findscripter 何时使用
适用：
- 需要把一个复杂任务拆给多个有明确分工的 AI Agent（如研究员 + 分析师 + 写作者）协作完成。
- 关键词命中：crewai、多智能体团队、角色化 Agent、crew、collaborative agents、role-based agents。
- 需要顺序（sequential）或层级（hierarchical，经理 Agent 调度）流程，或带记忆、规划、事件驱动 Flow 的结构化工作流。
不该用（负边界）：
- 需要显式状态机/图状编排 → 用 LangGraph（CrewAI Flow 仅做轻量事件路由）。
- 单 Agent 一次性简单脚本：CrewAI 对简单场景偏冗长，直接调 LLM 即可。
- 非 Python 环境：CrewAI 仅支持 Python。
- 需要 LLM 可观测/追踪 → 配合 langfuse；需要严格结构化输出 → 配合 structured-output。
前置：Python 3.10+、安装 crewai、具备 LLM API（OpenAI/Anthropic/Ollama）、理解「委派」概念。
步骤
- 设计 Agent 人设：每个 Agent 写清
role（身份）、goal（目标，可含{topic}占位）、backstory（背景，强化专长）。 - 定义 Task：写
description（含步骤要求）、expected_output（明确产物格式）、绑定agent，依赖前序结果用context引用。 - 选流程：任务线性依赖用
Process.sequential；需要动态调度、合并结果用Process.hierarchical并指定manager_llm。 - 编排 Crew：传入
agents、tasks、process，按需开memory、planning、tools。 - 运行：
crew.kickoff(inputs={...})，多阶段分支用 Flow。 - 配置建议：优先用 YAML（
agents.yaml/tasks.yaml）配置 +@CrewBase类，便于维护。
指令
- 推荐 YAML 配置 + 装饰器：
@CrewBase/@agent/@task/@crew，类里用Agent(config=self.agents_config['xxx'])、Task(config=self.tasks_config['xxx'])。 - 启动：
result = ContentCrew().crew().kickoff(inputs={"topic": "AI Agents in 2025"})。 - 层级流程必须给经理模型：
process=Process.hierarchical, manager_llm=ChatOpenAI(model="gpt-4o")。 - 开启规划：
planning=True, planning_llm=ChatOpenAI(model="gpt-4o")，运行后可print(crew.plan)。 - 开启记忆：
memory=True（含短期/长期/实体三类），可自定义long_term_memory/short_term_memory存储与embedder。 - 自定义工具两法：① 继承
BaseTool（定义name/description/args_schema+_run）；②@tool("名称")装饰函数。工具经tools=[...]挂到 Agent。
示例
YAML + CrewBase 最小可运行骨架（顺序流程，写作 Crew）：
# config/agents.yaml
researcher:
role: "Senior Research Analyst"
goal: "Find comprehensive, accurate information on {topic}"
backstory: "You are an expert researcher known for thorough, accurate research."
tools: [SerperDevTool, WebsiteSearchTool]
verbose: true
writer:
role: "Content Writer"
goal: "Create engaging, well-structured content"
backstory: "You transform research into compelling narratives."
verbose: true
# config/tasks.yaml
research_task:
description: "Research the topic: {topic}. Focus on key facts, recent developments, expert and contrarian views. Cite sources."
agent: researcher
expected_output: "A report with executive summary, bulleted findings, sources cited."
writing_task:
description: "Using the research, write an 800-1000 word article about {topic} with clear headers and an actionable conclusion."
agent: writer
expected_output: "A polished article ready for publication"
context: [research_task] # 复用研究任务输出
# crew.py
from crewai import Agent, Task, Crew, Process
from crewai.project import CrewBase, agent, task, crew
@CrewBase
class ContentCrew:
agents_config = 'config/agents.yaml'
tasks_config = 'config/tasks.yaml'
@agent
def researcher(self) -> Agent: return Agent(config=self.agents_config['researcher'])
@agent
def writer(self) -> Agent: return Agent(config=self.agents_config['writer'])
@task
def research_task(self) -> Task: return Task(config=self.tasks_config['research_task'])
@task
def writing_task(self) -> Task: return Task(config=self.tasks_config['writing_task'])
@crew
def crew(self) -> Crew:
return Crew(agents=self.agents, tasks=self.tasks,
process=Process.sequential, verbose=True)
# main.py
result = ContentCrew().crew().kickoff(inputs={"topic": "AI Agents in 2025"})
层级流程（经理 Agent 动态调度）：
crew = Crew(
agents=[researcher, analyst, writer],
tasks=[research_task, analysis_task, writing_task],
process=Process.hierarchical,
manager_llm=ChatOpenAI(model="gpt-4o"), # 经理由谁来分配/委派/合并
verbose=True,
)
result = crew.kickoff()
Flow 事件驱动 + 路由（多阶段含质检分支）：
from crewai.flow.flow import Flow, listen, start, router
class ContentFlow(Flow):
@start()
def gather(self):
self.topic = self.inputs.get("topic", "AI"); return {"topic": self.topic}
@listen(gather)
def research(self, req):
self.research = ResearchCrew().crew().kickoff(inputs=req).raw
@router(research)
def quality_check(self, _):
return "revise" if self.needs_revision(self.research) else "publish"
@listen("publish")
def publish(self): return {"status": "published"}
flow = ContentFlow(); flow.kickoff(inputs={"topic": "AI Agents"})
注意事项
- 产物质量取决于 prompt：
goal/backstory越具体、expected_output越明确，结果越稳定。 - 顺序流程下用
context串联任务，否则下游 Agent 拿不到上游产物。 - 层级流程务必显式配
manager_llm，否则无法委派调度。 - 简单需求别上 CrewAI，避免过度工程化；Flow 是较新特性，用前确认版本能力。
- 该 skill 仅用于明确匹配上述场景的任务；输出不能替代环境内的实测、验证与专家评审；若缺少必要输入、权限、安全边界或成功标准，应先停下来澄清。
互见
- 显式状态机/图编排：LangGraph（
langgraph）。 - LLM 可观测与追踪：
langfuse（加回调监控 Agent 交互、评估输出）。 - 严格结构化输出：
structured-output（约束研究/产物 JSON 格式）。 - 相关：
autonomous-agents。
采编自 sickn33/antigravity-awesome-skills（MIT），上游原条目源自 vibeship-spawner-skills（Apache 2.0）。