原始输出
        )
    )
# 邮件发送功能
def send_email(to_address, from_address, password, letter_content):
    subject = "感谢信"
    print(f"发送邮件 - 主题: {subject}, 收件人: {to_address}, 发件人: {from_address}")
    print(f"邮件内容: {letter_content}")

    msg = MIMEText(letter_content)
    msg["Subject"] = subject
    msg["From"] = from_address
    msg["To"] = to_address

    try:
        # 使用 SMTP_SSL 连接 465 端口，无需 starttls()
        with smtplib.SMTP_SSL("smtp.163.com", 465, timeout=30) as server:
            server.set_debuglevel(1)  # 启用调试输出
            server.login(from_address, password)
            server.sendmail(from_address, to_address, msg.as_string())
            print("邮件发送请求已提交至服务器")
        return "邮件发送成功！"
    except smtplib.SMTPAuthenticationError as auth_error:
        print(f"认证失败: {auth_error}")
        raise Exception(f"SMTP 认证失败: {auth_error}")
    except smtplib.SMTPException as smtp_error:
        print(f"SMTP 错误: {smtp_error}")
        raise Exception(f"SMTP 错误: {smtp_error}")
    except Exception as e:
        print(f"其他错误: {e}")
        raise Exception(f"邮件发送失败: {e}")

# 主流程
def main():
    topic = "感谢朋友的支持"
    email_to = "xiongjava@163.com"
    email_from = "xiongjava@163.com"
    email_password = "KL28MAziXpQ8p7My"

    writer_task = create_writer_task(topic)
    editor_task = create_editor_task()

    # 传递editor_task作为第四个参数
    sender_task = create_sender_task(
        email_to,
        email_from,
        email_password,
        editor_task  # 新增参数
    )

    crew = Crew(
        agents=[writer, editor, sender],
        tasks=[writer_task, editor_task, sender_task],
        process=Process.sequential,
        verbose=True
    )

    print("\n【系统启动】初始化邮件智能体工作流...")
    print(f"├─ 当前主题：{topic}")
    print(f"├─ 发件账户：{email_from}")
    print(f"└─ 收件地址：{email_to}\n")

    result = crew.kickoff()

    print("\n######################")
    print("【执行结果】")
    print(f"详情：{result}")
    print("######################")
if __name__ == "__main__":
    main()

五、源码解释（Agent、Tasks、工作流）

5.1 Agent（智能体）系统设计

Agent代表具有特定专业能力的虚拟角色，每个Agent都承担明确的工作职责：

  1. 邮件撰写专家（Writer）
writer = Agent(
    role="邮件撰写专家",
    goal="根据用户提供的主题生成结构清晰、情感真挚的中文信件初稿",
    backstory="""（包含专业背景和能力描述）""",
    llm=model_name,
    verbose=True,
    allow_delegation=False
)
  • role：定义角色名称，明确职责范围
  • goal：设定核心工作目标，指导AI行为方向
  • backstory：详细背景故事，包含：
    • 专业经验年限（10年写作经验）
    • 核心能力（情感捕捉、中文修辞）
    • 专业领域（文体转换、信件结构）
  • llm：指定使用的语言模型
  • verbose：开启详细日志输出
  • allow_delegation：禁止任务委派，保持专业专注
  1. 邮件优化专家（Editor）
editor = Agent(
    role="邮件优化专家",
    goal="对初稿进行中文语境下的专业润色",
    backstory="""（包含认证资质和专业技能）""",
    ...
)
  • 特别强调中文专业认证（HSK高级）
  • 明确四项核心优化能力：
    • 语气适配
    • 段落衔接
    • 语法修正
    • 表达精准度
  1. 邮件发送专员（Sender）
sender = Agent(
    role="邮件发送专员",
    goal="严格遵守安全协议完成邮件投递",
    ...
)
  • 职责高度聚焦：仅负责信息传递
  • 禁止内容修改：保持内容完整性
  • 强调安全规范：确保投递过程合规

5.2 Task（任务）系统设计

每个Task定义具体的工作单元，包含完整的执行规范：

  1. 撰写任务（Writer Task）
def create_writer_task(topic):
    return Task(
        description=f"请以'{topic}'为主题撰写正式中文信件...",
        agent=writer,
        expected_output="符合GB/T 15834-2011中文排版规范的信件文本"
    )
  • 动态参数：通过topic参数实现内容定制化
  • 三层式要求规范：
    • 格式要求（标准书信格式）
    • 结构要求（3个逻辑段落）
    • 量化指标（300-500字）
  • 国家标准引用：GB/T 15834-2011确保专业合规性
  1. 优化任务（Editor Task）
def create_editor_task():
    return Task(
        description="对信件进行专业润色...",
        agent=editor,
        expected_output="优化后的标准中文信件文本"
    )
  • 质量管控机制：
    • 明确禁止简单复制（“不能完全返回相同内容”）
    • 要求保留原始格式标记
  • 迭代优化重点：
    • 情感表达优化
    • 专业术语校准
    • 文化适应性调整
  1. 发送任务（Sender Task）
def create_sender_task(..., editor_output):
    return Task(
        description="直接使用优化后的内容...",
        agent=sender,
        context=[editor_output],
        callback=lambda _: send_email(...)
    )
  • 输入约束：
    • 强制使用编辑后内容（editor_output）
    • 禁止内容篡改（“原样发送”）
  • 系统集成：
    • 通过context绑定任务依赖
    • 使用callback触发邮件发送函数
  • 安全机制：
    • 敏感信息（密码）通过参数传递
    • 使用SSL加密连接

5.3 工作流设计原理

crew = Crew(
    agents=[writer, editor, sender],
    tasks=[writer_task, editor_task, sender_task],
    process=Process.sequential,
    verbose=True
)
  • 顺序流程控制：
    • 撰写 → 优化 → 发送 严格串行执行
    • 前序任务输出自动成为后续任务输入
DeepSeek掘金——基于CrewAI与DeepSeek的邮件自动化实践
02-21 3462
本地启动模型推理服务，为后续LLM调用提供API端点Writer智能体通过DeepSeek-R1模型完成原始邮件创作Editor智能体对文本进行结构化重组与语气调整采用SMTP_SSL协议保障邮箱账号认证安全性。
比Manus还牛？支持DeepSeek的快速构建Agent工具开源！
xx_nm98的博客
03-07 741
比Manus还牛？支持DeepSeek的快速构建agent工具 开源源代码一个开源的AI代理开发框架，旨在简化AI代理项目的创建和部署流程。其核心定位类似于前端领域的create-react-app，通过预配置模板和命令行工具(CLI)，帮助开发者快速搭建包含完整"代理栈"的AI应用。截至2025年3月，项目仍处于公开预览阶段，，支持macOS、Windows和Linux系统。零配置启动：预置LangChain、LlamaIndex等工具链，开发者无需手动配置依赖。
LLM之Agent（十一）| 多智能体框架CrewAI与AutoGen相比
wshzd的博客
02-03 4687
你肯定不会在CrewAI中看到智能体之间的任何生动互动，比如一个智能体纠正另一个智能体，一个智能体的多次讲话。因此，CrewAI优先考虑精简和可靠的方法，在一个强大的群聊中，每个人工智能代理都准确地知道该做什么以及他们的目标。在我看来，另一个也是最关键的优势是它蓬勃发展的工具和支持丰富的资源，可以用来构建代理和任务，这源于它是基于LangChain设计的智能体。基于LLM构建的Agent中有一个明显的现象就是多智能体体系结构的表现要超越单智能体，即使单智能体使用无可挑剔的提示策略。即可无缝地集成人工输入。
Crewai：多智能体协作自动化专家
2402_83818347的博客
03-23 677
8. 财务对比分析（海尔智家 vs 美的集团，这里已经默认对美的公司的财务信息分析完了，但是不用输出具体的分析结果，只需要输出海尔与美的对比的部分）；请你根据上面的分析报告框架帮我定义所需要的agents、并且赋予每一个agent它们所对应的任务（Tasks），并且通过配置deepseek作为llm，Crewai_tools工具方面我需要配置一个SerperDev_tool作为搜素引擎，并且最终我需要你以Markdown的格式输出最终的年报分析结果。例如，不同的代理可以由不同的开发人员负责，同时进行开发。
小白入门大模型应用必读：一文看懂人工智能核心框架 LangChain 和 Crewai
2401_85325726的博客
02-10 1213
选择 LangChain：若需高度定制化单代理任务（如集成外部工具、处理结构化数据），或构建轻量级应用原型。选择 CrewAI：若需模拟人类团队协作（如多角色任务分配、动态委派），或解决复杂、多步骤问题（如企业级流程自动化）。两者可结合使用：如用 LangChain 实现单代理功能（如数据检索），再由 CrewAI 协调多个代理完成端到端任务（如生成完整分析报告）。
AI大模型企业应用实战：Prompt让LLM理解知识
2401_84204413的博客
06-25 2551
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
AI Agent框架混战：九大智能体框架谁将颠覆行业格局？2025开发者、创业团队必看的框架盘点，5步决策锁定你的crush框架
2401_85373691的博客
02-04 2085
最后，框架选择没有绝对的对错，关键要看你的具体需求！选对框架只是第一步，会用只是基础，用得好才是关键。
Crewai + langchain 框架配置(非官方/国产/本地)大模型API
Otto的学习笔记
01-19 1156
但是当调用其他模型（比如Claude）或者国产大模型的时候，就会出现报错了。由于一开始看一个开源代码使用的是langchain+crewai结合的方法，我也模仿者作者编写我的项目，但是我没有发现一个问题，作者所用的是。因为这样配置完以后，crewai是使用框架内自带的LiteLLM这个框架进行调用的，所以是兼容openai格式调用的，借鉴原生调用和上述分析，既然许多模型都支持OpenAI格式的调用，那么在模型前加上。而我使用的是一个国内中专api进行调用的方式，或是调用国产大模型的时候。
从零构建企业级多智能体系统：LangGraph 全流程实战 + 部署指南（含代码与架构图）
最新发布
在信息的熵增中，记录结构、重建秩序。 技术思想者的笔记，系统构建者的注释。
04-08 1014
> 在大模型应用爆发的今天，如何构建一个可协作、可调试、可部署的多智能体系统？LangGraph 正在成为工程师的新宠。本文从原理剖析、流程建模、代码实战到前后端部署，手把手带你用 LangGraph 构建一个企业级 AI 助理系统，整合财务分析、法务审阅、报告生成与图表可视化等 Agent 模块，全面打通从用户输入到报告输出的全链路闭环。适合有工程思维的 AI 架构师、Agent 研发人员、以及大模型项目实践者。
使用基于LLM的CrewAI代理执行数据科学任务 尝试使用代理执行数据科学活动
数智笔记
02-22 1398
由DALL-E 3生成的图像基于LLM的代理或LLM代理是一种能够执行具有将LLM与规划和记忆等组件相结合的架构的LLM应用程序的复杂任务的代理结构。简单来说，LLM代理是一个工具，其中LLM是大脑，用于协调决策以实现目标。其中一个易于使用的基于LLM的代理框架是。通过使用代理并启动任务，我们可以自动执行复杂的分析来解决问题。对于需要进行复杂分析以开发模型的数据科学家来说，这是一个有趣的前景。我想尝试一下CrewAI是否能够执行数据科学任务。那么，让我们开始吧。
crewai 入门
我的博客
02-07 558
crewai
【拥抱AI】深入了解CrewAI指导LLM详细过程
保持前进，即便速度慢，也不能停下脚步...
09-12 1168
深入了解CrewAI框架，理解CrewAI实现步步推理的过程，并附上详细的代码实现过程。
基于Amazon SageMaker AI部署DeepSeek模型，构建AI Agents
亚马逊云科技专栏
02-21 97
AI Agents正迅速成为企业转型的新前沿。据调查，82%的企业计划在未来三年内采用这项技术。Capgemini对1100位大型企业高管的调查结果显示，目前10%的企业正在使用AI Agents，超半数的企业计划在明年内部署这一技术。最近发布的DeepSeek-R1模型为开源社区带来了行业领先的推理能力。企业可以利用这些先进的推理模型构建Agent应用程序，执行复杂任务，并具备高级决策能力，从而...
crewAI实践（包含memory的启用）--AiRusumeGenerator
qq_43276836的博客
07-02 3227
CrewAI 是一个前沿的框架，用于组织和协调角色扮演的自主AI代理。通过促进协作智能，它使代理能够无缝地协同工作，应对复杂任务。这里不再赘述，直接引用前辈的贡献。多Agent协作工具CrewAI使用指南。
大语言模型应用指南：案例：私人邮件助手
AI天才研究院
09-19 1000
大语言模型应用指南：案例：私人邮件助手 关键词： 大语言模型 邮件助手 自动化处理 个人助理功能 电子邮件管理 1. 背景介绍
DeepSeek掘金——构建Deepseek AI邮件代理
02-23 3504
实时获取电子邮件。将其分类为垃圾邮件、紧急、需要审查和信息性类别。为每封电子邮件生成摘要。使用摘要来撰写适当的回复。根据用户输入发送或草拟回复。虽然是关键组件，但我们还需要其他工具来构建此系统。主要使用的三个工具是LangChainLangGraph和IMAP服务器。生成电子邮件内容的简短摘要。将摘要传递给响应节点进行处理。
CrewAI Flows
03-20
<think>好的，我现在要处理用户关于CrewAI Flows的查询。用户之前提到了CrewAI框架的开发指南，现在想了解Flows的具体使用教程或功能介绍。首先，我需要回忆一下CrewAI框架的核心组成部分，比如角色、任务、工具等，这些在引用[1]里提到过。CrewAI Flows可能指的是工作流程的设计和管理部分，用来协调多个智能体完成任务。 接下来，我需要确认用户的具体需求。他们可能想知道如何配置Flows，如何定义任务之间的依赖关系，或者如何优化协作流程。可能需要分步骤介绍，比如创建智能体、定义任务、设置流程，并给出示例代码，这样用户能更直观地理解。 还要注意用户提到的格式要求，比如行内数学表达式用$...$，独立公式用$$...$$，虽然这个问题可能不涉及数学公式，但需要确保代码块正确使用Python语法，并遵守LaTeX规范。同时，回答要结构清晰，分步骤说明，并生成相关问题。 然后，我需要检查是否有遗漏的关键点，比如流程的调度策略、错误处理、监控机制，这些可能是用户进阶使用时关心的问题。此外，结合引用中的角色和分工概念，强调Flows在协调不同角色智能体中的作用。 最后，生成的相关问题需要围绕CrewAI Flows的扩展应用、优化方法、错误处理等，帮助用户深入探索。整个过程要确保信息准确，引用正确，并符合用户的中文回答要求。</think>### CrewAI Flows 功能详解与使用教程 CrewAI Flows 是用于协调多个AI智能体协作的核心模块，基于角色分工实现复杂任务流程化管理。以下是具体功能解析与操作指南： #### 一、核心功能架构 $$Flow = \{Agent_{role}, Task_{dependency}, Tool_{set}\}$$ 1. **角色绑定** 每个智能体需配置专属角色（如分析师、程序员），角色定义影响任务处理方式[^1] ```python analyst = Agent( role='数据分析专家', goal='生成可视化报告', tools=[PythonTool, SQLTool] ) ``` 2. **任务编排** 支持DAG（有向无环图）定义任务依赖关系： ```mermaid graph LR A[数据清洗] --> B[特征工程] B --> C[模型训练] C --> D[结果验证] ``` #### 二、配置流程（5步法） 1. **初始化环境** ```python from crewai import Crew, Agent, Task ``` 2. **创建智能体池** ```python dev_agent = Agent( role='全栈开发', tools=[VSCodeTool, PostmanTool] ) qa_agent = Agent(...) ``` 3. **定义任务链** ```python coding_task = Task( description='实现用户登录模块', agent=dev_agent, output_file='auth.py' ) ``` 4. **构建工作流** ```python project_crew = Crew( agents=[dev_agent, qa_agent], tasks=[coding_task, testing_task], process='sequential' # 可选parallel/priority ) ``` 5. **执行与监控** ```python result = project_crew.kickoff() print(f"执行日志：{result['logs']}") ``` #### 三、高级特性 1. **动态路由** 通过`TaskRouter`实现条件分支： ```python with Flow() as flow: if user_type == 'VIP': flow.add_task(vip_processing) else: flow.add_task(standard_processing) ``` 2. **资源监控** 实时查看CPU/内存消耗： $$Resource_{usage} = \frac{\sum_{i=1}^{n} Agent_{mem}(i)}{Total_{mem}} \times 100\%$$ 3. **错误重试机制** 配置指数退避策略： ```python Task( retry_policy={ 'max_attempts': 3, 'delay': 'exponential' } ) ```
评论 104
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

熊文豪

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值