用 CrewAI 搭建自动化竞品分析工作流踩坑记录与优化方案

把 CrewAI 当成简单的“多 Agent 聊天室”绝对会翻车，这玩意儿本质上是个状态机，如果 Task 之间的依赖关系没理顺，Agent 很容易陷入死循环或者在那儿原地打转。

我最近试着用它搭了一套竞品分析流：一个 Agent 负责搜集网页信息，一个负责提取核心功能点，一个负责写对比报告。起初我直接给三个 Agent 分配任务，结果发现负责写报告的 Agent 经常在收到上游信息不足时，开始胡编乱造（幻觉），或者直接报错说找不到输入。

实测踩坑点与优化逻辑：

1. 任务依赖的“黑盒”问题
默认的 Process.sequential 顺序执行其实很脆弱。如果第一个 Agent 搜到的内容太乱，第二个 Agent 提取失败，第三个 Agent 拿到的就是空值。
优化方案： 必须在 Task 的 expected_output 里写死输出格式。不要写“分析结果”，要写“一个包含竞品名称、核心功能、定价策略的 JSON 列表”。

2. 内存溢出与 Token 浪费
CrewAI 的 Agent 倾向于在对话历史里携带大量冗余信息。跑几次循环后，上下文长度暴增，响应速度直线下降且极其昂贵。
优化方案： 开启 memory=True 的同时，严格限制 max_iter。

3. 模型选型对比（重点）
在这个工作流里我分别试了 GPT-4o, Claude 3.5 Sonnet 和 DeepSeek V2.5：

• GPT-4o：指令遵循最稳，但在处理长网页抓取结果时，容易丢失细节，总结得太笼统。
• Claude 3.5 Sonnet：分析能力最强。它能敏锐地捕捉到竞品文案里的“潜台词”，在最后生成对比报告的环节，逻辑链条比 GPT-4o 顺滑得多，没有那种浓浓的 AI 翻译感。
• DeepSeek V2.5：性价比之王，在执行简单的信息提取（Extraction）任务时，速度极快且准确率与 GPT-4o 相当，适合放在工作流的最前端做初步筛选。

推荐的 Agent 配置组合：

• 搜索 Agent → DeepSeek V2.5（快且省）
• 分析 Agent → Claude 3.5 Sonnet（深且准）
• 汇总 Agent → GPT-4o（稳且全）

核心配置代码参考：

from crewai import Agent, Task, Crew, Process

# 关键点：明确定义输出格式，防止下游 Agent 崩溃
analysis_task = Task(
    description="Analyze the competitors' pricing models from the provided text.",
    expected_output="A structured list with 'Company Name' and 'Pricing Tier', strictly no conversational filler.",
    agent=analyst_agent
)

# 限制迭代次数，防止 Agent 陷入死循环
crew = Crew(
    agents=[search_agent, analyst_agent],
    tasks=[search_task, analysis_task],
    process=Process.sequential,
    verbose=True
)

实测结论：
如果你追求极速且低成本，全链路 DeepSeek 勉强能跑，但最后一步报告的质量会掉档。最理想的方案是“DeepSeek 搜集 → Claude 分析 → GPT-4o 润色”，这样跑出来的竞品报告才像个专业分析师写的，而不是简单的网页摘要堆砌。