pip install crewai crewai-tools

# 设置 LLM（CrewAI 默认使用 OpenAI，也支持本地模型）
import os
os.environ["OPENAI_API_KEY"] = "your_api_key"

# 如果要用 Ollama 本地模型：
# os.environ["OPENAI_API_BASE"] = "http://localhost:11434/v1"
# os.environ["OPENAI_MODEL_NAME"] = "qwen2.5:7b"

# content_crew.py
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool, FileReadTool
from langchain_openai import ChatOpenAI

# 初始化 LLM，所有 Agent 共享同一个 LLM 实例（也可以为不同 Agent 指定不同模型）
llm = ChatOpenAI(model="gpt-4o", temperature=0.3)

# 初始化工具
search_tool = SerperDevTool()  # Google 搜索工具，需要 SERPER_API_KEY


# ==================== 定义 Agent ====================

researcher = Agent(
    role="技术研究员",
    goal="收集关于 {topic} 的最新、准确的技术信息，包括核心概念、实际应用案例和业界观点",
    backstory="""
    你是一位拥有 10 年经验的技术研究员，专注于 AI 和软件工程领域。
    你擅长从复杂的技术文档中提炼出关键信息，善于识别哪些内容对开发者真正有价值。
    你的研究报告以准确性和实用性著称，不堆砌概念，每个技术点都有具体例子支撑。
    """,
    tools=[search_tool],
    llm=llm,
    # 允许 Agent 在任务执行过程中自主决定是否调用工具、调用几次
    allow_delegation=False,  # 研究员不把任务转包给其他 Agent
    verbose=True,            # 打印执行过程，便于调试
    max_iter=5,              # 最多迭代 5 次，防止无限循环
)

writer = Agent(
    role="技术写手",
    goal="基于研究员提供的资料，撰写一篇面向中高级开发者的技术教程",
    backstory="""
    你是《Python Cookbook》风格的技术作者，擅长把复杂的技术概念用清晰直接的语言解释清楚。
    你的写作原则：代码示例优先，理论为辅；每个知识点都配有可运行的代码；
    避免泛泛而谈，聚焦于开发者实际工作中会遇到的场景。
    """,
    tools=[],  # 写手不需要搜索工具，专注于内容创作
    llm=llm,
    allow_delegation=False,
    verbose=True,
)

editor = Agent(
    role="技术编辑",
    goal="审核并完善文章，确保技术准确性、逻辑连贯性和阅读体验",
    backstory="""
    你是一位严苛的技术编辑，同时具备扎实的技术背景和出色的写作能力。
    你的审核标准：技术描述是否准确，代码示例是否能运行，
    文章结构是否清晰，读者读完是否真的有所收获。
    你不只是挑错，还会提出具体的改进建议。
    """,
    tools=[],
    llm=llm,
    allow_delegation=False,
    verbose=True,
)


# ==================== 定义 Task ====================

research_task = Task(
    description="""
    研究 {topic} 这一技术主题，重点收集以下信息：
    1. 核心概念和工作原理（用开发者能理解的方式解释）
    2. 主要应用场景和真实案例
    3. 与相关技术的对比（优势和局限）
    4. 最佳实践和常见坑
    5. 最新动态（近 6 个月的重要更新）

    输出格式：结构化的研究报告，每个部分清晰标注，总长 800-1200 字。
    """,
    expected_output="一份结构清晰的技术研究报告，涵盖核心概念、应用场景、最佳实践",
    agent=researcher,
)

writing_task = Task(
    description="""
    基于研究报告，撰写一篇面向中高级开发者的技术教程，主题为 {topic}。

    写作要求：
    - 开篇直接切入问题，不要废话
    - 至少包含 2 个可运行的代码示例，代码注释解释"为什么"
    - 包含对比表格（如适用）
    - 结尾有明确的小结和下一步建议
    - 总字数 1500-2000 字，中文写作
    """,
    expected_output="一篇符合要求的技术教程，包含代码示例和清晰的结构",
    agent=writer,
    # context 表示这个 Task 依赖 research_task 的输出作为输入
    # CrewAI 会自动把 research_task 的结果注入到这个 Task 的 prompt 中
    context=[research_task],
)

editing_task = Task(
    description="""
    审核写手提交的技术文章，从以下维度进行评估和改进：

    技术准确性：
    - 核心概念解释是否正确
    - 代码示例是否有明显错误
    - 技术对比是否公平客观

    内容质量：
    - 结构是否清晰，读者容易理解
    - 是否有冗余或跑题的内容
    - 小结和下一步建议是否有实际价值

    直接输出修改后的完整文章，在文末附上一段编辑说明，列出主要修改点。
    """,
    expected_output="修改后的完整文章 + 编辑说明",
    agent=editor,
    context=[writing_task],  # 编辑任务依赖写作任务的输出
)


# ==================== 组建 Crew ====================

content_crew = Crew(
    agents=[researcher, writer, editor],
    tasks=[research_task, writing_task, editing_task],
    process=Process.sequential,  # 顺序执行：研究 → 撰写 → 编辑
    verbose=True,
    # memory=True,  # 开启后 Agent 会记住跨任务的上下文（需要额外配置）
)


# ==================== 运行 ====================

if __name__ == "__main__":
    result = content_crew.kickoff(
        inputs={"topic": "vLLM 生产部署"}
        # inputs 中的变量会替换 Task description 中的 {topic} 占位符
    )
    print("\n" + "="*60)
    print("最终输出：")
    print(result.raw)

from crewai import Agent, Task, Crew, Process

# 经理 Agent：不直接做任务，负责协调和质量把控
# CrewAI 会自动创建经理，也可以自定义
manager = Agent(
    role="项目经理",
    goal="确保团队高效协作，产出高质量的内容",
    backstory="经验丰富的技术项目经理，擅长任务分解和质量把控",
    llm=llm,
    allow_delegation=True,  # 经理必须开启委托权限
)

hierarchical_crew = Crew(
    agents=[researcher, writer, editor],
    tasks=[research_task, writing_task, editing_task],
    process=Process.hierarchical,
    manager_agent=manager,   # 指定自定义经理，不指定则 CrewAI 自动创建
    verbose=True,
)

from crewai_tools import BaseTool
from pydantic import BaseModel, Field


class DatabaseQueryInput(BaseModel):
    """工具的输入 Schema，CrewAI 用它生成参数说明给 LLM。"""
    query: str = Field(description="SQL 查询语句")
    database: str = Field(description="目标数据库名称", default="production")


class DatabaseQueryTool(BaseTool):
    name: str = "数据库查询工具"
    description: str = "执行 SQL 查询，从业务数据库中检索数据"
    args_schema: type[BaseModel] = DatabaseQueryInput

    def _run(self, query: str, database: str = "production") -> str:
        """实际执行逻辑。返回字符串，CrewAI 会把结果注入 Agent 的上下文。"""
        # 实际实现：连接数据库，执行查询，返回结果
        return f"查询结果（模拟）：{query} 在 {database} 中返回 42 条记录"