1
# ===== 使用 CrewAI 实现多Agent协作（最简洁的框架） =====
2
from crewai import Agent, Task, Crew, Process
3

4
# 解释：CrewAI是最容易上手的多Agent框架
5
# 核心概念：Agent（角色） + Task（任务） + Crew（团队） + Process（流程）
6

7
# ===== 第1步：创建工具（Agent可用的能力） =====
8
from langchain_community.tools.tavily_search import TavilySearchResults
9
search_tool = TavilySearchResults(max_results=3)
10

11
# ===== 第2步：定义Agent角色 =====
12

13
researcher = Agent(
14
    role="高级研究员",
15
    goal="搜索并收集高质量信息，提炼关键发现",
16
    backstory="你是一名经验丰富的研究员，擅长从海量信息中提取有价值的洞察。",
17
    tools=[search_tool],     # 研究员可以搜索
18
    verbose=True,            # 打印思考过程，方便调试
19
    allow_delegation=False   # 不允许把任务派给别的Agent（保持职责清晰）
20
)
21
# 解释：Agent = 角色 + 目标 + 背景故事 + 工具
22
# role和backstory决定了LLM的行为风格，goal是任务的北极星
23

24
writer = Agent(
25
    role="高级报告撰写人",
26
    goal="将研究结果写成清晰、结构化、有洞察力的报告",
27
    backstory="你是一名专业的报告撰写专家，擅长将复杂信息转化为易于理解的报告。",
28
    verbose=True,
29
    allow_delegation=False
30
)
31
# 解释：两个Agent有不同的角色定位，各司其职
32

33
# ===== 第3步：定义任务 =====
34

35
research_task = Task(
36
    description="搜索2026年AI Agent发展趋势，提炼5个最重要的趋势并给出详细说明",
37
    expected_output="一份研究要点清单，每个趋势包含：趋势名称、关键数据、主要玩家、影响分析",
38
    agent=researcher          # 分配给研究员
39
)
40
# 解释：每个Task绑定一个Agent，明确谁做什么
41

42
writing_task = Task(
43
    description="基于研究员提供的资料，撰写一份专业的趋势分析报告，包含标题、摘要、正文、结论",
44
    expected_output="一份完整的Markdown格式报告，字数不少于1000字",
45
    agent=writer              # 分配给写手
46
)
47
# 解释：write_task依赖research_task的输出结果
48

49
# ===== 第4步：组建团队并执行 =====
50

51
crew = Crew(
52
    agents=[researcher, writer],          # 团队成员
53
    tasks=[research_task, writing_task],   # 任务列表（按顺序执行）
54
    process=Process.sequential,            # 顺序执行：研究→写报告
55
    verbose=True
56
)
57
# 解释：Process.sequential表示串行——研究员先干完，写手再开始
58
# Process.hierarchical则是有管理者Agent分配任务
59

60
# ===== 第5步：启动！ =====
61
result = crew.kickoff()
62
print("========== 最终报告 ==========")
63
print(result)

1
# ===== 用LangGraph实现多Agent协作（更灵活、可控） =====
2
# 核心思路：创建两个独立的Agent节点，一个负责研究、一个负责写作
3
# 研究Agent的输出作为写作Agent的输入
4

5
from langgraph.graph import StateGraph, END
6
from typing import TypedDict
7

8
class MultiAgentState(TypedDict):
9
    user_request: str
10
    research_result: str
11
    final_report: str
12

13
def research_node(state: MultiAgentState) -> MultiAgentState:
14
    """研究员Agent节点"""
15
    # 实际项目中在这里调用搜索工具
16
    state["research_result"] = f"针对'{state['user_request']}'的研究结果..."
17
    return state
18

19
def writing_node(state: MultiAgentState) -> MultiAgentState:
20
    """写手Agent节点"""
21
    # 基于research_result生成报告
22
    state["final_report"] = f"基于研究结果撰写的报告..."
23
    return state
24

25
# 构建图
26
graph = StateGraph(MultiAgentState)
27
graph.add_node("researcher", research_node)
28
graph.add_node("writer", writing_node)
29
graph.set_entry_point("researcher")
30
graph.add_edge("researcher", "writer")
31
graph.add_edge("writer", END)
32

33
app = graph.compile()
34
result = app.invoke({"user_request": "分析AI Agent趋势", "research_result": "", "final_report": ""})