🤖 LangCrew 入门教程
01.AI 开源的多 Agent 协作框架，快速上手

📅 2026-06-27 | 🏷️ 学习专区,AI工具,LangCrew,智能体,教程

📖 一、LangCrew 是什么

LangCrew 是 01.AI（零一万物，李开复创办） 推出的多 Agent 开发框架，基于 LangGraph 构建。用 Python 代码来编排多个 AI 智能体协同工作。

📦 二、安装

我们已在 186 服务器上安装好了，激活环境即可使用：

🎯 三、核心概念

LangCrew 只有 4 个核心概念，非常好理解：

🚀 四、快速上手：第一个 LangCrew 程序

示例 1：最简单的 2-Agent 协作

from langcrew import Crew, Agent, Task

# 1. 创建两个 Agent
analyst = Agent(
    role="分析师",                    # 角色名称
    goal="分析用户的问题并提供见解",    # 目标
    backstory="你是一个资深分析师"     # 背景故事
)

writer = Agent(
    role="写手",
    goal="撰写清晰易懂的文章",
    backstory="你是一个专业的科技写手"
)

# 2. 创建两个 Task
research = Task(
    description="分析人工智能的发展趋势",
    expected_output="一份简要的分析报告",
    agent=analyst                     # 分配给分析师
)

report = Task(
    description="基于分析报告写一篇科普文章",
    expected_output="一篇通俗易懂的文章",
    agent=writer                      # 分配给写手
)

# 3. 组建 Crew 并执行
crew = Crew(
    agents=[analyst, writer],         # 团队成员
    tasks=[research, report],         # 任务列表
    verbose=True                      # 显示执行过程
)

result = crew.kickoff()               # 启动！
print(result)

示例 2：带工具的 Agent

from langcrew import Crew, Agent, Task

# Agent 可以配置工具（需要先配置 LLM）
researcher = Agent(
    role="研究员",
    goal="搜索并整理最新信息",
    backstory="你擅长从各种来源获取信息",
    tools=[],                         # 可以传入搜索等工具
    allow_delegation=True              # 允许委托任务给其他 Agent
)

# 配置 LLM（以 DeepSeek 为例）
from langcrew import LLMConfig
llm = LLMConfig(
    provider="openai",
    api_key="sk-xxx",
    base_url="https://api.deepseek.com/v1",
    model="deepseek-chat"
)

crew = Crew(
    agents=[researcher],
    tasks=[Task(description="搜索量子计算最新进展", expected_output="摘要")],
    llm=llm
)

💼 五、实际应用场景

⚡ 六、高级功能

人机协同（HITL）

LangCrew 的特色功能——Agent 执行到关键步骤时，可以暂停等待人工审批：

from langcrew import Crew, Agent, Task, Process

task = Task(
    description="生成一份投资报告",
    expected_output="完整的投资分析报告",
    human_input=True,        # ← 需要人工确认
    agent=analyst
)

crew = Crew(
    agents=[analyst, writer],
    tasks=[task, report_task],
    process=Process.sequential  # 顺序执行
)

记忆管理

Agent 可以记住之前的对话和任务结果：

from langcrew import Crew, Agent, Task
from langcrew.memory import ShortTermMemory, LongTermMemory

agent = Agent(
    role="客服",
    goal="解决用户问题",
    backstory="你是一个专业的客服",
    memory=True,                        # 开启记忆
    short_term_memory=ShortTermMemory(), # 短期记忆
    long_term_memory=LongTermMemory()    # 长期记忆
)

多流程模式

🔧 七、配置 LLM

LangCrew 需要连一个大模型才能工作。支持多种模型：

from langcrew import LLMConfig

# DeepSeek（推荐，便宜）
llm = LLMConfig(
    provider="openai",
    api_key="sk-xxx",
    base_url="https://api.deepseek.com/v1",
    model="deepseek-chat"
)

# 通义千问
llm = LLMConfig(
    provider="openai",
    api_key="sk-xxx",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model="qwen-plus"
)

# 本地 Ollama
llm = LLMConfig(
    provider="ollama",
    base_url="http://localhost:11434",
    model="qwen2.5:7b"
)

# 环境变量方式（推荐）
import os
os.environ["OPENAI_API_KEY"] = "sk-xxx"
os.environ["OPENAI_BASE_URL"] = "https://api.deepseek.com/v1"

crew = Crew(
    agents=[...],
    tasks=[...],
    # 不传 llm 参数，自动读取环境变量
)

🎬 八、完整示例：自动写投资分析报告

from langcrew import Crew, Agent, Task, Process
from langcrew import LLMConfig

# 配置模型
llm = LLMConfig(
    provider="openai",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1",
    model="deepseek-chat"
)

# 创建 3 个 Agent
researcher = Agent(
    role="研究员",
    goal="收集并整理最新市场信息",
    backstory="你擅长从各种渠道获取信息",
    llm=llm
)

analyst = Agent(
    role="分析师",
    goal="分析数据并给出投资建议",
    backstory="你是一个资深金融分析师",
    llm=llm
)

writer = Agent(
    role="报告撰写人",
    goal="撰写专业的投资分析报告",
    backstory="你擅长写清晰的投资报告",
    llm=llm
)

# 创建任务
task1 = Task(
    description="收集 NVIDIA 公司的最新财务数据和市场动态",
    expected_output="一份数据清单",
    agent=researcher
)

task2 = Task(
    description="分析数据，评估 NVIDIA 的投资价值",
    expected_output="分析结论和建议",
    agent=analyst
)

task3 = Task(
    description="撰写一份完整的投资分析报告",
    expected_output="PDF 格式的投资报告",
    agent=writer
)

# 组建 Crew
crew = Crew(
    agents=[researcher, analyst, writer],
    tasks=[task1, task2, task3],
    process=Process.sequential,  # 顺序执行
    verbose=True
)

# 执行
result = crew.kickoff()
print(f"最终输出: {result}")

⚠️ 九、注意事项

📎 官方仓库：github.com/01-ai/langcrew