一个程序员，用 AI 写 AI，再用 AI 写文章。
这一次我想做的，不是一个“能跑的 Demo”，而是一个真正能产品化的内容生成系统。
🤯 开头先说结论
如果你现在还在用一个大 Prompt 让 AI 直接生成整篇文章，那大概率会遇到这几个问题：
- 信息有，但结构乱
- 逻辑有，但不够像人写的
- 内容能看，但没有 SEO 意识
- 结果能出，但质量不稳定
所以我换了个思路：
不要把 AI 当成一个“超级函数”，而要把它当成一个“团队”。
于是我做了一个多智能体内容创作平台：ContentCrew AI。
它的工作方式不是“一次性生成”，而是：
Researcher → Writer → Editor → SEO
这就是我今天想分享的：
如何用 Cursor + CrewAI，把一个 AI 写作项目做成真正有产品感的系统。
📌 先看这个项目到底做了什么
ContentCrew AI 是一个基于 CrewAI 的多智能体内容创作平台。
它可以围绕一个主题，自动完成：
- 🔍 资料搜索
- ✍️ 内容生成
- 🧾 逻辑润色
- 📈 SEO 优化
- ⚡ 实时流式展示执行过程
- 🔐 用户登录与任务管理
- 📊 历史结果记录
- 💰 每日额度限制
你可以把它理解成：
一个“AI 内容生产线”，而不是单次聊天工具。
🧠 为什么我没有选择“单 Agent 一把梭”
我一开始也想过：
不就是生成文章吗？直接一个 Prompt 不就完了？
但做着做着我发现，问题不是“能不能生成”，而是“能不能持续产出高质量内容”。
单 Agent 最大的问题有三个：
1）它不知道先调研再写作
很多内容看起来像样，但经不起查证。
尤其是需要最新信息、行业趋势、技术方案的时候，单次生成非常容易胡编。
2）它很难兼顾“内容”和“结构”
有些 AI 生成的内容语义没问题，但结构很散，读起来像流水账。
3）它不会自我分工
现实里的写作流程，本来就不是一个人干完全部工作：
有人查资料、有人写初稿、有人编辑、有人做标题和传播包装。
所以我干脆把它拆成了多个角色：
- Researcher：负责查资料和整理事实
- Writer：负责根据资料输出初稿
- Editor：负责逻辑、表达、可读性优化
- SEO：负责标题、关键词、元描述、社交传播版本
这其实是在把“人类写作流程”映射成 AI 工作流。
🏗️ 这个项目在 Agentic AI 里属于什么架构？
如果用更标准的说法，我这个项目属于：
Pipeline Multi-Agent（流水线式多智能体架构）
也可以叫：
- Sequential Multi-Agent
- Workflow-based Agent
- Chain-of-Agents
它的核心特征很简单：
✅ 顺序执行
每个 Agent 都依赖上一个 Agent 的输出。
✅ 角色明确
每个 Agent 只做自己的事，不越权。
✅ 中央编排
整个流程由 CrewAI 统一调度。
所以它不是那种“让 AI 自己乱跑”的 Autonomous Agent，
而是一个 可控、稳定、适合产品化 的 Agentic Workflow。
⚙️ 系统架构：前端、后端、智能体、数据库全部串起来
我这个项目不是只有一个生成接口，而是一套完整的工程化系统。
前端
- Next.js 16
- React 19
- TypeScript
- Tailwind CSS v4
- shadcn/ui
后端
- FastAPI
- CrewAI
- DeepSeek
- Tavily
- Supabase
- Uvicorn
数据层
- 用户表
- 任务表
- 智能体日志表
通信方式
- REST API
- SSE 流式输出
⚡ 我最想强调的亮点：AI 不是“结果输出”，而是“过程可见”
很多 AI 产品的问题是：
用户点一下，等很久，最后蹦出一坨结果。
这很没体验。
所以我在这个项目里做了一个很重要的东西：
SSE 实时流式输出
它的意义不是“技术炫技”，而是产品体验升级：
- 用户能看到 AI 正在干什么
- 用户能知道当前在哪一步
- 用户不会觉得系统卡死
- 用户会更信任这个产品
比如它的执行过程可以是这样的：
[Researcher] 正在搜索资料...
[Researcher] 找到 3 条高相关信息
[Writer] 正在生成初稿...
[Editor] 正在优化结构和表达...
[SEO] 正在生成标题和关键词...
这件事很关键。
因为对用户来说，“看见 AI 工作” 本身就是一种价值。
🤖 多智能体到底怎么协作？
这个项目的智能体工作流很简单，但足够实用：
Researcher → Writer → Editor → SEO
1）Researcher
负责联网搜索、资料收集、事实整理。
2）Writer
负责根据调研结果，生成一版有结构的初稿。
3）Editor
负责优化逻辑、提升表达、修正不通顺的地方。
4）SEO
负责标题、摘要、关键词、传播版本优化。
这个分工的好处是：
- 输出更完整
- 逻辑更清晰
- 内容更像“人写的”
- 更适合做成 SaaS 产品
🧾 为什么我还要做任务系统和日志系统？
这是很多人做 AI 项目时最容易忽略的地方。
你只做一个生成接口，当然很快。
但只要你想把它做成产品，下面这些能力就一定绕不开：
1）任务系统
你得知道：
- 用户创建了什么任务
- 任务当前状态是什么
- 任务什么时候完成
- 任务失败了没有
2）日志系统
你得知道：
- 哪个 Agent 出了问题
- 中间结果是什么
- 调用了什么工具
- 最后结果为什么变成这样
3）历史记录
你得知道：
- 用户过去生成过什么
- 哪些内容可以复用
- 哪些任务需要重新生成
所以我把这些都做了：
tasksagent_logsusers
这一步看起来“没那么酷”，但它决定了你这个项目是不是一个真正的产品。
🔐 为什么我还加了登录、权限和额度控制？
因为一旦你想产品化，就不能只想着“能生成”。
你必须开始考虑：
- 谁在使用
- 使用了多少次
- 有没有滥用
- 是否需要收费
- 任务和结果如何隔离
所以我接入了 Supabase 的用户体系，并且做了：
- 邮箱/密码登录
- Google OAuth 登录
- 用户级别的数据隔离
- 每日免费额度限制
这意味着这个项目已经不再是纯技术 demo，
而是一个有明确用户边界和商业意识的 SaaS 雏形。
🧪 我在这个项目里最认同的一件事
我越来越相信一件事：
AI 产品的核心，不是模型，而是编排。
模型大家都能接。
真正拉开差距的是：
- 你怎么拆任务
- 你怎么组织流程
- 你怎么展示过程
- 你怎么记录结果
- 你怎么让它可维护、可扩展、可商业化
换句话说：
未来的 AI 产品，拼的不是“谁会调用 LLM”，而是“谁会设计 AI 工作流”。
💡 这个项目的当前功能，可以怎么概括？
我会把它总结成下面这几个能力：
🧠 1. 多智能体内容生产流水线
研究员、作家、编辑、SEO 分工协作。
⚡ 2. 实时流式输出
SSE 实时展示 Agent 执行日志。
🔍 3. 搜索增强生成
接入 Tavily 获取最新资料。
📝 4. 多类型内容生成
文章、报告、LinkedIn 帖子、产品描述等。
⚙️ 5. 可配置写作参数
字数、语气、受众、语言、自定义提示词。
🔐 6. 用户系统
Supabase 登录、认证、权限隔离。
📊 7. 任务管理
创建、查看、删除、取消、历史追踪。
🧾 8. 执行日志
完整记录每个 Agent 的执行过程。
💰 9. 免费额度控制
具备基础商业化意识。
🧠 如果继续往上做，会变成什么？
我觉得这类项目继续进化下去，最终会变成：
一个真正的 AI 内容生产系统
它不只是“生成文章”，而是能完成：
- 选题
- 调研
- 写作
- 编辑
- SEO 优化
- 版本管理
- 任务分发
- 内容发布
更进一步，它甚至可以变成：
一个“AI 内容团队”。
🤖 Autonomous Agents 是什么？我为什么现在还没直接上？
Autonomous Agents 的意思是：
AI 自己规划、自己执行、自己反思、自己迭代。
典型循环是：
Plan → Act → Observe → Reflect → Repeat
这听起来很强，但现实里会有几个问题：
- 成本高
- 速度慢
- 难调试
- 容易跑偏
所以我现在采用的不是“全自动自治”，而是：
Pipeline + 工程化增强 + 局部智能化
这通常是更稳、更容易落地的方式。
📎 你可以怎么理解这个项目的定位？
如果非要给它一个更准确的标签，我会说：
这是一个可产品化的 Agentic Workflow 系统雏形。
不是玩具，不是单次 Prompt，也不是纯研究项目。
它已经具备了：
- 产品结构
- 多智能体协作
- 流式体验
- 用户系统
- 任务管理
- 商业化入口
这已经超过了很多只会“调用 LLM 接口”的 AI demo。
🔥 结尾：我真正想表达的事情
以前我们写代码，更多是在“调用 API”。
现在，我们开始做的是：
设计一个 AI 团队。
而真正的差距，不在于你能不能把 AI 跑起来，
而在于你能不能让它：
- 分工
- 协作
- 可见
- 可控
- 可扩展
- 可商业化
这也是我做这个项目最有感触的一点。
AI 时代，最有价值的能力，不是“会不会用 AI”，而是“会不会让 AI 一起工作”。
📸相关截图
如果你觉得这篇有价值，欢迎点赞、收藏、关注。
