角色驱动 Agent 设计

学习目标

理解 CrewAI 如何通过 role/goal/backstory 三元组定义 Agent 人格，以及这种设计如何影响提示词组装、多 Agent 路由和委派决策。

前置知识

• Agent 核心循环设计 — Session/Turn 模型与执行循环
• Agent 人格与提示词设计模式 — 结构化人格定义

下文假设你已理解上述概念，直接聚焦 CrewAI 的具体实现。

---

项目实践

role/goal/backstory 三元组

CrewAI 的 Agent 定义要求三个必需字段：

# 伪代码
Agent(
    role="高级数据分析师",
    goal="从数据中提取可操作的洞察",
    backstory="你拥有10年数据分析经验，擅长从复杂数据集中发现模式",
)

这三个字段在 Agent 初始化时通过 model_validator(mode="before") 合并配置，然后通过 post_init_setup 初始化 LLM、执行器和技能。

提示词组装

CrewAI 使用 i18n 多语言模板将三元组组装为系统提示词：

You are {role}.
Your personal goal is: {goal}
Your backstory: {backstory}

Tools you have access to:
{tools_description}

You have a maximum of {max_iter} iterations.

模板可通过 system_template、prompt_template、response_template 参数自定义。

三元组在多 Agent 路由中的作用

在 Hierarchical 模式下，Manager Agent 根据 role 描述决定任务分配：

• DelegateWorkTool 使用 role + goal 生成同事 Agent 的描述列表
• Manager 的提示词包含教导如何根据 role 选择合适 Agent 的指令
• 委派时，目标 Agent 的 backstory 影响其输出的风格和视角

Agent 适配器

CrewAI 的 Agent Adapter 系统允许将第三方框架的 Agent 桥接到 CrewAI 接口：

BaseAgentAdapter
├── LangGraphAgentAdapter  → 创建 LangGraph ReAct Agent 图
└── OpenAIAgentAdapter     → 配置 OpenAI Assistants API

每个适配器负责工具转换、结构化输出转换和执行桥接，使得 Crew 中可以混合使用原生 Agent 和第三方 Agent。

---

问题与规避

过于泛化的 role 描述导致行为不可预测

• 如果 role 描述太宽泛（如 “助手”），LLM 的输出风格和质量不可预测
• 对策：role 应具体到领域和职责，如 “Python 后端性能优化专家” 而非 “程序员”

三元组缺乏行为约束和输出格式控制

• 相比完整的 Agent 人格模板（身份 + 使命 + 规则 + 工作流 + 通信风格），三元组缺乏对行为约束的控制
• 对策：通过自定义 system_template 和 prompt_template 添加行为约束和输出格式要求

backstory 过长导致 Token 浪费

• backstory 每次调用 LLM 都会包含在系统提示中
• 对策：backstory 保持 1-2 句，专注于经验背景和视角，而非详细简历

---

设计取舍

三元组 vs 完整人格模板

维度	三元组	完整模板
简洁性	高（3 个字段）	低（6+ 个段落）
行为控制	弱	强
多 Agent 路由	直接支持（Manager 根据 role 分配）	需要额外解析
适用场景	快速原型、角色分工清晰的场景	需要精确行为约束的场景

CrewAI 选择三元组作为核心接口，但允许通过模板自定义扩展。

---

参考来源

• CrewAI Agent 文档 — Agent 参数详解