【CrewAI系列3】8 分钟，我用 CrewAI 创建了第一个 AI 员工

这是CrewAI系列的第3篇，计划写24篇，会持续更新；

作者：14 年测试/QA 老兵

系列：CrewAI 多 Agent 测试框架实战（第 3 篇）

字数：约 4,200 字

阅读时间：10 分钟

收益：学完即可创建你的第一个 AI 员工，替代重复性工作

你是不是也经历过这些

❌重复写测试用例—— 同样的场景，换个项目又要重写一遍

❌手动查资料—— 遇到不懂的测试概念，要去 网上搜半天

❌文档没人看—— 辛辛苦苦写的测试文档，开发说「太长了不看」

❌半夜被叫醒—— 线上出问题，要半夜起来查日志、复现 bug

❌背锅侠—— 延期了是测试没测好，上线出问题了是测试漏测了

如果中了一条，这篇文章就是为你写的。

换个思路：如果有个 AI 助手呢？

想象一下：

- 你告诉它「帮我写 20 条边界值分析的测试用例」，30 秒后给你一份完整的文档

- 你问它「什么是边界值分析」，它用测试人员能懂的语言解释，还附带实际例子

- 你让它「分析这个 bug 报告」，它帮你找出根本原因和复现步骤

这不是未来，这是现在就能做到的。而 CrewAI，就是帮你创建这个 AI 员工的工具。

CrewAI 核心架构

在开始之前，先理解三个核心概念：

TEXT复制

┌─────────────────────────────────────────────────────────┐ │ CrewAI 三要素 │ ├─────────────────────────────────────────────────────────┤ │ │ │ 🤖 Agent（员工） 📋 Task（工单） │ │ ┌─────────────┐ ┌─────────────┐ │ │ │ role 角色 │ │ description │ │ │ │ goal 目标 │ │ output │ │ │ │ backstory │ │ agent │ │ │ └─────────────┘ └─────────────┘ │ │ ↓ ↓ │ │ └───────┬───────────┘ │ │ ↓ │ │ 👥 Crew（团队） │ │ ┌─────────────┐ │ │ │ agents[] │ │ │ │ tasks[] │ │ │ │ kickoff() │ ← 启动执行 │ │ └─────────────┘ │ │ │ └─────────────────────────────────────────────────────────┘

通俗理解：-Agent= 你的员工（定义角色、目标、背景） -Task= 分配给员工的工单（描述任务、期望输出）

• Crew= 项目组（把员工和工单组织起来，启动执行）

一个 Agent 是最小单位，多个 Agent 协作就是 Crew。

8 分钟，创建你的第一个 Agent

第一步：创建项目文件（2 分钟）

BASH复制

# 进入项目目录 cd ~/projects/crewai-demo # 激活虚拟环境 source venv/bin/activate # 创建文件 touch hello_agent.py

第二步：编写代码（3 分钟）

打开hello_agent.py，复制以下代码：

PYTHON复制

from crewai import Agent, Task, Crew # 1. 定义 Agent（创建你的员工） agent = Agent( role="助手", goal="帮助用户完成任务", backstory="你是一个友好的 AI 助手", verbose=True ) # 2. 定义 Task（分配工单） task = Task( description="请用 3 句话介绍人工智能", expected_output="AI 简介", agent=agent ) # 3. 创建 Crew（组建团队） crew = Crew( agents=[agent], tasks=[task], verbose=True ) # 4. 执行（kickoff 启动） print("🚀 开始执行...\n") result = crew.kickoff() print("\n✅ 执行完成！") print(f"结果：{result}")

第三步：运行（3 分钟）

BASH复制

python hello_agent.py

预期输出：

TEXT复制

🚀 开始执行... ╭───────────────── 🚀 Crew Execution Started ─────────────────╮ │ Crew Execution Started │ │ Name: crew │ │ ID: a1b2c3d4-e5f6-7890-abcd-ef1234567890 │ ╰──────────────────────────────────────────────────────────────╯ ╭─────────────────── 📋 Task Started ────────────────────╮ │ Task Started │ │ Description: 请用 3 句话介绍人工智能 │ ╰─────────────────────────────────────────────────────────╯ ╭─────────────────── 🤖 Agent Started ────────────────────╮ │ Agent: 助手 │ ╰─────────────────────────────────────────────────────────╯ ╭───────────────── ✅ Agent Final Answer ──────────────────╮ │ 人工智能起源于 1956 年达特茅斯会议。 │ │ 20 世纪 80 年代专家系统兴起。 │ │ 2010 年后深度学习突破，AI 进入快速发展期。 │ ╰─────────────────────────────────────────────────────────╯ ✅ 执行完成！ 结果：人工智能起源于 1956 年...

恭喜！你的第一个 AI 员工上岗了！🎉

代码逐行解析（理解核心参数）

1. 导入类

PYTHON复制

from crewai import Agent, Task, Crew

三个核心类：

2. 定义 Agent（创建员工）

PYTHON复制

agent = Agent( role="助手", # 角色定位 goal="帮助用户完成任务", # 工作目标 backstory="你是一个友好的 AI 助手", # 背景故事 verbose=True # 详细日志 )

4 个核心参数：

3. 定义 Task（分配工单）

PYTHON复制

task = Task( description="请用 3 句话介绍人工智能", # 任务描述 expected_output="AI 简介", # 期望输出 agent=agent # 负责人 )

3 个核心参数：

4. 创建 Crew（组建团队）

PYTHON复制

crew = Crew( agents=[agent], # Agent 列表 tasks=[task], # Task 列表 verbose=True # 详细日志 )

5. 执行（启动项目）

PYTHON复制

result = crew.kickoff()

kickoff()方法：- 启动 Crew 执行 - 按顺序执行所有 Task

• 返回最终结果

实测：修改参数，观察效果变化

实验 1：修改 role（角色定位）

版本 1：友好助手

PYTHON复制

agent = Agent( role="助手", backstory="你是一个友好的 AI 助手" )

输出风格：平实、易懂

TEXT复制

人工智能是一种让计算机模拟人类智能的技术。 它可以帮助人们完成各种任务，如识别图像、理解语言等。 人工智能正在改变我们的生活方式。

版本 2：资深专家

PYTHON复制

agent = Agent( role="AI 专家（20 年经验）", backstory="你是拥有 20 年经验的 AI 专家，曾在谷歌、微软工作" )

输出风格：专业、包含技术术语

TEXT复制

人工智能（Artificial Intelligence）的概念最早由 John McCarthy 于 1956 年在达特茅斯会议上提出。经过符号主义、连接主义等阶段， 特别是 2012 年深度学习突破后，AI 进入了快速发展期...

💡 结论：role 定义直接影响输出风格和专业度。

实验 2：修改 backstory（背景故事）

版本 1：简短

PYTHON复制

backstory="你帮助写文档"

输出：约 100 字，简单直接版本 2：详细

PYTHON复制

backstory="""你是拥有 15 年经验的测试经理，擅长： 1. 根据需求评估测试范围 2. 制定合理的测试计划 3. 识别高风险区域 你的工作风格： - 结果导向 - 风险驱动 - 数据驱动"""

输出：约 500 字，详细专业💡 结论：backstory 越长越详细，输出越专业、越有深度。

实验 3：修改 verbose（日志详细度）

verbose=False：

TEXT复制

✅ 执行完成！ 结果：人工智能起源于...

verbose=True：

TEXT复制

🚀 Crew Execution Started 📋 Task Started 🤖 Agent Started ✅ Agent Final Answer ✅ 执行完成！

💡 建议：开发调试时用 True，生产环境用 False。

实战：创建测试助手 Agent

需求场景

创建一个能回答测试问题的 AI 助手，随时解答测试概念、提供测试建议。

代码实现

PYTHON复制

from crewai import Agent, Task, Crew # 创建测试助手 Agent test_assistant = Agent( role="测试助手 (Test Assistant)", goal="回答测试相关问题，提供测试建议", backstory="""你是拥有 10 年经验的测试专家，擅长： 1. 测试用例设计（等价类、边界值、场景法等） 2. 测试执行和缺陷分析 3. 测试自动化和持续集成 你乐于助人，用简单易懂的语言解释测试概念。 喜欢用实际例子说明抽象概念。""", verbose=True ) # 创建任务 question = Task( description="请解释什么是边界值分析，并给出一个实际例子", expected_output="边界值分析的解释和示例", agent=test_assistant ) # 创建 Crew crew = Crew( agents=[test_assistant], tasks=[question], verbose=True ) # 执行 result = crew.kickoff() print(result)

输出示例

TEXT复制

╭───────────────── ✅ Agent Final Answer ──────────────────╮ │ 边界值分析是一种测试设计技术，用于测试输入域的边界条件。 │ │ │ │ 原理： │ │ 错误往往发生在边界附近，而不是中间值。 │ │ │ │ 实际例子： │ │ 测试一个输入框，要求输入 1-100 的数字。 │ │ │ │ 应该测试的边界值： │ │ - 0（小于最小值） │ │ - 1（最小值） │ │ - 2（最小值 +1） │ │ - 99（最大值 -1） │ │ - 100（最大值） │ │ - 101（大于最大值） │ │ │ │ 这样可以发现边界处理错误。 │ ╰─────────────────────────────────────────────────────────╯

看到没？这就是你的 AI 测试助手！以后遇到测试概念，不用再去 Google 搜了，直接问它就行。

你的收益计算器

假设你是一个测试人员：学习前：- 查一个测试概念：15 分钟（搜索 + 筛选 + 理解） - 写一份测试用例文档：2 小时

• 每月重复性工作：约 35 小时

学习后：- 查一个测试概念：30 秒（问 AI 助手） - 写一份测试用例文档：20 分钟（AI 生成初稿 + 人工审核）

• 每月重复性工作：约 5 小时

每月节省：30 小时每年节省：360 小时 = 45 个工作日这还没算：- 减少的加班时间 - 提升的工作质量

• 避免的线上故障

更重要的是：你可以把节省下来的时间，用来： - 学习新技能（AI 评测、大模型测试） - 做更有价值的工作（测试架构、质量体系建设）

• 早点下班，陪陪家人

而不是把生命浪费在重复的体力劳动上。

常见问题 FAQ

Q1: 输出是英文怎么办？

原因：提示词是英文解决：用中文写 description

PYTHON复制

# ❌ 错误 description="Explain what is boundary value analysis" # ✅ 正确 description="请解释什么是边界值分析"

Q2: 输出太短怎么办？

解决：明确要求字数

PYTHON复制

task = Task( description="请详细解释边界值分析（不少于 300 字）", expected_output="详细的边界值分析解释" )

Q3: 输出格式混乱怎么办？

解决：指定输出格式

PYTHON复制

task = Task( description="""请解释边界值分析 要求： 1. 先给出定义 2. 说明原理 3. 给出实际例子 4. 使用 Markdown 格式""", expected_output="结构化的边界值分析说明" )

Q4: 执行失败怎么办？

检查步骤：

BASH复制

# 1. 检查 API Key echo $DASHSCOPE_API_KEY # 2. 检查网络连接 ping dashscope.aliyuncs.com # 3. 查看详细错误 # verbose=True 时会显示详细错误信息

Q5: 可以创建多个 Agent 吗？

可以！这就是 CrewAI 的核心能力。

# 创建多个 Agent researcher = Agent(role="研究员", ...) writer = Agent(role="作家", ...) reviewer = Agent(role="评审员", ...) # 创建多个 Task task1 = Task(agent=researcher, ...) task2 = Task(agent=writer, ...) task3 = Task(agent=reviewer, ...) # 组建 Crew crew = Crew( agents=[researcher, writer, reviewer], tasks=[task1, task2, task3] )

多个 Agent 会按顺序协作完成任务。

你最想用 AI Agent 帮你做什么？

A. 自动生成测试用例

B. 自动分析 Bug 报告

C. 自动写测试文档

D. 自动执行回归测试

评论区告诉我你的选择！

下篇预告

第 4 篇我们会深入理解 Agent 核心参数：

- 如何定义专业的 Agent 角色？

- backstory 怎么写才能让输出更专业？

- 如何控制输出的风格和格式？

- 实战：创建 5 个专业测试 Agent

敬请期待！

作者说：第一个 Agent 是起点，后续会创建 5 个专业测试 Agent，形成完整的测试团队。

欢迎关注我「测试员周周」，获取更多 AI+ 测试实战内容！

📚系列文章索引

🎁 获取完整代码

关注、点赞、评论获取：

- ✅ hello_agent.py 完整源码

- ✅ test_assistant.py 测试助手源码

- ✅ CrewAI 参数速查表（PDF）

- ✅ 常见问题解决方案文档

作者：测试员周周，14 年测试经验，专注 AI+ 测试实战