HARRY CHANG
CrewAI 與 João Moura：用「角色扮演」讓 AI 團隊真正分工合作
—

CrewAI 與 João Moura：用「角色扮演」讓 AI 團隊真正分工合作

AI 系列-深入介紹 CrewAI 創辦人 João Moura 與他打造的多智能體協作框架，從 Agent 角色設計、Task 指派、到 Crew 流程控制，一次看懂這套把「AI 組織行為」工程化的框架。

WRITTEN BY

  • avatar
    Name
    Harry Chang
    Twitter

下一篇

OpenClaw 與 Peter Steinberger：一個小時打造 18 萬 Star 的 AI 龍蝦
← 回到列表

如果 LangChain 解決的是「怎麼接管道」，那 CrewAI 解決的是**「怎麼帶團隊」**。

2023 年底，巴西工程師 João Moura 把一個問題想清楚了：當你有多個 AI Agent，最難的不是讓每一個 Agent 更聰明，而是讓它們知道自己的角色是什麼、該做什麼事、以及如何把結果傳給下一個人。

CrewAI 的答案是：把企業組織的運作邏輯直接搬進 AI 框架。每個 Agent 有職稱、有目標、有背景故事——它不只是在執行指令，它在扮演一個角色。

為什麼你需要認識 João Moura？

在 CrewAI 之前，João Moura 在 Clearbit（B2B 數據智能公司，後被 HubSpot 以 1.5 億美元收購）擔任工程師。他長期處理的問題是：如何讓系統自動化地完成需要多個步驟、多個決策點的複雜任務。

這段經歷讓他對「工作流程設計」有深刻的直覺。當大型語言模型開始成熟，他看到的不是一個更聰明的聊天機器人，而是一個可以被角色化、組織化、協作化的工作單元。

2023 年 10 月，CrewAI 開源發布。三個月內，GitHub Stars 突破 10,000，成為當年 Multi-Agent 框架中成長最快的專案之一。

2024 年，CrewAI 完成 1,800 萬美元種子輪融資，投資方包含 Boldstart Ventures。Moura 的目標清晰：讓企業能像管理員工一樣管理 AI Agent 團隊。

CrewAI 的核心哲學：AI 版的「職責分明」

傳統的 Agent 框架問的是：「這個 AI 能做什麼工具？」
CrewAI 問的是：「這個 AI 是誰？它的職責是什麼？」

這個思維轉換帶來了根本性的差異。

1. Agent：不只是工具呼叫者，而是有身份的角色

from crewai import Agent

researcher = Agent(
    role='資深市場研究員',
    goal='找出 AI Agent 框架市場中最具競爭力的三個玩家',
    backstory="""你在科技產業工作超過十年，
    擅長從海量資訊中找到真正有價值的洞察。
    你不相信表面數字，你要挖掘背後的原因。""",
    verbose=True,
    allow_delegation=False,
    tools=[search_tool, scrape_tool]
)

role、goal、backstory 三個欄位，讓 Agent 不只是功能的載體，更是一個有脈絡的虛擬員工。Backstory 尤其關鍵——它讓 LLM 在回應時有明確的視角與風格，輸出品質遠比通用提示詞穩定。

2. Task：把工作拆成可交付的任務單

from crewai import Task

research_task = Task(
    description="""分析以下 AI Agent 框架的市場定位：
    LangChain、CrewAI、AutoGen。
    重點：各自的差異化優勢、目標客群、商業模式。""",
    expected_output='一份 500 字的比較分析報告，含結論建議',
    agent=researcher
)

expected_output 是 CrewAI 的獨特設計——它明確告訴 Agent「什麼叫做完成」，大幅減少輸出漂移（output drift）的問題。

3. Crew：把 Agent 與 Task 組成協作單元

from crewai import Crew, Process

crew = Crew(
    agents=[researcher, analyst, writer],
    tasks=[research_task, analysis_task, writing_task],
    process=Process.sequential,  # 或 Process.hierarchical
    verbose=True
)

result = crew.kickoff()

Crew 是整個框架的核心。它定義了誰做什麼、以什麼順序、用什麼方式協作。

兩種協作模式

CrewAI 目前支援兩種 Process，對應不同的組織結構：

Sequential（循序模式）

Task 1（研究員）→ Task 2（分析師）→ Task 3（撰稿人）→ 輸出

前一個 Task 的輸出自動成為下一個 Task 的輸入。適合有明確流程順序的工作，例如：研究 → 分析 → 撰寫。

Hierarchical（階層模式）

              Manager Agent（規劃 & 分配）
             /         |          \
        研究員        分析師       撰稿人
          ↓             ↓           ↓
        報告回傳 → Manager 整合 → 最終輸出

由一個 Manager Agent 負責任務分配與結果整合。適合需要動態調整、任務之間有複雜依賴的場景。Manager 會根據各 Agent 的回報決定下一步——這正是 Andrew Ng 四大模式中 Multi-Agent + Planning 的完整體現。

模式適合場景控制程度
Sequential固定流程、步驟明確高（可預測）
Hierarchical動態任務、需要決策中（彈性高）

CrewAI vs LangGraph：同樣是 Multi-Agent，差在哪？

這是目前最常被問到的問題。兩者都能做 Multi-Agent，但出發點完全不同：

面向CrewAILangGraph
設計語言角色 / 組織（人類比喻）節點 / 圖（工程比喻）
上手門檻低（產品經理也能讀懂）中高（需要理解圖論概念）
流程控制Sequential / Hierarchical任意圖結構（最靈活）
狀態管理內建（隱性）顯式 State 物件（透明）
適合誰快速原型、業務自動化複雜工作流、需要精細控制
底層可搭配任何 LLMLangChain 生態系

簡單記：CrewAI 是高層抽象，LangGraph 是低層精控。兩者不互斥，甚至有人用 LangGraph 實作 CrewAI 的 Hierarchical 模式底層。

實戰範例：三人 AI 寫作團隊

from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool

search_tool = SerperDevTool()

# ── 定義三個角色 ──
researcher = Agent(
    role='科技趨勢研究員',
    goal='收集最新、最可靠的 AI Agent 市場數據',
    backstory='你是一位資深科技記者，有嚴格的事實查核習慣。',
    tools=[search_tool]
)

analyst = Agent(
    role='商業策略分析師',
    goal='從研究數據中萃取可執行的商業洞察',
    backstory='你在麥肯錫工作過五年，習慣用數字說話。'
)

writer = Agent(
    role='科技部落客',
    goal='把複雜的技術分析寫成讀者願意讀完的文章',
    backstory='你的文章在 HackerNews 多次登上首頁。'
)

# ── 定義三個任務 ──
research = Task(
    description='研究 CrewAI、LangGraph、AutoGen 的 2025 年最新發展',
    expected_output='含來源的重點摘要，500 字以內',
    agent=researcher
)

analysis = Task(
    description='基於研究報告，分析哪個框架最適合台灣中小企業導入',
    expected_output='SWOT 分析表 + 一句話結論',
    agent=analyst
)

writing = Task(
    description='將分析結果寫成一篇繁體中文技術部落格文章',
    expected_output='800-1000 字，含標題、小標、結語',
    agent=writer
)

# ── 組成 Crew 並執行 ──
crew = Crew(
    agents=[researcher, analyst, writer],
    tasks=[research, analysis, writing],
    process=Process.sequential
)

result = crew.kickoff()
print(result)

三個 Agent，各有身份，各司其職，輸出自動串接——這段程式碼在生產環境中可以實際運行，不是示意圖。

經典語錄

"The future of work is not humans replaced by AI. It's humans managing crews of AI agents."

工作的未來不是人類被 AI 取代，而是人類管理 AI Agent 團隊。

"Give your AI a role, a goal, a backstory — and watch it perform."

給你的 AI 一個角色、一個目標、一段背景故事——然後看它發揮。

實用建議：三個起步行動

步驟 1：從 Role + Goal + Backstory 開始思考

在寫程式之前，先用自然語言定義你需要哪些「虛擬員工」。這不是技術問題，而是組織設計問題。拿出一張紙，寫下：這個 Agent 的職稱是什麼？它的目標是什麼？它有什麼獨特的工作風格？

步驟 2：用 expected_output 定義「完成的標準」

每個 Task 都必須有清晰的 expected_output。模糊的輸出定義會讓 Agent 反覆修改、浪費 Token。把它想成你寫給員工的驗收標準。

步驟 3：先用 Sequential，需要時再升級 Hierarchical

Sequential 可預測、好除錯。Hierarchical 彈性高但 Token 消耗大（Manager 需要額外的推理成本）。先用最簡單的模式跑通，再依需求升級。

我的反思

讀完 CrewAI 的設計，我最大的感受是：João Moura 根本不是在做 AI 框架，他是在做組織設計工具。

role、goal、backstory——這三個欄位不是技術參數，它們是管理學的語言。這讓我想到上一篇提到的 Harrison Chase：Chase 的 LangChain 是給工程師的工具，Moura 的 CrewAI 是給所有人的工具。

這種「把複雜技術翻譯成人類語言」的能力，本身就是一種深刻的技術洞見——它不是簡化，而是找到了問題的正確抽象層。

回到這個系列的脈絡：Andrew Ng 定義框架，Shunyu Yao 設計推理引擎，Harrison Chase 工程化落地，João Moura 則把整件事組織化、人性化。四個人，四個視角，共同拼出了現代 AI Agent 生態系的輪廓。

參考資料 (References)

官方資源

延伸閱讀

推薦影片

View on GitHub