AI Agent白手起家76：使用 CrewAI 搭建多智能体营销策略生成器

纲要

• 项目介绍与核心概念
  • CrewAI多智能体框架的特点
  • 营销策略生成器的目标
• 项目结构总览
• 智能体与任务配置
  • 四个智能体的角色与目标
  • 五个任务的流水线与输出
• 数据模型定义
  • 营销创意模型
  • 策略与文案模型
• 运行模式选择：顺序执行 vs. 层级管理
• 完整可运行代码
  • 依赖与入口脚本
  • YAML 配置文件
  • 执行流程与日志解读
• 效果展示与改进方向
• 总结

项目介绍

CrewAI是一个基于角色的多智能体编排框架，通过 YAML 配置即可快速构建协作型 AI 应用。它抽象了智能体（Agent）、任务（Task）、流程（Process）等组件，让开发者无需深入底层 Prompt 拼接就能搭建出工业级的多智能体系统。

本文将以一个营销策略生成器为例，展示如何利用CrewAI让多个智能体协作完成：市场分析、策略制定、创意生成和文案输出。整个项目采用配置驱动的方式，新手也能在几分钟内跑通。

项目结构

项目使用poetry管理依赖，核心代码与配置文件分离，结构清晰：

marketing-post/ ├── pyproject.toml ├── README.md ├── .env └── src ├── main.py └── marketing_post_crew ├── __init__.py ├── crew.py ├── config │ ├── agents.yaml │ └── tasks.yaml └── models.py

• .env：存放OPENAI_API_KEY等密钥
• main.py：程序入口，调用Crew并传递输入
• crew.py：定义MarketingPostCrew类，组装智能体和任务
• config/agents.yaml、config/tasks.yaml：智能体与任务的配置文件
• models.py：Pydantic 数据模型，控制结构化输出

智能体与任务配置

智能体定义（agents.yaml）

在本案例中定义了四个智能体，分别扮演不同角色：

1. 首席市场分析师（market_analyst）：深入分析产品与竞争对手，输出洞察报告。
2. 首席营销策略师（marketing_strategist）：综合分析师结果，制定完整营销策略。
3. 创意内容创作者（creative_content_creator）：根据策略生成高影响力的广告文案与活动创意。
4. 首席创意总监（chief_creative_director）：审核、优化团队产出，保证质量与目标一致性。

示例配置片段：

chief_market_analyst:role:首席市场分析师goal:对产品和竞争对手进行出色分析，提供深入见解以指导营销策略backstory:>作为一家顶级数字营销公司的首席市场分析师，你专长于剖析在线商业环境， 能从海量信息中提炼出影响竞争格局的关键洞察。chief_marketing_strategist:role:首席营销策略师goal:综合产品分析中的精彩见解，制定卓越的营销策略backstory:>你是一家领先数字营销机构的首席策略师，以打造推动成功的高度定制化策略而闻名。creative_content_creator:role:创意内容创作者goal:开发引人入胜的社交媒体内容，重点创作高影响力的广告文案backstory:>作为顶级营销机构的创意内容创作者，你擅长用叙事与受众共鸣， 产出能在嘈杂信息流中脱颖而出的作品。chief_creative_director:role:首席创意总监goal:监督团队工作，确保产出最佳且与产品目标一致，必要时提出澄清或追加任务backstory:>你是一位资深创意总监，对视觉与文字有极高审美标准， 并能精准把控品牌调性与市场目标之间的平衡。

任务定义（tasks.yaml）

共设计五个任务，形成从研究到最终文案的完整流水线：

1. research_task：在指定行业背景下，对客户及竞争对手进行彻底研究，输出包含人口偏好、市场定位和受众参与度的完整报告。
2. project_understanding_task：理解项目细节与目标受众，收集额外信息，输出详细摘要与受众画像。
3. marketing_strategy_task：制定详细营销策略，涵盖目标、关键信息、建议战术、渠道和 KPI。
4. campaign_ideation_task：基于策略生成五个营销活动创意，每个附带简短描述与预期效果。
5. copywriting_task：为每个创意活动撰写最终文案，包括标题和正文。

每个任务都通过expected_output规定了输出格式，配合结构化数据模型，确保结果可直接解析。

数据模型设计

为了让智能体的输出结构化且可控，我们定义了三个 Pydantic 模型：

frompydanticimportBaseModel,FieldfromtypingimportList,OptionalclassCampaignIdea(BaseModel):name:str=Field(...,description="活动名称")description:str=Field(...,description="活动简短描述")target_audience:str=Field(...,description="目标受众")channel:str=Field(...,description="营销渠道（如抖音、公众号、小红书）")expected_impact:str=Field(...,description="预期影响")classMarketingStrategy(BaseModel):strategy_name:str=Field(...,description="策略名称")tactics:List[str]=Field(...,description="战术列表")channels:List[str]=Field(...,description="营销渠道")kpis:List[str]=Field(...,description="关键绩效指标")target_audience:str=Field(...,description="目标受众描述")key_message:str=Field(...,description="关键信息")classAdCopy(BaseModel):title:str=Field(...,description="文案标题")body:str=Field(...,description="文案正文")campaign_name:Optional[str]=Field(None,description="所属活动名称")

这些模型会绑定到对应任务的output_pydantic字段，CrewAI内部会引导大模型输出符合 Schema 的 JSON 结果。

运行模式选择

CrewAI支持两种任务执行流程：

层级模式更适合需要全局把控与质量审查的场景。本案例使用层级模式，并设置一个manager_llm负责分配任务给各个专家角色。

完整可运行代码

下面提供一个可以直接运行的 Python 项目，只需配置好 API Key 并安装依赖即可执行。

环境准备

新建项目目录，创建pyproject.toml（或用requirements.txt）：

[tool.poetry] name = "marketing-post-crew" version = "0.1.0" description = "Multi-agent marketing strategy generator with CrewAI" authors = ["Your Name <you@example.com>"] [tool.poetry.dependencies] python = "^3.10" crewai = ">=0.28.0" python-dotenv = "^1.0.0" [build-system] requires = ["poetry-core"] build-backend = "poetry.core.masonry.api"

运行poetry install安装依赖。然后创建.env文件：

OPENAI_API_KEY=your-api-key-here

主入口脚本（src/main.py）

importosfromdotenvimportload_dotenvfrommarketing_post_crew.crewimportMarketingPostCrew load_dotenv()defrun():inputs={"product_name":"智能会议记录仪","industry":"企业服务 / SaaS","target_audience":"中小企业主、远程办公团队、会议频繁的项目经理","competitors":"Notion AI, Otter.ai, Fireflies.ai","unique_selling_point":"本地化多语言会议纪要，支持定制化模板与私有部署"}crew=MarketingPostCrew().crew()result=crew.kickoff(inputs=inputs)print("\n======== 最终输出 ========\n")print(result)if__name__=="__main__":run()

Crew 组装（src/marketing_post_crew/crew.py）

fromcrewaiimportAgent,Task,Crew,Processfromcrewai.projectimportCrewBase,agent,task,crewfrommarketing_post_crew.modelsimportCampaignIdea,MarketingStrategy,AdCopyimportos@CrewBaseclassMarketingPostCrew:agents_config=os.path.join(os.path.dirname(__file__),'config','agents.yaml')tasks_config=os.path.join(os.path.dirname(__file__),'config','tasks.yaml')# -------------------- Agents --------------------@agentdefchief_market_analyst(self)->Agent:returnAgent(config=self.agents_config['chief_market_analyst'],verbose=True,allow_delegation=False)@agentdefchief_marketing_strategist(self)->Agent:returnAgent(config=self.agents_config['chief_marketing_strategist'],verbose=True,allow_delegation=False)@agentdefcreative_content_creator(self)->Agent:returnAgent(config=self.agents_config['creative_content_creator'],verbose=True,allow_delegation=False)@agentdefchief_creative_director(self)->Agent:returnAgent(config=self.agents_config['chief_creative_director'],verbose=True,allow_delegation=True)# -------------------- Tasks --------------------@taskdefresearch_task(self)->Task:returnTask(config=self.tasks_config['research_task'],output_file='output/research_report.md')@taskdefproject_understanding_task(self)->Task:returnTask(config=self.tasks_config['project_understanding_task'],output_file='output/project_summary.md')@taskdefmarketing_strategy_task(self)->Task:returnTask(config=self.tasks_config['marketing_strategy_task'],output_pydantic=MarketingStrategy,output_file='output/strategy.json')@taskdefcampaign_ideation_task(self)->Task:returnTask(config=self.tasks_config['campaign_ideation_task'],output_pydantic=CampaignIdea,output_file='output/campaign_ideas.json')@taskdefcopywriting_task(self)->Task:returnTask(config=self.tasks_config['copywriting_task'],output_pydantic=AdCopy,output_file='output/ad_copies.json')@crewdefcrew(self)->Crew:returnCrew(agents=[self.chief_market_analyst(),self.chief_marketing_strategist(),self.creative_content_creator(),self.chief_creative_director()],tasks=[self.research_task(),self.project_understanding_task(),self.marketing_strategy_task(),self.campaign_ideation_task(),self.copywriting_task()],process=Process.hierarchical,manager_llm=self.chief_market_analyst().llm,# 使用默认配置的 LLM 作为管理者verbose=True)

任务配置文件（src/marketing_post_crew/config/tasks.yaml）

research_task:description:>在 {industry} 背景下，对产品 {product_name} 及其竞争对手 {competitors} 进行全面研究。 分析市场趋势、用户偏好、竞争对手的优势与弱点。expected_output:>一份包含客户分析、竞争对手对比、市场定位建议、人口统计偏好和受众参与度的完整报告。project_understanding_task:description:>审查项目材料，深刻理解产品 {product_name} 的独特卖点 ({unique_selling_point}) 及目标受众 ({target_audience})。 收集任何缺失的信息，确保所有细节明确。expected_output:>项目详细摘要与目标受众画像，包括需求、痛点、获取信息的渠道偏好。marketing_strategy_task:description:>基于研究结果和受众画像，为 {product_name} 制定一套完整的营销策略。 需包含目标、关键信息、建议战术、营销渠道和 KPI 指标。expected_output:>结构化的营销策略文档，符合 MarketingStrategy 数据模型。campaign_ideation_task:description:>根据营销策略，发散思维生成 5 个具体营销活动创意。 每个创意应包含名称、简短描述、目标受众、渠道和预期效果。expected_output:>5 个 CampaignIdea 对象的列表。copywriting_task:description:>为每个营销活动撰写最终投放文案，包括吸引人的标题和正文。expected_output:>AdCopy 对象列表，每条对应一个活动。

运行结果示例

执行poetry run python src/main.py后，控制台会输出各智能体的思考过程和最终生成的 JSON 文件。日志清楚地展示了 Manager LLM 如何将任务委派给不同专家，以及各智能体之间的数据流转。

最终output/目录下会生成：

• research_report.md：市场研究报告
• project_summary.md：项目摘要与受众画像
• strategy.json：符合MarketingStrategy模型的策略文档
• campaign_ideas.json：五个活动创意
• ad_copies.json：对应的广告文案

整个流程在几分钟内完成，产出的营销材料可直接供人类团队评审、修改后使用。

总结

本文基于CrewAI构建了一个完整的多智能体营销策略生成器，从市场分析到最终文案输出全由多个 AI 智能体协同完成。通过 YAML 配置与 Pydantic 数据模型，开发者可以快速定义角色、任务和输出格式，极大地降低了多智能体应用的门槛。层级管理模式让任务分配与质量控制更加自动化，适合真实商业场景。

本文覆盖了原文中提到的项目结构、智能体配置、任务流程、运行模式以及最终的输出展示，并补充了代码示例。