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：
| 类 | 作用 | 类比 |
|---|---|---|
Agent | 智能体 | 你的员工 |
Task | 任务 | 工单 |
Crew | 团队 | 项目组 |
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：
| 参数 | 作用 | 是否必填 | 影响 |
|---|---|---|---|
role | 定义 Agent 身份 | ✅ 必填 | 决定输出风格 |
goal | 定义目标任务 | ✅ 必填 | 决定工作方向 |
backstory | 让 Agent 更"真实" | ✅ 必填 | 决定输出深度 |
verbose | 输出详细日志 | ❌ 可选 | 决定日志详细度 |
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：
| 参数 | 作用 | 是否必填 |
|---|---|---|
description | 任务描述 | ✅ 必填 |
expected_output | 期望输出 | ✅ 必填 |
agent | 负责 Agent | ✅ 必填 |
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
| 序号 | 文章 | 状态 |
|---|---|---|
| 01 | CrewAI 是什么？ | ✅ 已完成 |
| 02 | 10 分钟搭建环境 | ✅ 已完成 |
| 03 | 第一个 Agent | ✅ 本篇 |
| 04 | 理解核心参数 | 📝 下一篇 |
| 05 | 设计专业 Agent 角色 | 📝 规划中 |
| ... | ... | ... |
🎁 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
