如何利用 CrewAI 搭建一套能自动调研并撰写行业分析报告的智能体工作流

把 CrewAI 的 Process.sequential 流程跑通后，我才意识到它和单纯调用 LLM 最大的区别在于“角色约束”带来的稳定性。之前用单 Agent 写调研报告，最头疼的是 AI 容易在搜集信息阶段就直接开始写结论，导致内容空洞。

这套工作流的核心逻辑是把「搜索员」和「分析师」彻底解耦。搜索员只负责把网页内容抓回来并清洗，分析师负责在这些原材料里找关联。

核心配置技巧：

不要在 goal 里写太宽泛的描述。我踩过最大的坑就是给搜索员写“搜集行业信息”，结果它回传了一堆无关的广告页。建议使用 backstory 强制要求它扮演“拥有 10 年经验的专业情报分析师”，并明确规定输出格式。

关键代码实现：

from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool

# 必须配置 Serper 才能保证搜索质量
search_tool = SerperDevTool()

# 角色1：深度情报员 - 职责是挖掘事实，禁止概括
researcher = Agent(
  role='行业情报挖掘员',
  goal='在互联网上搜集关于 {topic} 的最新市场份额、竞争对手动态及技术趋势',
  backstory='你擅长从冗长的财报和新闻稿中提取具体数值和事实，拒绝任何模糊的描述词',
  tools=[search_tool],
  verbose=True
)

# 角色2：首席分析师 - 职责是逻辑串联，禁止凭空捏造
analyst = Agent(
  role='战略分析师',
  goal='基于情报员提供的事实，撰写一份深度行业分析报告',
  backstory='你擅长 SWOT 分析和波特五力模型，能够将碎片化信息转化为商业洞察',
  verbose=True
)

# 定义任务流，注意 task 的 output 传递
task1 = Task(description='调研 {topic} 的 2024 年核心趋势', agent=researcher)
task2 = Task(description='将调研结果转化为正式报告，包含挑战与机会', agent=analyst)

# 启动顺序工作流
crew = Crew(
  agents=[researcher, analyst],
  tasks=[task1, task2],
  process=Process.sequential 
)

result = crew.kickoff(inputs={'topic': '低空经济商业化落地'})

提升效率的几个实操点：

内存机制开启：在 Crew 配置中加上 memory=True。这样分析师在处理第二部分内容时，能记得搜索员在第一部分提到的细节，不会出现前后矛盾。

强制输出 Markdown：在 Task 的描述里直接写 The output must be in professional Markdown format with clear headings。否则分析师偶尔会输出一大段没有格式的纯文本，后期手动排版非常浪费时间。

避坑指南：
如果发现 Agent 陷入死循环（一直在搜索同一个关键词），大概率是 goal 写得太绝对。尝试在 backstory 里加入一条指令：If no new information is found after 3 attempts, summarize the current findings and move on。

这套流程跑下来，原本需要花 3 小时的人工搜集+整合工作，现在大约 5 分钟能出一个 80 分的初稿，剩下的 20 分 确实需要人工校对。