企业级多智能体设计实战 / 参透 CrewAI 底层逻辑，攻克多 Agent 落地难题

01｜拨开迷雾：AI 应用开发的四种架构范式

本课程旨在探讨AI时代应用开发的工程落地方法，重点在于建立架构思维。首先介绍了设计模式的概念及其在AI时代的应用需求。设计模式是解决特定问题的最佳实践，在AI领域尚缺乏共识。课程强调理解并应用四种主要架构范式：Prompt Engineering、Workflow、Single Agent和Multi-Agent。 Prompt Engineering通过构建Message List来优化模型输入，但受限于上下文长度和模型能力。Workflow通过预定义路径和工具调用实现任务自动化，广泛应用于实际项目中。Single Agent由模型自主规划下一步行动，提高灵活性但增加不确定性。Multi-Agent系统通过多个自主决策的Agent协同工作，实现上下文隔离和工具专注，提升复杂任务处理能力。 选择合适的架构范式需考虑业务不确定性，包括输入、过程和结果的确定性。有序且多样性较低的场景适合Prompt或Workflow，高不确定性的场景则更适合Single Agent或多Agent方案。最终目标是根据具体业务需求选择最合适的架构范式，避免欠设计或过设计。

02｜解构智能体：Agent的解剖学与ReAct范式

本节课重点讲解了智能体（Agent）的概念及其在AI应用中的实现。首先，通过比喻将Agent描述为拥有大脑、魔法书和魔杖的魔法师，形象地介绍了其工作原理。接着，通过代码示例展示了如何使用CrewAI框架创建一个网络调研专家Agent，包括设定身份、目标、背景故事及工具等PE部分。核心在于Agent的任务导向性，需明确任务描述与预期输出。实际演示中，Agent通过调用百度搜索、网页抓取等工具完成了极客时间公司的调研报告生成任务。进一步剖析了Agent内部机制，揭示其实质为一个死循环算法，通过系统提示词控制模型按thought-action-observation结构输出，直到达到final answer。最后强调，尽管Agent看似复杂，但其实现并不困难，鼓励大家尝试结合工作流使用Agent以应对不确定性任务，同时提出思考题：仅按react算法实现时可能遇到的问题。

03｜Multi-Agent系统：Agent、Task、Process的协作美学

单Agent系统在处理复杂任务时存在上下文崩溃、内容污染和多指令挑战等问题，导致其难以长时间运行。上下文崩溃表现为信息过载，影响模型性能；内容污染则因历史信息干扰当前输出，如审核时过于依赖先前思考而非客观评价；多指令挑战使得单Agent在执行多样化任务时容易出错。为解决这些问题，引入Multi-Agent系统，通过定义多个具有明确职责边界的Agent来协同工作。每个Agent负责特定任务，如产品经理生成报告大纲，研发撰写代码，测试反馈问题等。此外，还需设计任务分配流程，确保高效协作。Multi-Agent系统虽然成本高、耗时长且设计难度大，但能显著提升任务执行效果与可靠性。核心在于清晰界定每个Agent的职责边界及任务目标，并采用组织化思维进行设计。

04｜架构师的决断：AI 应用开发选型工具

在本课程中，讲师探讨了如何选择合适的AI应用范式以解决具体问题。首先回顾了之前介绍的从prompt到Multi-Agent的各种AI应用落地方式，并提出核心问题：面对实际AI应用场景时，应如何选择最合适的解决方案。为了解决这一问题，讲师引入了CUP三维评估模型，即复杂度（Complexity）、不确定性（Uncertainty）和性能约束（Performance）。复杂度包括交互、依赖和过程三个维度；不确定性涵盖输入、过程和目标三个方面；性能约束则涉及响应时间、成本及上下文大小。通过综合这三个因素，可以更准确地判断场景适合哪种AI范式。例如，在线问题定位属于高复杂度和高不确定性场景，理论上适用Multi-Agent，但因时效性要求需采用混合架构，结合Workflow与单智能体。讲师强调，所有AI范式无绝对优劣之分，关键在于根据需求做出合理选择。

05｜工程全景图：构建企业级多智能体系统的“施工蓝图”

本课程第二章旨在教授如何从零开始构建企业级多智能体系统。目标是让学员能够搭建出稳定可靠且适用于复杂业务场景的智能体。课程分为多个模块，首先通过先导课介绍生产级智能体的概念及其与测试环境的区别，强调工程鸿沟的存在。解决这一问题的核心在于设计模式，包括宏观架构和微观最佳实践两方面。宏观架构涉及整体架构模式的选择及混合架构的设计；微观最佳实践则关注具体方法和参数调整。课程采用五步深挖法教学：理解概念、明确价值、简单实践、原理讲解和最佳实践应用。施工蓝图涵盖五个层级的学习路径，从基础准备到MVP实现、工具使用、上下文升级、组织进化，直至构建稳定系统。每个阶段都包含实战演练以强化学习效果。此外，还将提供一套易于搭建的开发环境教程，确保学员能够顺利进行后续学习。

06｜工欲善其器：课程学习的基础代码环境准备

本节课主要介绍了如何为AI课程准备基础代码环境，特别是针对初学者。首先，讲师建议使用阿里云的模型API，如千问或DeepSeek，并通过百炼平台申请API。接着，详细讲解了在CrewAI中配置阿里云API的方法，包括设置base URL和API key等环境变量。对于企业内部用户，讲师展示了如何自定义实现一个继承自BaseLLM的类，以支持公司内部API接口。此外，还讨论了调用模型时的重要参数及其最佳实践，如Temperature、top p、reasoning input以及超时和重试次数等，强调了这些参数对模型效果和稳定性的关键影响。最后，讲师提醒学员应根据具体场景合理选择和调整参数，为后续课程打下坚实的基础。

07｜定义Agent：从“提示词工程”到“人设工程”

本课程模块介绍如何构建企业级multi-agent系统，从定义第一个agent开始。设计multi-agent系统时，重点在于团队组建、任务规划和流程编排。首先，定义agent需明确三个关键要素：角色（role）、目标（goal）和背景知识（backstory）。角色定义了agent的身份，有助于激活相关领域的知识；目标则设定agent的工作偏好，影响其决策方向；背景知识补充agent的能力，包括人设、知识、方法和行为边界。通过这些定义，可以更好地指导agent完成任务。以小红书爆款笔记内容策略专家为例，展示了如何具体应用这些概念。最佳实践建议使用元提示词，让大模型生成具体的提示词内容，从而提高效率。此外，推荐使用中间产物保存工具，帮助agent分步思考，提升输出质量。下一课将讲解如何定义任务。

08｜定义Task——从“步骤控制”到“契约驱动”

任务是AI应用的核心，由输入、执行过程和目标产出组成。简单任务直接完成，复杂任务需拆解成多个子任务或里程碑。每个里程碑应有明确的交付物与标准，推荐使用结构化输出如JSON，便于验证和后续处理。设计多智能体系统时，避免过于详细的步骤描述，以免限制模型的自我发散能力。使用Pydantic库定义数据结构，确保输出格式一致且易于校验。以小红书笔记生成为例，通过定义图片分析结构和内容策略结构，提高了输出质量和可控性。最佳实践包括：合理拆解任务、设置清晰的里程碑、采用结构化输出，并在Pydantic的description中详细描述字段含义及标准。这样不仅使任务更易管理，还提升了整体系统的稳定性和效果。

09｜定义 Process——任务调度与信息传递

本节课介绍了CrewAI中的process概念，即智能体任务调度方式。首先定义了两种调度方法：顺序调度和层级调度。顺序调度简单直接，预先分配好每个任务给特定agent，按顺序执行；层级调度则通过一个manager角色动态分配、校验和监督任务，适合不确定场景。顺序调度优点在于确定性和低性能消耗，但依赖单个agent效果，一旦失败整个流程停滞。层级调度允许任务重分配和结果校验，提高灵活性。接着详细讲解了task output的数据结构及其在顺序调度中的隐式与显式传递方式，推荐使用显式传递以增强代码确定性。课程示例展示了如何基于顺序调度构建小红书笔记生成流程，包括视觉分析、内容策划、文案撰写及SEO优化。最后强调了顺序执行时的最佳实践，如避免上下文超载、合理拆分步骤、显式定义参数及处理错误。

10｜多模态模型：让你的 Agent 拥有“眼睛”

本节课介绍了如何在实际应用中使用多模态模型处理图片、声音和视频等非文本信息，以生成文本输出。首先解释了多模态模型的原理：将不同模态的信息（如图片、声音）转换为向量，再通过深度神经网络进行处理。强调了多模态模型在生产环境中的重要性，特别是在需要处理复杂信息时，如图片中的细节无法仅用文字描述。实际应用中，通常结合图片与提示词来指导模型生成更符合预期的文案。课程展示了如何通过自定义工具AddImageTool local实现本地图片的Base64编码，并将其作为输入传递给多模态模型。此外，还讨论了在agent配置中选择合适的模型，以及如何优化图片分辨率以提高效率和降低成本。最后，总结了最佳实践，包括使用VCoT方法引导模型理解图片内容，以及采用低清到高清的方式处理图片，以节省资源。

11｜项目实践（一）：小红书爆款笔记生成项目

本课程为项目实践课，旨在将模块一中学习的知识应用于实际项目。项目目标是创建一个能够生成小红书笔记报告的系统，从用户输入的图片和想法到最终输出包含图片选择、编辑建议、文案标题等内容的报告。设计采用多代理架构，包括视觉分析专家、图片编辑专家、内容生成策略专家等，通过并发处理提高效率。整个项目基于FastAPI构建企业级应用框架，确保高性能与安全性，并支持云原生部署。核心流程涵盖图像分析、编辑方案生成、大纲撰写及SEO优化。每个环节都通过配置文件解耦提示词与代码，便于维护与扩展。项目运行时，首先进行图片批量分析，随后生成每张图片的编辑建议，最后整合所有信息形成完整笔记报告。此外，还介绍了如何在本地环境启动并测试项目。此MVP项目展示了多代理系统的自主编排与决策能力，为后续引入更多工具奠定基础。

12｜工具设计哲学：从 API 到 Agent-Native 的范式跃迁

本课程介绍了智能体工具的使用方法及其与传统API的区别。首先，讲解了两种主要的工具调用方式：Native Function Calling和ReAct。Function Calling通过在请求中定义函数参数让模型直接调用工具，而ReAct则要求模型先输出思考过程再决定使用哪个工具。前者速度快、成本低且适用于简单场景，后者更适合复杂推理场景并具有更好的可解释性。随着模型能力提升，Function Calling逐渐成为主流。 AI工具设计上与传统API有显著差异，包括语义完整性、输入输出简化及错误处理明确化。此外，身份认证是企业级应用中的关键问题，可通过用户身份透传或AI虚拟身份认证实现。CrewAI框架利用Hook机制管理权限信息传递，确保安全性和准确性。最后，讨论了工具设计的最佳实践和反模式，强调避免功能全能型工具、上下文炸弹等问题，并提倡提供错误建议、摘要分页等功能以优化性能。下一课将深入探讨如何改造现有API使其更适合作为AI工具。

13｜自定义工具封装：构建 Tools 的五步标准 SOP

本节课介绍如何将现有系统或API转化为AI可调用的工具，通过五步标准SOP实现。首先进行语义重构，将零散或复杂的API组合或拆解为适合AI使用的接口。接着是IO瘦身，简化输入输出格式，去除冗余信息并增加关键描述以提高AI的理解效率。第三步是错误转译，将传统错误码转换为AI易于理解的错误提示，并提供解决方案。随后是工具描述和参数描述，采用动词加名词命名方式，明确功能、触发时机及适用边界，并详细说明每个参数的作用、取值范围及使用场景。最后，通过具体示例展示了如何将百度搜索API改造为适用于AI的工具，包括输入输出格式优化、错误处理以及结果呈现方式调整。整个过程旨在使AI更高效稳定地利用现有资源完成任务。

14｜MCP协议：标准化定义工具接口

MCP（Model-Driven Customized Protocol）是一种标准化的工具调用协议，由Claude母公司于2024年提出。MCP不是软件或开源项目，而是一套定义了AI应用与工具服务器之间通信的标准。MCP分为客户端和服务器端，其中客户端用于AI应用调用工具，服务器端则提供工具、prompt和资源文件。MCP协议支持JSON Schema格式的接口参数，并采用Streamable HTTP进行流式传输。MCP的主要优势在于通过标准化协议，使得工具开发一次即可被多个AI框架使用，无需重复编写代码。 MCP服务可通过多种渠道获取，包括官方站点、开源社区、AI应用厂商内置商店及托管基站等。目前，MCP服务主要集中在开发者工具、通用AI工具、互联网大厂API以及垂直领域的应用上。尽管Skill的兴起对MCP生态造成一定冲击，但两者并非纯竞争关系，MCP仍是在执行工具方面更好的封装方式。 在实战部分，课程展示了如何基于FastAPI构建一个MCP服务器，实现邮件收发功能，并强调了企业级安全措施的重要性。同时，也介绍了如何在CrewAI框架中配置并调用MCP服务。最后，课程总结了MCP的最佳实践，如避

15｜王牌超能力：代码解释器与无头浏览器

本节课介绍了赋予Agent三大核心能力：文件操作、代码解释器和无头浏览器。文件操作包括读取、写入和编辑，使Agent能够处理复杂编辑任务；代码解释器让Agent执行bash脚本及Python、JavaScript代码，实现几乎所有电脑上的操作；无头浏览器则允许Agent进行网页浏览、搜索和自动化操作。这些能力使Agent能像人类一样使用电脑，但需注意安全风险，建议通过Docker容器隔离运行。课程推荐了阿里开源的all in one sandbox镜像，它集成了这三种能力，并展示了如何利用这些工具创建一个股票早报分析Agent。该Agent通过获取最新行情数据、量化分析和技术指标计算，结合舆情抓取生成报告。最后强调了最佳实践如设定工具优先级、预装依赖包、使用强模型等，以提高效率和稳定性。

16｜Skills生态：让Agent接入大量工具

17｜项目实战2：能力篇——XiaoPaw飞书本地工作助手

18｜从 Prompt 到 Harness：记忆与上下文的设计范式

19｜上下文的生命周期：Bootstrap、剪枝与压缩

20｜文件系统记忆：让Agent自己写记忆、自己学技能

21｜搜索驱动的记忆系统：企业级海量记忆管理方案

22｜项目实战3：XiaoPaw记忆篇：打造懂你的长记忆助手

23｜Orchestrator范式：任务层的主 Agent + 子 Agent

24｜认知升级：从任务列表到数字团队

25｜团队角色体系：分工设计与行为规范

26｜任务链与信息传递：数字员工的协作协议

27｜Human as 甲方：如何设计 Agent 团队的人类介入点

28｜数字员工的自我进化：让 Agent 团队越用越好

29｜项目实战4：Agent 小队完成真实项目需求

30｜可观测性：Hook 骨架 + Langfuse 全链路追踪

31｜可靠性：重试、循环控制与成本围栏

32｜企业安全性：沙箱、权限网关与身份认证

33｜项目实战 5：系统加固你的 XiaoPaw 本地工作助手

34｜需求边界：如何使用 AI 适用性评估表识别高 ROI 场景？

35｜产品原型：从需求到第一个可验证的Demo

36｜评测体系：让AI质量可量化

37｜持续集成：让 AI 应用稳定演进

38｜线上监控：知道你的 AI 到底跑得怎么样

39｜数据飞轮：用线上数据持续迭代 AI Agent

40｜组织进化：从表演式转型到AI原生组织

结课测试｜检验一下自己的学习成果吧

直播回放｜爆火全网的OpenClaw强在哪儿？

本次直播主要介绍了开源项目OpenCrown，一个个人AI助手。OpenCrown通过自主性、个性化和高效任务完成能力脱颖而出。它基于React架构，利用大模型如GPT-4.5进行任务处理，并接入多种IM平台实现随叫随到的体验。其核心特点包括动态System Prompt加载、上下文管理和长记忆机制。系统架构方面，OpenCrown通过Channel管理、消息路由和Session管理来隔离不同来源的消息，并使用Pymemo框架支持Agent Loop。此外，它还具备后台任务调度和技能安装功能，支持自主进化。尽管OpenCrown在安全性和成本上存在挑战，但其产品范式已相对成熟，预计今年上半年会有更多类似应用出现。对于开发者，建议专注于技能开发和特定场景应用。