#agent #ai #react #plantegg

学习笔记：使用 CrewAI 复刻 Claude Code 级的 AI Agent

1. 什么是 CrewAI？

CrewAI 是一个用于编排协同式 AI Agent 的 Python 框架。如果说 LLM（大语言模型）是一个聪明的“大脑”，那么 CrewAI 就是一个**“项目经理”**。

核心四元素：

• Role (角色)：定义 Agent 的身份（如：DBA 专家、技术作家）。

• Task (任务)：定义具体要做的事情。

• Tools (工具)：Agent 可以调用的技能（如：SSH 远程执行、数据库查询）。

• Process (流程)：规定 Agent 之间如何协作（顺序、层级等）。

2. 核心原理：ReAct 工作模式

文章中复刻 Claude Code 的核心逻辑是 ReAct (Reasoning + Acting)，这是目前 Agent 最主流的工作方式。

ReAct 循环公式：

Thought (思考) → Action (行动) → Observation (观察) → Thought (再思考)

1. Thought：模型根据用户问题，思考当前需要什么信息。

2. Action：模型决定调用哪一个工具（Tool）以及参数是什么。

3. Observation：Agent 执行工具并拿到结果（如 Linux 报错信息或 SQL 查询结果）。

4. Next Thought：模型根据反馈结果，决定是继续调用工具，还是输出最终答案。

3. Agent 开发三要素

开发一个功能强大的 Agent，本质上是在配置以下三个部分：

4. 实战：从 0 到 1 组建运维 Agent

根据参考文章，构建一个 MySQL 运维 Agent 的步骤如下：

Step 1: 定义自定义工具

工具是 Agent 的“手脚”。每个工具必须包含 description，因为模型是靠这段描述来判断何时使用该工具的。

Python

1
2
3
4
5
6
7
8
9

from crewai.tools import BaseTool

class MySQLQueryTool(BaseTool):
    name: str = "mysql_query"
    description: str = "用于执行 MySQL 只读查询语句，获取数据库状态。"

    def _run(self, query: str):
        # 实际执行 SQL 的 Python 代码
        return "查询结果文本"

Step 2: 配置 Agent 与 Task

Python

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

from crewai import Agent, Task, Crew

# 1. 定义 Agent
dba_agent = Agent(
    role="DBA 运维专家",
    goal="诊断 MySQL 性能瓶颈",
    backstory="你拥有 10 年运维经验，擅长通过慢查询日志定位问题。",
    tools=[MySQLQueryTool()], # 载入工具
    verbose=True # 开启 debug 模式，查看思考过程
)

# 3. 定义任务
task = Task(
    description="分析 10.0.0.1 机器上的慢查询并给出优化建议",
    expected_output="一份包含问题原因和优化建议的 MD 报告",
    agent=dba_agent
)

# 4. 组建团队启动
crew = Crew(agents=[dba_agent], tasks=[task])
result = crew.kickoff()

5. 关键洞察（踩坑总结）

• 模型没有记忆：每一轮 ReAct 交互，Agent 都会把之前的对话历史、工具返回结果打包成一个巨大的 Prompt 重新发给模型。这意味着 Token 消耗会随轮数剧增。

• 模型不会执行工具：大模型只输出“指令字符串”，真正去执行 SSH 或 Python 代码的是 CrewAI 框架。

• 工具描述至关重要：如果 Agent 总是用错工具，通常是因为 description 写得不清晰。

• 安全边界：在运维场景下，必须在工具的 Python 代码层做好拦截（如禁止 DROP, DELETE 等操作），不能仅靠 Prompt 约束。

6. 进阶方向

1. 接入更多数据源：将 Prometheus 监控、日志平台 API 封装为 Tool。

2. 多 Agent 协作：一个 Agent 负责搜集数据，另一个 Agent 负责编写最终诊断报告。

3. Human-in-the-loop：在执行高风险 Action 前，让 Agent 停下来等待人类授权。

笔记来源：基于 plantegg 博客 与 CrewAI 官方文档整理。