第 12 章 · CrewAI实战解析：程序1题目生成器
第12章 第5节 CrewAI实战解析：程序1题目生成器
第12章 第5节 CrewAI实战解析：程序1题目生成器
阅读指南
上一节我们了解了系统概览和学习目标。本节重点讲解程序1（question_generator.py），通过它深入理解CrewAI三大核心组件：Crew、Agent、Task的协作关系。
5.1 业务流程回顾
程序1实现了从教学大纲到题库的完整流程：
─────────────────────────────────────────
阶段1: 设计题目框架
• AI决策：分析大纲，规划题目结构
• 输出：题目设计方案
─────────────────────────────────────────
阶段2: 生成具体题目
• AI决策：生成题目内容和选项
• 输出：JSON格式题目
─────────────────────────────────────────
阶段3: 数据持久化
• 传统业务：保存到 data/questions.json
─────────────────────────────────────────
5.2 CrewAI三大组件的角色分工
在CrewAI框架中，Crew、Agent、Task各司其职，形成了清晰的三层协作结构：
三大组件的职责：
| 组件 | 类比角色 | 职责 | 程序1实例 |
|---|---|---|---|
| Crew | 项目经理 | 统筹全局，决定执行模式 | ExerciseCrew（Sequential模式） |
| Agent | 专业员工 | 具备专业能力，执行任务 | 题目生成专家（QuestionExpert） |
| Task | 具体工作 | 明确目标和输出要求 | Task1: 设计框架 Task2: 生成题目 |
用团队协作来理解三者关系：
想象一个软件公司的项目团队：
ExerciseCrew（团队）
├─ 角色：项目经理
├─ 持有资源：题目生成专家（员工）、LLM（工具）
└─ 核心职责：
• 创建工单（Task1、Task2）
• 分配给员工（Agent）
• 决定执行顺序（Sequential模式）
• 管理工单流转（Task1输出 → Task2输入）
QuestionExpert（员工）
├─ 角色：Python教育专家
├─ 技能：编程教学、题目设计
└─ 工作方式：
• 接收工单（Task）
• 调用工具（LLM）完成工作
• 提交成果（输出结果）
Task1 & Task2（工单）
├─ Task1工单内容：
│ • 任务：分析大纲，设计题目框架
│ • 指派给：QuestionExpert
│ • 要求：输出Markdown设计方案
│
└─ Task2工单内容：
• 任务：根据Task1方案生成具体题目
• 指派给：QuestionExpert
• 依赖：必须等Task1完成
• 要求：输出JSON格式题目
在程序1中的实际运作：
- ExerciseCrew创建工单：
task1 = create_design_task(self.question_expert, syllabus)
task2 = create_generate_task(self.question_expert, task1.output)
项目经理说："我需要两个工单，Task1设计框架，Task2生成题目"
- ExerciseCrew分配工单给员工：
crew = Crew(
agents=[self.question_expert], # 员工名单
tasks=[task1, task2], # 工单列表
process=Process.sequential # 工单顺序：先Task1，再Task2
)
项目经理说："QuestionExpert，这两个工单都给你，按顺序做"
- QuestionExpert执行工单：
- 拿到Task1工单 → 调用LLM → 输出设计方案
- 拿到Task2工单 → 使用Task1结果 → 调用LLM → 输出JSON题目
- ExerciseCrew收集成果：
result = crew.kickoff() # 启动团队工作，等待完成
项目经理说："开始干活！等你们都做完我收成果"
关键理解：
- Crew不干活：它只负责协调，不直接调用LLM
- Agent干活：真正调用LLM的是Agent
- Task是指令：Task里的
description就是给Agent的工作说明书 - Sequential保证顺序：Crew确保Task2等Task1完成后才开始
5.3 代码实现：从组件到协作
让我们看看这三个组件如何在代码中协同工作。
步骤1：定义Agent（专业员工）
# agents/question_expert.py
def create_question_expert(llm) -> Agent:
"""创建题目生成专家Agent"""
return Agent(
role="Python编程练习题生成专家",
goal="根据教学大纲设计高质量的Python编程练习题",
backstory="""
你是一位经验丰富的Python教育专家，深刻理解初学者的学习路径。
你擅长将复杂概念转化为清晰的练习题，帮助学生循序渐进地掌握知识。
""",
llm=llm,
verbose=True
)
关键点：
role: Agent的身份定位goal: Agent的工作目标backstory: Agent的专业背景（影响决策风格）llm: Agent使用的语言模型
步骤2：定义Task（具体工作）
# tasks/question_tasks.py
def create_design_task(agent: Agent, syllabus: str) -> Task:
"""创建Task1：设计题目框架"""
return Task(
description=f"""
基于以下教学大纲，设计练习题的整体框架：
{syllabus}
要求：
1. 分析大纲的知识点层次
2. 规划题目的难度梯度
3. 设计题目类型分布
""",
expected_output="题目框架设计方案（Markdown格式）",
agent=agent # 指定由哪个Agent执行
)
def create_generate_task(agent: Agent, design_result: str) -> Task:
"""创建Task2：生成具体题目（依赖Task1输出）"""
return Task(
description=f"""
根据以下设计方案，生成5道选择题：
{design_result}
要求：
1. 严格遵循JSON格式
2. 每题4个选项（A/B/C/D）
3. 包含详细解析
""",
expected_output="题目列表（JSON格式）",
agent=agent,
context=[design_result] # 依赖Task1的输出
)
关键点：
description: 任务的详细说明（这是给Agent看的Prompt）expected_output: 明确输出格式agent: 绑定执行者context: 任务间依赖关系（Task2需要Task1的结果）
步骤3：Crew协调执行（项目经理）
# crews/exercise_crew.py
class ExerciseCrew:
"""统一的Crew，负责协调所有阶段"""
def __init__(self, llm):
self.llm = llm
self.question_expert = create_question_expert(llm)
def run_question_generation(self, syllabus: str) -> str:
"""
程序1调用：执行题目生成流程（Sequential模式）
"""
# 创建两个Task
task1 = create_design_task(self.question_expert, syllabus)
task2 = create_generate_task(self.question_expert, task1.output)
# 创建Crew并执行
crew = Crew(
agents=[self.question_expert],
tasks=[task1, task2],
process=Process.sequential, # Sequential模式
verbose=True
)
result = crew.kickoff()
return result
关键点：
agents: 参与的Agent列表（程序1只需1个Agent）tasks: 任务列表（按执行顺序排列）process=Process.sequential: 指定执行模式kickoff(): 启动执行
5.4 下一节预告
下一节我们将学习程序2，看看Hierarchical模式如何协调多个Agent并行工作，以及如何将传统代码与AI决策完美融合。