使用 LangChain 与 CrewAI 实现 AI Agent 的多步任务规划（零基础入门）

pip install langchain crewai langchain-openai langchain-community python-dotenv duckduckgo-search

import os
from dotenv import load_dotenv
from langchain_community.tools import DuckDuckGoSearchRun
from langchain_openai import ChatOpenAI
from crewai import Agent, Task, Crew, Process

# 1. 加载环境变量（存储 OpenAI API 密钥，避免硬编码）
load_dotenv()  # 需在项目根目录创建 .env 文件，写入：OPENAI_API_KEY=你的密钥

# 2. 初始化工具（使用 LangChain 的 DuckDuckGo 搜索工具，用于网页查询）
search_tool = DuckDuckGoSearchRun()  # 无需额外配置，开箱即用

# 3. 初始化 LLM 模型（使用 GPT-4o，也可替换为 GPT-3.5-turbo，需调整温度参数）
llm = ChatOpenAI(
    model="gpt-4o",
    temperature=0.7  # 0-1 之间，值越高内容越有创造力，越低越严谨
)

# 4. 定义 3 个协作 Agent（每个 Agent 有明确角色、目标和工具）
## 搜索 Agent：负责收集最新信息
search_agent = Agent(
    role="AI 趋势搜索专员",
    goal="精准收集 2026 年 AI Agent 领域的最新研究成果、行业报告和落地案例，确保信息时效性和准确性",
    backstory="你是一名擅长技术领域信息检索的专员，熟悉 AI 行业动态，能快速筛选出有价值的信息，排除冗余内容",
    tools=[search_tool],  # 仅赋予搜索工具权限
    llm=llm,
    verbose=True  # 运行时打印详细日志，方便调试
)

## 分析 Agent：负责提炼核心趋势
analysis_agent = Agent(
    role="AI 趋势分析顾问",
    goal="从搜索到的信息中，提炼 2026 年 AI Agent 的 3-5 个核心发展趋势，标注关键数据和案例支撑",
    backstory="你是一名资深 AI 行业分析师，擅长从复杂信息中梳理逻辑、总结规律，能精准抓住技术发展的核心脉络",
    llm=llm,
    verbose=True
)

## 撰写 Agent：负责输出技术摘要
writing_agent = Agent(
    role="技术摘要撰写师",
    goal="根据分析结果，撰写一篇 500 字左右的技术摘要，结构清晰（含引言、核心趋势、总结），语言专业且易懂",
    backstory="你是一名科技媒体撰稿人，擅长将复杂技术内容转化为简洁易懂的摘要，兼顾专业性和可读性",
    llm=llm,
    verbose=True
)

# 5. 定义任务（每个任务对应一个 Agent，明确任务内容和输出要求）
## 任务 1：搜索信息
search_task = Task(
    description="搜索 2026 年 AI Agent 发展趋势相关信息，重点关注技术突破、行业应用、头部企业动态，收集至少 3 个权威来源的信息",
    expected_output="整理成结构化的信息清单，包含来源、核心观点、关键数据",
    agent=search_agent
)

## 任务 2：分析趋势（依赖搜索任务结果）
analysis_task = Task(
    description="基于搜索到的信息清单，分析 2026 年 AI Agent 的核心发展趋势，每个趋势配 1 个案例或数据支撑，剔除重复、无关信息",
    expected_output="3-5 个核心趋势的分析报告，每条趋势含标题、核心观点、支撑材料",
    agent=analysis_agent,
    context=[search_task]  # 明确依赖搜索任务，确保先完成搜索再分析
)

## 任务 3：撰写摘要（依赖分析任务结果）
writing_task = Task(
    description="根据趋势分析报告，撰写技术摘要，引言简要介绍 AI Agent 重要性，正文分点阐述核心趋势，总结部分展望未来应用前景，控制字数在 450-550 字",
    expected_output="一篇结构完整、语言流畅的技术摘要（纯文本格式，无Markdown）",
    agent=writing_agent,
    context=[analysis_task]  # 依赖分析任务结果
)

# 6. 组建 Agent 团队，配置协作流程
crew = Crew(
    agents=[search_agent, analysis_agent, writing_agent],
    tasks=[search_task, analysis_task, writing_task],
    process=Process.sequential  # 顺序执行任务（搜索→分析→撰写），也可配置并行流程
)

# 7. 启动任务，获取结果
if __name__ == "__main__":
    result = crew.kickoff()
    print("\n" + "="*50)
    print("最终技术摘要：")
    print("="*50)
    print(result)