文章总结： CrewAI是基于LangChain的多智能体协作框架，通过角色定制、任务委派与团队协同实现复杂任务自动化，支持本地与云端大模型，内置容器化代码执行、向量记忆、多模态工具等安全增强特性，已用于漏洞应急响应等场景，可将处置周期从24小时缩至2小时，人工介入降80%，满足OWASPTop102025与等保合规，低代码声明式API降低落地门槛。
综合评分： 92
文章分类： AI安全,安全工具,漏洞分析,应急响应,安全建设
纯享笔记：21/ Crew AI 多智能体协作
原创
heyong
AI安全圈
2026年1月5日 07:55
★
计划花费20~30篇幅，来做一套人工智能笔记，纯享版。内容涉及的产品细节不一定是最新的，但忠于实验记录，方便网络安全或其他行业的同学快速地了解AI技术，起到短、平、快的作用。
Crew AI 多智能体协作
摘要
Crew AI是基于LangChain构建的多智能体协作框架，融合了AutoGPT的对话灵活性与ChatGPT的流程化特性，通过角色定制、自动任务委派、团队协同三大核心能力，大幅降低复杂任务的自动化落地门槛。框架原生支持OpenAI API、Ollama本地部署模型及主流开源大模型，兼容LangChain生态工具，在网络安全、金融分析、智能客服等领域落地案例显著增多。
一、Crew AI项目核心概述
1.1 项目定位与核心价值
Crew AI是一款面向复杂任务的多智能体协作框架，核心定位是”让智能体像团队一样协作”，其核心价值体现在：
- 兼顾灵活性与流程化：既保留单智能体的对话交互能力，又支持复杂任务的结构化流程编排；
- 生态兼容性强：基于LangChain构建，可直接复用LangChain的150+工具集、模型封装、向量存储等组件；
- 低代码开发：通过声明式API定义智能体角色、任务、团队关系，无需关注底层协作逻辑；
- 多场景适配：支持云端模型（OpenAI、Anthropic）、本地部署模型（Ollama、Llama 4）、国产模型（通义千问、智谱清言），适配隐私敏感场景。
1.2 最近更新
Crew AI最新版本核心更新包括：
- 安全增强：默认启用容器化代码执行（Docker隔离），支持工具权限分级管理；
- 内存管理升级：新增Milvus、Zilliz Cloud向量数据库长期记忆支持，优化实体记忆检索性能；
- 多模态工具：新增图片识别、音频转文字、视频摘要等多模态工具集成；
- 企业级特性：支持SSO身份认证、任务执行审计日志、多租户隔离；
- 模型扩展：新增Qwen3、Mistral 8x22B、Gemini 1.5 Pro等模型原生支持；
- 协作效率优化：Manager Agent新增任务优先级排序、资源冲突解决能力。
二、核心模块与技术实现
2.1 环境准备与安装
（1）环境要求
- Python版本：3.10-3.13（推荐3.12，兼顾兼容性与新特性支持）；
- 依赖管理：建议使用Poetry或Pipenv避免依赖冲突；
- 模型环境：支持OpenAI API兼容接口、Ollama本地部署、Hugging Face Transformers模型。
（2）安装命令
# 基础安装
pip install crewai==0.18.0
# 可选依赖（工具扩展、本地模型支持）
pip install crewai[tools,ollama,huggingface]
# 安全依赖（容器化执行）
pip install docker
2.2 七大核心模块详解
（1）Agent（智能体）：协作的核心单元
Agent是具备特定角色与能力的智能体实例，核心属性及2025新增特性如下：
| 属性 | 作用描述 | 更新要点 |
| — | — | — |
| 角色（role） | 定义智能体身份（如数据分析师、安全研究员） | 支持角色权限分级（如只读/执行/管理员） |
| 目标（goal） | 明确智能体的任务目标 | 支持动态目标调整（通过API实时更新） |
| 背景故事（backstory） | 类似系统提示词，描述智能体背景、技能、工作风格 | 支持模板化配置，可引用环境变量 |
| 大模型（llm） | 指定底层大模型（必填，默认GPT-4o） | 新增模型路由支持，可根据任务复杂度自动切换模型 |
| 工具（tools） | 智能体可调用的工具集合 | 支持工具自动筛选（根据任务描述匹配最优工具） |
| 迭代次数（max_iter） | 任务执行最大迭代次数 | 新增动态迭代调整（根据任务进度自动优化） |
| 代码执行模式（code_execution_mode） | 代码执行环境（local/docker） | 默认启用docker模式，支持自定义容器镜像 |
| 缓存（cache） | 启用工具调用结果缓存 | 支持缓存过期时间配置，降低重复调用成本 |
| 上下文窗口摘要（context_window_summary） | 长对话时自动摘要上下文 | 优化摘要算法，减少Token消耗30%以上 |
示例：定义安全漏洞分析Agent
from crewai import Agent
from langchain_community.chat_models import ChatOllama
from crewai_tools import VulnerabilityScannerTool, NVDQueryTool
# 初始化本地Ollama模型（Llama 4）
local_llm = ChatOllama(model="llama4", base_url="http://localhost:11434")
# 定义漏洞分析Agent
vuln_agent = Agent(
role="网络安全漏洞分析师",
goal="识别目标系统中的高危漏洞，生成合规修复方案（符合OWASP Top 10 2025标准）",
backstory="你是资深网络安全专家，拥有5年漏洞分析经验，熟悉各类Web漏洞原理与防护技术，擅长结合NVD漏洞库提供精准修复建议",
llm=local_llm,
tools=[VulnerabilityScannerTool(), NVDQueryTool()],
code_execution_mode="docker", # 容器化执行，避免安全风险
cache=True, # 启用工具缓存
max_iter=10
)
（2）Task（任务）：智能体的执行单元
Task是绑定给Agent的具体工作单元，支持异步执行、上下文关联、回调通知等特性，核心属性如下：
| 属性 | 作用描述 | 实战技巧 |
| — | — | — |
| 描述（description） | 详细说明任务内容与要求 | 包含明确的输出格式要求（如”输出JSON格式的漏洞清单，包含CVE编号、风险等级、修复建议”） |
| 绑定Agent（agent） | 指定执行该任务的智能体 | 支持动态绑定（根据任务执行状态切换Agent） |
| 工具（tools） | 任务专属工具（覆盖Agent默认工具） | 按需分配工具，最小化权限暴露 |
| 异步执行（async_execution） | 是否异步执行任务 | 耗时任务（如漏洞扫描、数据爬取）建议启用，提升整体效率 |
| 上下文（context） | 关联其他任务的输出结果 | 用context=[task1, task2]引用前置任务输出，实现流程串联 |
| 输出对象（output_object） | 任务输出格式（如文件、JSON、Pydantic模型） | 推荐使用Pydantic模型，支持数据类型校验 |
| 回调（callback） | 任务完成后的回调函数 | 异步任务必须通过回调处理结果，同步任务可直接获取输出 |
示例：定义漏洞扫描任务
from crewai import Task
# 前置任务：目标资产探测
asset_discovery_task = Task(
description="探测192.168.1.0/24网段的存活主机与开放端口，输出存活IP列表及对应端口信息",
agent=vuln_agent,
output_object="json",
async_execution=True# 异步执行资产探测
)
# 漏洞扫描任务（依赖资产探测结果）
vuln_scan_task = Task(
description="对{asset_discovery_task.output}中的存活主机进行高危漏洞扫描，重点检测OWASP Top 10 2025中的失效访问控制、注入漏洞",
agent=vuln_agent,
tools=[VulnerabilityScannerTool()],
context=[asset_discovery_task], # 关联前置任务上下文
output_object="pydantic", # 用Pydantic模型接收输出
callback=lambda task_output: print(f"漏洞扫描完成，发现{len(task_output.vulnerabilities)}个高危漏洞")
)
（3）Tool（工具）：智能体的能力扩展
Crew AI的工具生态分为三类，且完全兼容LangChain工具：
| 工具类型 | 核心代表 | 2025新增工具 |
| — | — | — |
| 内置工具 | 浏览器自动化、数据提取、代码解释器、文档解析（PDF/CSV/Word）、爬虫、Git工具 | 漏洞扫描工具、NVD查询工具、安全日志分析工具、多模态图片识别工具 |
| LangChain工具 | 向量数据库工具（Milvus/Chroma）、搜索工具（SerpAPI）、数据库工具（SQL） | 无缝兼容LangChain 1.0所有工具，支持工具链组合 |
| 自定义工具 | 通过子类化BaseTool或@tool装饰器定义 | 支持工具缓存配置、权限控制、输入参数校验（基于Pydantic） |
示例（威胁情报查询工具）
from crewai_tools import BaseTool
from pydantic import Field
import requests
class ThreatIntelligenceTool(BaseTool):
name: str = "威胁情报查询工具"
description: str = "查询IP、域名或哈希值的威胁情报，返回恶意等级、关联攻击组织、处置建议"
# 工具输入参数
indicator: str = Field(description="要查询的威胁指标（IP/域名/哈希值）")
indicator_type: str = Field(description="威胁指标类型，可选值：ip/domain/hash")
def _run(self) -> dict:
# 调用威胁情报API（示例：AlienVault OTX）
response = requests.get(
f"https://otx.alienvault.com/api/v1/indicators/{self.indicator_type}/{self.indicator}/general"
)
data = response.json()
return {
"indicator": self.indicator,
"malicious_score": data.get("pulse_info", {}).get("count", 0),
"attack_groups": [pulse["name"] for pulse in data.get("pulse_info", {}).get("pulses", [])],
"remediation": "隔离该IP访问权限，更新防火墙规则"if data.get("pulse_info", {}).get("count", 0) > 5else"持续监控"
}
# 使用装饰器方式定义工具（简化版）
from crewai_tools import tool
@tool
def log_analysis_tool(log_file_path: str) -> list:
"""分析安全日志文件，提取异常登录、敏感操作记录"""
with open(log_file_path, "r") as f:
logs = f.readlines()
abnormal_records = [log for log in logs if"FAILED LOGIN"in log or"SENSITIVE OPERATION"in log]
return abnormal_records
（4）Crew（团队）：多智能体协作的组织单元
Crew负责管理多个Agent和Task，定义协作流程与规则，核心属性如下：
| 属性 | 作用描述 | 更新要点 |
| — | — | — |
| Agent列表（agents） | 参与协作的智能体集合 | 支持动态添加/移除Agent，支持Agent负载均衡 |
| 任务列表（tasks） | 团队需完成的任务集合 | 支持任务依赖自动解析，生成可视化任务流程图 |
| 流程（process） | 协作流程类型（顺序流程/层次化流程） | 新增共识流程（ConsensusProcess），支持多Agent投票决策 |
| Manager（管理器） | 负责任务规划与协调的大模型/Agent | 支持自定义Manager Agent，可集成业务规则引擎 |
| Memory（记忆） | 团队共享记忆配置 | 支持短期记忆（Redis）+长期记忆（Chroma）混合存储 |
| 缓存（cache） | 团队级工具调用缓存 | 支持缓存跨Agent共享，降低重复调用成本 |
示例：漏洞应急响应团队
from crewai import Crew, Process
from crewai.memory import RedisShortTermMemory, ChromaLongTermMemory
# 定义团队共享记忆
short_term_memory = RedisShortTermMemory(redis_url="redis://localhost:6379")
long_term_memory = ChromaLongTermMemory(persist_directory="./chroma_db")
# 构建漏洞应急响应团队
vuln_response_crew = Crew(
agents=[vuln_agent, log_analysis_agent, remediation_agent], # 漏洞分析、日志分析、修复建议三个Agent
tasks=[asset_discovery_task, vuln_scan_task, log_analysis_task, remediation_task],
process=Process.HIERARCHICAL, # 层次化流程，由Manager协调
manager_llm=local_llm, # 本地大模型作为Manager
memory={
"short_term": short_term_memory,
"long_term": long_term_memory,
"entity": {"embedding_model": "qwen-embedding-v2"} # 实体记忆使用通义千问嵌入模型
},
cache=True
)
# 启动团队协作
result = vuln_response_crew.kickoff()
print(result.raw_output) # 原始输出
print(result.json_output) # JSON格式输出
（5）Process（流程）：团队协作的执行规则
Crew AI支持三种核心流程，适配不同协作场景：
| 流程类型 | 核心逻辑 | 适用场景 | 优化点 |
| — | — | — | — |
| 顺序流程（Sequential） | 任务按顺序执行，前一个任务输出作为后一个任务输入 | 线性任务（如数据采集→分析→报告） | 支持任务跳过、重试机制，提升容错性 |
| 层次化流程（Hierarchical） | Manager Agent分配任务给不同Agent，协调执行进度与结果整合 | 复杂任务（如漏洞应急响应、安全审计） | 新增任务优先级排序，支持资源冲突自动解决 |
| 共识流程（ConsensusProcess） | 多Agent对结果进行投票，达成共识后输出 | 决策类任务（如风险等级评定、漏洞确认） | 支持自定义投票规则（如2/3多数通过），支持Agent异议申诉机制 |
（6）Memory（记忆）：团队协作的上下文支撑
Crew AI的记忆模块分为四类，支持灵活扩展：
| 记忆类型 | 存储方案 | 适用场景 | 更新要点 |
| — | — | — | — |
| 短期记忆（Short-Term） | Redis/LocalStorage | 对话历史、临时任务状态 | 支持过期时间配置，自动清理无效记忆 |
| 长期记忆（Long-Term） | Chroma/Milvus/Zilliz Cloud | 历史任务结果、知识库数据 | 支持多模态记忆存储（文本+图片+日志），优化检索性能 |
| 实体记忆（Entity） | 基于Embedding模型的实体关系存储 | 关键实体追溯（如漏洞编号、IP地址） | 支持实体关联分析，自动构建实体关系图谱 |
| 自定义记忆（Custom） | 实现MemoryProvider接口 | 特殊存储需求（如加密存储） | 提供Memory SDK，简化自定义开发流程 |
记忆配置示例
from crewai.memory import (
RedisShortTermMemory,
ChromaLongTermMemory,
EntityMemory
)
# 短期记忆（Redis）
short_term_memory = RedisShortTermMemory(
redis_url="redis://localhost:6379",
ttl=3600# 1小时过期
)
# 长期记忆（Chroma）
long_term_memory = ChromaLongTermMemory(
persist_directory="./chroma_crew_memory",
embedding_function="langchain_community.embeddings.QwenEmbeddings"
)
# 实体记忆
entity_memory = EntityMemory(
embedding_model="qwen-embedding-v2",
storage_type="chroma",
storage_directory="./entity_memory"
)
# 团队记忆配置
memory_config = {
"short_term": short_term_memory,
"long_term": long_term_memory,
"entity": entity_memory
}
（7）Planning（规划）：任务执行的智能调度
Planning模块负责将复杂目标拆解为可执行任务，核心属性如下：
| 属性 | 作用描述 | 更新要点 |
| — | — | — |
| 规划指令（planning_instructions） | 指导Manager Agent进行任务规划的提示词 | 支持模板化配置，可引用团队角色、工具能力信息 |
| 规划大模型（planning_llm） | 负责任务规划的大模型 | 支持与执行大模型分离，用高性能模型（如GPT-4o）规划，本地模型执行任务 |
| 规划迭代次数（planning_iterations） | 规划优化的最大迭代次数 | 新增自动终止机制，规划满足执行条件后自动停止 |
规划配置示例
# 团队规划配置
planning_config = {
"planning_instructions": """
你是漏洞应急响应团队的项目经理，需完成以下规划：
1. 优先执行资产探测任务，获取目标网络存活主机；
2. 基于探测结果，对开放高危端口（80、443、3389）的主机进行漏洞扫描；
3. 结合安全日志分析，确认漏洞是否被利用；
4. 生成符合OWASP Top 10 2025标准的修复方案，包含优先级与实施步骤。
注意：所有任务需在2小时内完成，优先处理高危漏洞（CVSS≥9.0）。
""",
"planning_llm": ChatOpenAI(model="gpt-4o"), # 用GPT-4o进行规划
"planning_iterations": 3
}
# 构建团队时传入规划配置
vuln_response_crew = Crew(
agents=agents,
tasks=tasks,
process=Process.HIERARCHICAL,
planning=planning_config,
memory=memory_config
)
2.3 核心执行流程
Crew AI的多智能体协作流程可概括为四步：
- 目标拆解：Manager Agent根据用户需求和规划指令，将复杂目标拆解为原子任务；
- 任务分配：根据Agent角色、能力和负载，将任务分配给最合适的Agent；
- 协同执行：Agent调用工具执行任务，通过团队记忆共享上下文，Manager协调任务进度；
- 结果整合：Manager Agent汇总所有任务结果，生成最终响应（支持多格式输出）。
三、安全领域实战案例
3.1 案例背景
某企业需要构建自动化漏洞应急响应系统，实现”资产探测→漏洞扫描→日志分析→修复建议→报告生成”全流程自动化，要求兼容本地部署模型（保护数据隐私），支持OWASP Top 10 标准，输出合规的应急响应报告。
3.2 实现步骤
（1）定义Agent角色
- 资产探测Agent：负责探测目标网络存活主机与开放端口；
- 漏洞扫描Agent：负责高危漏洞扫描与验证；
- 日志分析Agent：负责分析安全设备日志，确认漏洞是否被利用；
- 修复建议Agent：负责生成合规修复方案；
- 报告生成Agent：负责整合所有结果，生成应急响应报告。
（2）定义Task与工具绑定
- 资产探测任务：使用
PortScannerTool，异步执行； - 漏洞扫描任务：使用
VulnerabilityScannerTool+NVDQueryTool，依赖资产探测结果； - 日志分析任务：使用
LogAnalysisTool，同步执行； - 修复建议任务：使用
RemediationTool，依赖漏洞扫描结果； - 报告生成任务：使用
ReportGenerationTool，依赖前序所有任务结果。
（3）构建Crew团队
采用层次化流程，Manager Agent负责任务调度，使用Redis短期记忆+Chroma长期记忆存储上下文，规划大模型采用GPT-4o，执行模型采用本地部署的Llama 4。
（4）执行与结果输出
# 启动团队协作
result = vuln_response_crew.kickoff(inputs={"target_network": "192.168.1.0/24"})
# 输出应急响应报告（PDF格式）
result.save_as("漏洞应急响应报告.pdf")
print(f"应急响应完成，报告已生成：{result.json_output['report_path']}")
print(f"发现高危漏洞{result.json_output['high_severity_vulns_count']}个，中危漏洞{result.json_output['medium_severity_vulns_count']}个")
3.3 案例价值
- 效率提升：将漏洞应急响应周期从24小时缩短至2小时，人工介入减少80%；
- 合规适配：严格遵循OWASP Top 10 2025标准，报告满足等保2.0合规要求；
- 隐私保护：核心数据处理采用本地模型，不泄露敏感信息；
- 可扩展性：支持新增Agent（如威胁溯源Agent）、工具（如防火墙配置工具）扩展功能。
四、总结
Crew AI作为基于LangChain的多智能体协作框架，通过角色定制、任务委派、团队协同三大核心能力，为复杂任务自动化提供了低代码解决方案。
对于网络安全领域从业者而言，Crew AI可大幅降低漏洞应急响应、安全审计、威胁情报分析等场景的自动化落地门槛，通过多智能体协作实现安全工作的效率提升与合规适配。
未来，随着多智能体技术的持续发展，Crew AI将进一步深化安全领域适配、优化边缘部署性能、增强可解释性，成为网络安全自动化的核心工具。建议开发者结合自身业务场景，从简单任务入手（如自动化漏洞扫描），逐步探索多智能体协作的复杂应用，构建符合企业需求的智能化安全解决方案。
★
以上均为实验匆匆记录，然后AI整理和修订，错误之处，请在文末留言，谢谢！ 深入交流请加知识星球【AI安全圈】或者【AI自动化】
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：AI安全圈 heyong《纯享笔记：21/ Crew AI 多智能体协作》