分类： AI

基于 crewAIInc/crewAI 源码（2025年最新版本），10维度深度剖析

GitHub: https://github.com/crewAIInc/crewAI | Stars: 58,000+ | License: MIT

1. 整体架构概览

CrewAI 是一个角色扮演式多Agent协作框架，核心设计理念是将AI Agent组织成”船员”(Crew)来协作完成复杂任务。架构分为两大范式：

• Crews（自主协作）：基于角色的Agent团队，优化自主性和协作智能
• Flows（事件驱动控制）：事件驱动的工作流，提供精确的流程控制

源码目录结构（lib/crewai/src/crewai/）：

crewai/
├── agent/          # Agent核心实现
├── agents/         # Agent构建器、缓存、执行器
├── crews/          # Crew输出等辅助类
├── flow/           # Flow框架（DSL、运行时、定义）
├── tasks/          # Task子类（条件任务等）
├── tools/          # 工具系统（BaseTool、AgentTools）
├── memory/         # 统一记忆系统
├── knowledge/      # 知识源和知识存储
├── events/         # 事件总线和监听器
├── llms/           # LLM提供者适配层
├── mcp/            # MCP协议集成
├── a2a/            # A2A协议集成
├── security/       # 安全配置和指纹
├── state/          # 检查点和运行时状态
├── crew.py         # Crew核心类（2490行）
├── task.py         # Task核心类（1566行）
├── process.py      # 流程枚举
└── llm.py          # LLM封装

2. Agent 设计 — 抽象基类与角色系统

2.1 BaseAgent（抽象基类）

所有Agent的根基类，使用 Pydantic BaseModel + ABC 多重继承：

（更多…）

项目: langchain-ai/langgraph

Stars: 41,548 | Forks: 7,018 | License: MIT

定位: 面向长时间运行、有状态 Agent 的底层编排框架

灵感来源: Google Pregel、Apache Beam、NetworkX

一、核心设计哲学：Pregel 计算模型

LangGraph 的核心是一个 Bulk Synchronous Parallel (BSP) 执行引擎，称为 Pregel。每个执行步骤分为三个阶段：

1. Plan（规划）: 确定本轮需要执行哪些 Actor（节点）
2. Execute（执行）: 并行执行所有选中的 Actor，直到全部完成、失败或超时
3. Update（更新）: 用 Actor 写入的值批量更新 Channel

# pregel/main.py — Pregel 类的文档字符串（摘录）
class Pregel(PregelProtocol[StateT, ContextT, InputT, OutputT]):
    """Pregel manages the runtime behavior for LangGraph applications.

    Pregel combines **actors** and **channels** into a single application.
    **Actors** read data from channels and write data to channels.
    Pregel organizes the execution of the application into multiple steps,
    following the **Pregel Algorithm**/**Bulk Synchronous Parallel** model.

    Each step consists of three phases:
    - **Plan**: Determine which **actors** to execute in this step.
    - **Execution**: Execute all selected **actors** in parallel.
    - **Update**: Update the channels with the values written by the **actors**.
    """

这种设计意味着：同一轮执行中，节点写入的 Channel 值对其他节点不可见，只有进入下一轮时才生效。这从根本上避免了并发写入的竞争条件，是 LangGraph 保证确定性执行的关键。

二、Channel 体系：有状态通信原语

Channel 是 LangGraph 的核心抽象，所有节点间通信都通过 Channel 进行。BaseChannel 定义了统一的接口：

（更多…）

基于 langchain-ai/langchain 源码分析，覆盖 langchain-core 与 langchain 两个核心包

1. 架构哲学：可组合的 Runnable 抽象

LangChain 的核心设计哲学是 “一切皆 Runnable”。所有组件——LLM、Prompt、OutputParser、Tool、Retriever——都继承自同一个泛型基类 Runnable[Input, Output]，从而获得统一的调用接口和组合能力。

class Runnable(ABC, Generic[Input, Output]):
    """A unit of work that can be invoked, batched, streamed, transformed and composed."""

    name: str | None
    """The name of the `Runnable`. Used for debugging and tracing."""

    @abstractmethod
    def invoke(self, input: Input, config: RunnableConfig | None = None, **kwargs: Any) -> Output:
        """Transform a single input into an output."""

    async def ainvoke(self, input: Input, config: RunnableConfig | None = None, **kwargs: Any) -> Output:
        return await run_in_executor(config, self.invoke, input, config, **kwargs)

关键设计决策：

• LCEL（LangChain Expression Language）：通过 | 管道运算符实现声明式链式组合，RunnableSequence、RunnableParallel 是核心组合原语
• 同步/异步双模：每个 Runnable 同时提供 invoke/ainvoke、stream/astream、batch/abatch，异步默认通过线程池桥接同步实现
• Pydantic 驱动的 Schema：输入/输出类型通过泛型参数自动推导，生成 JSON Schema 用于验证和文档

def __or__(self, other) -> RunnableSerializable[Input, Any]:
    """Compose this Runnable with another object to create a RunnableSequence."""
    return RunnableSequence(self, coerce_to_runnable(other))

def pipe(self, *others, name=None) -> RunnableSerializable[Input, Other]:
    """Equivalent to RunnableSequence(self, *others) or self | others[0] | ..."""
    return RunnableSequence(self, *others, name=name)

2. Agent Loop：观察-行动循环

LangChain 的 Agent 采用经典的 ReAct（Reasoning + Acting） 模式。核心循环定义在 langchain_core/agents.py 中，通过两个关键数据结构驱动：

（更多…）

装修材料类比理解技术栈，让AI帮你做选择

一、什么是”技术栈”？用装修来理解

前几篇我们学会了变量、函数、文件操作……但你有没有想过一个问题：我学了这些，到底该用什么”工具”来做项目？

这就像你学会了拧螺丝、刷油漆，但真正要装修房子的时候，面对建材市场里几百种材料，你懵了——地板用瓷砖还是木地板？墙面用乳胶漆还是墙纸？水管用PPR还是PVC？

编程世界也一样。做网站、做小程序、做数据分析，每一类项目都需要选一套”材料”组合起来用。这套材料组合，就叫技术栈（Tech Stack）。

（更多…）

引言

当前大模型智能体（Agent）的技能（Skill）已经成为拓展Agent工具执行能力的主流方案。Agent技能本质是封装好的可复用工作流、工具调用序列与业务操作模板，让智能体无需每次从零推理复杂任务。

在已有的技能自发现研究中，主流思路是直接从Agent任务执行轨迹提取技能。但这类方案普遍存在一个短板：每一轮迭代只依赖近期的任务样本，历史经验、反复出现的失败模式无法长期保存；经验随迭代周期丢弃，系统难以持续沉淀”机构记忆”，同类错误反复出现。

Google Research发布的WikiSkill框架（arXiv:2608.27454），并没有提出一套覆盖全部Agent技能领域的通用理论，而是针对技能迭代流程提出了一种全新架构范式：将原始执行轨迹、编译后的结构化知识、可执行技能三层解耦，通过循环流水线实现知识库与技能协同进化。这套方案虽然只是单一框架，但其设计思想，对构建通用型Agent Skill系统具备很强的参考价值。

（更多…）

WikiSkill解决什么问题？

现有的Agent技能发现方法，都是从一批轨迹中直接生成技能。每一轮生成只看最近的轨迹，之前的洞察被丢弃了。重复的模式、反复出现的失败、领域启发式知识，都没有被跨迭代地累积。

WikiSkill的核心创新：把技能进化和持久化知识库（wiki）绑定在一起。技能不是凭空生成的，而是从累积的知识中生长出来的。

WikiSkill的三层架构

WikiSkill不是通用架构，它是专门为技能进化设计的：

（更多…）

一个真实的痛点

你有没有遇到过这种情况：AI Agent犯了一个错误，你告诉它正确的做法，它下一次还是会犯同样的错误？

原因很简单：Agent的经验散落在对话历史里，没有被系统性地沉淀下来。每一次交互都是一次性的，用完即弃。

Google Research的最新论文WikiSkill（arXiv:2608.27454）提出了一个优雅的解决方案：让Agent像人类一样，把经验编译成知识，再把知识进化成技能。

（更多…）

一个真实的痛点

你有没有遇到过这种情况：AI Agent犯了一个错误，你告诉它正确的做法，它下一次还是会犯同样的错误？

原因很简单：Agent的经验散落在对话历史里，没有被系统性地沉淀下来。每一次交互都是一次性的，用完即弃。

Google Research的最新论文WikiSkill（arXiv:2608.27454）提出了一个优雅的解决方案：让Agent像人类一样，把经验编译成知识，再把知识进化成技能。

（更多…）