将旧工作流迁移到 CrewAI，核心思路是“角色化重构”。需要把原来的“代码逻辑”拆解成“专家团队”，让 AI 扮演不同角色来协作完成。

🚀 核心操作步骤

1. 角色定义（Agent）

   把旧流程中的每个功能模块，定义成一个独立的“专家”。例如，原来的“数据清洗”模块，现在变成“数据清洗专家”。

   • 关键属性：role（角色名）、goal（目标）、backstory（背景故事，让 AI 更懂业务）。

2. 任务拆解（Task）

   把旧流程的步骤，拆解成具体的任务清单。CrewAI 会自动把上一个任务的输出，作为下一个任务的输入。

   • 关键属性：description（任务描述）、expected_output（期望输出格式）。

3. 团队编排（Crew）

   把定义好的专家和任务组装起来，选择执行模式（如顺序执行、层级管理）。

💡 实战迁移技巧

• 数据传递：CrewAI 默认支持上下文自动传递。你只需要在任务描述中写清楚“基于前一个任务的结果”，框架会自动处理数据流转，无需手动写变量传递代码 。

• 工具集成：旧工作流中的外部 API 调用或数据库查询，可以封装成 Custom Tools，让 AI 专家直接调用 。

• 配置管理：建议使用 YAML 配置文件​ 来管理角色和任务，这样修改业务逻辑时无需改动代码，直接改配置文件即可 。

⚠️ 避坑指南

• 避免过度抽象：不要把所有逻辑都塞给一个 AI。CrewAI 的优势在于“分工”，把复杂任务拆给多个专家，效果更好。

• 明确输出格式：一定要在 expected_output中定义清晰的格式（如 JSON、Markdown），否则 AI 的输出会非常混乱。

📝 代码示例（Python）

from crewai import Agent, Task, Crew, Process

# 1. 定义专家（Agent）
researcher = Agent(
    role='市场研究员',
    goal='收集最新的行业趋势数据',
    backstory='你是一位资深的市场分析师，擅长挖掘数据背后的商业价值'
)

# 2. 定义任务（Task）
research_task = Task(
    description='分析2025年AI Agent框架的发展趋势',
    expected_output='一份包含市场份额、技术对比的详细报告',
    agent=researcher
)

# 3. 组建团队（Crew）
crew = Crew(
    agents=[researcher],
    tasks=[research_task],
    process=Process.sequential
)

# 4. 执行
result = crew.kickoff()
print(result)

总结：把旧工作流想象成“流水线”，把 CrewAI 想象成“智能团队”。你只需要告诉团队“谁做什么”，剩下的协作和交接，AI 会自动完成。