AI Agent 的关键所在

喧嚣

AI Agent 领域发展迅速。新框架。新产品。新范式。新理念。

随之而来的，自然是喧嚣。

在过去的几个月里，关于什么才是一个“真正”的 Agent 框架，出现了大量的博客文章、对比评测和热门评论。声明式 vs 命令式。图 vs 循环。抽象 vs 控制。

其中有些是经过深思熟虑的。很多只是表演性的。所有这些都有偏见——包括我们自己。

但重点是：当互联网还在争论语法树和编排模型时，开发者们正在努力交付产品。开发者们正在连接各种工具。开发者们正在将原型推向生产环境。

团队正在扪心自问：在关键时刻，我们能相信这个系统吗？
这才是我们关心的对话。

不是哪个框架在下一场推特大战中获胜——而是哪个框架真正能帮助用户完成任务。

事实

用户不关心框架。
他们关心的是系统能为他们做什么。

无论你是利用周末时间搭建个人项目的独立开发者，还是在各业务单元推广 AI 的企业架构师——价值才是目标。

不是功能清单。
不是抽象的纯粹性。
也不是某物是“工作流”还是“Agent”。

只是

• 它能解决问题吗？
• 我能相信它正常运行吗？
• 我能在它之上顺畅地构建吗？
  

每个人都能做更多事情，例如在物流方面 [感谢 CrewAI Enterprise]，我们可以在 10 分钟内实现一个承运商接入，这以前需要 5 天 [...] 我们对这个 Agent 未来将把我们带向何方感到非常兴奋。[Gelato 案例研究]

Steven
Gelato 公司产品副总裁

我们很容易陷入内部细节。
但从用户的角度来看，那些都是实现细节。
归根结底，价值取胜。每次都是如此。

陷阱

在快速发展的生态系统中，很容易被各种功能所吸引——把它们并排放置，好像这样就能解决所有问题一样。

但过于关注表面能力可能会让你陷入一个陷阱：将表面复杂性误认为是真实能力。

优秀的工程实践从未改变。我们依然会问

• 能用的最简单版本是什么？
• 单一事实来源在哪里？
• 如何使它易于维护和审计？
• 我至少需要做到什么程度？

诸如 KISS (保持简单直观)、组合优于继承、SOLID (设计原则) 等原则——它们对 Agent 的适用性，就像它们对 Web 应用和 API 一样重要。

重点不是要构建更复杂的 Agent。
重点是构建更好的系统——可靠、可组合、可观测且易于调试的系统。

所以当我们看到纯粹从内部机制来解读框架时——命令式 vs 声明式，图 vs 循环，抽象 vs 编排——区别在于

你们谈论的是工具。
我们思考的是系统。

机会

这个时刻的妙处在于，我们仍处于早期阶段。
模式仍在形成。最佳实践仍在书写中。
这意味着还有试验和分歧的空间。

我们之前说过：构建 Agent 系统没有唯一正确的方法。

有些团队将受益于高度结构化的流程。
另一些团队则倾向于自主 Agent。
大多数团队会同时使用两者——相互交织、动态组合、共同创造价值。 (我们称之为 CrewAI Flows)

这不是问题。这是进步。
这个领域不需要更多的教条。
它需要能给用户提供选择的框架——而不是强迫他们站队。
它需要能够互操作的生态系统，能够组合的工具，以及能够适应团队现有基础的系统。

更多灵活性。更多控制力。更少意识形态。更多价值。

过去我们使用 RPA 来执行某些任务，现在我们希望利用 CrewAI Agents 来完成这些任务 [...]

我们看到该产品在过去一年中变得越来越成熟 [...] [IBM 案例研究]

Narayanan Alavandar
杰出工程师 & 首席架构师
IBM Consulting

真正的工作

构建 AI Agent 的难点不在于在图和循环之间做选择。
也不在于你的编排语法是否足够声明式。

难点在于围绕 LLM 发生的一切

• 确保它在正确的步骤拥有正确的上下文。
• 优雅地处理故障、超时和边缘情况。
• 添加可观测性，以便调试、审计和改进。
• 构建确保安全的护栏。
• 在现实场景需要时，支持人工参与的工作流。
• 确保你的系统与现有技术栈具备互操作性。
• 为团队提供所需的治理和可见性，以便在快速迭代的同时不失控。

当你超越原型阶段时，这些事情才是关键。
这就是区分“演示中能跑”和“能在生产环境运行”的关键。

在我带有偏见的看来，这就是 CrewAI 及其企业套件的价值所在——它提供的不是理论，而是旨在处理复杂性、让你专注于结果的工具。

将 CrewAI Agent 引入工作流后，我们的代码生成准确率从大约 10% 提高到了 70% 以上。[普华永道案例研究]

Jacob Wilson
普华永道商业生成式 AI 首席技术官

CrewAI 的方式

在 CrewAI，我们并非为了赢得框架辩论而出发。

我们着手构建的是我们自己想要使用的平台——一个能够从周末项目扩展到关键任务系统的平台。

这就是为什么我们构建了一个将多 Agent 协作 (crews) 与事件驱动编排 (flows) 相结合的系统，以及为什么我们在我们的 CrewAI 企业版产品 上围绕它构建了一个完整的技术栈。
在这里，Agent 和 Flows 并非相互排斥——而是清晰、可组合地协同工作。
在这里，你可以从简单开始，逐步变得复杂，并且永远不会觉得被自己的工具所束缚。

我们相信抽象是强大的——只要它们不碍事。

这不是关于简单的演示或炫目的基准测试。
这是关于构建能够持久运行的系统。

我们仍处于 AI Agent 的早期阶段。

思想仍在演进。工具正在成熟。标准尚未固定。这是一份礼物——因为它意味着我们有机会把它做好。

不是通过争论抽象概念。也不是通过争取成为最“正确”的那一方。
而是通过构建能工作的系统。通过互相帮助，更快、更好、更安全地交付产品。

我们为在 CrewAI 构建的一切感到自豪。

为我们的用户——开源贡献者、独立开发者和企业团队——感到自豪，是他们展示了 Agent 在生产环境中的潜力。
而我们才刚刚开始。

所以，致所有在这个领域努力构建的人们

继续前进。继续交付。保持对价值的关注。
真正的工作不在我们身后——而是在前方。