【CrewAI系列4】Agent 输出太水？80% 新手都踩的坑，我靠 3 个参数救了回来

​

 我调整了 3 个参数，Agent 输出质量提升 10 倍

作者：14 年测试/QA 老兵

系列：CrewAI 多 Agent 测试框架实战（第 4 篇，暂定24篇会持续输出）

字数：约 4,500 字

阅读时间：11 分钟

收益：学完让你的 Agent 输出质量提升 3-5 倍

---

你是不是也经历过这些

❌ 输出太水 —— Agent 生成的内容空洞，没法直接用

❌ 风格不对 —— 想要专业输出，结果是口水文

❌ 答非所问 —— 让写测试用例，给你讲大道理

❌ 反复重试 —— 执行 10 次，8 次不满意，浪费时间

❌ 成本爆炸 —— Token 花了不少，输出没法看 

如果中了一条，这篇文章就是为你写的。

---

换个思路：参数配置对了，输出自然好

想象一下：

• 你定义的 role，让 Agent 瞬间变成 10 年专家

• 你设定的 goal，让 Agent 知道具体要做什么

• 你编写的 backstory，让 Agent 输出专业深度

这是调整参数后就能做到的。 

今天这篇文章，我就把 Agent 参数配置这件事彻底讲透。 

看完你就能： 

• 写出专业的 role 定义

• 设定清晰的 goal 目标

• 编写丰富的 backstory

• 选择合适的可选参数

让你的 Agent 输出质量提升 3-5 倍。

---

实测：参数调整前后的效果对比

调整前（新手配置）

PYTHON复制

agent = Agent(
    role="助手",
    goal="写测试用例",
    backstory="你有测试经验"
)

task = Task(
    description="为登录功能写测试用例",
    agent=agent
)

输出结果： - 用例数量：5 条 - 输出字数：约 200 字 - 测试覆盖度：60%

• 专业度：⭐⭐

输出内容：

TEXT复制

1. 测试正常登录
2. 测试密码错误
3. 测试用户不存在
4. 测试空密码
5. 测试锁定用户

调整后（专家配置）

PYTHON复制

agent = Agent(
    role="资深测试设计师 (Senior Test Designer)",
    goal="设计全面的测试用例，覆盖正常/边界/异常场景，至少 20 条",
    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）
    2. 风险评估和优先级划分
    
    你的工作风格：
    - 结果导向，关注测试覆盖率
    - 注重细节，不放过任何边界情况
    
    你曾经在多个大型电商系统负责测试设计。
    你深知：好的测试用例是测试成功的一半。"""
)

task = Task(
    description="为登录功能设计测试用例",
    agent=agent
)

输出结果： - 用例数量：23 条 - 输出字数：约 1200 字 - 测试覆盖度：95%

• 专业度：⭐⭐⭐⭐⭐

输出内容（部分）：

TEXT复制

## 正常场景
1. 正确用户名 + 正确密码 → 登录成功，跳转首页
2. 正确用户名 + 正确密码 + 记住登录 → 7 天内免登录

## 异常场景
3. 正确用户名 + 错误密码 → 提示"密码错误"
4. 错误用户名 + 任意密码 → 提示"用户不存在"
5. 已锁定用户 + 正确密码 → 提示"账户已锁定，请联系管理员"

## 边界场景
6. 用户名长度为最小值（3 字符）→ 登录成功
7. 用户名长度为最大值（20 字符）→ 登录成功
8. 密码长度为最小值（6 字符）→ 登录成功
9. 密码长度为最大值（32 字符）→ 登录成功

## 安全场景
10. SQL 注入尝试 → 拦截并记录安全日志
11. XSS 脚本注入 → 拦截并记录安全日志
12. 连续 5 次密码错误 → 账户锁定 30 分钟
...

参数没花一分钱，输出质量提升 5 倍。

---

CrewAI Agent 完整参数列表

完整代码示例

PYTHON复制

from crewai import Agent, LLM
from crewai.tools import BaseTool

# 自定义工具
class MyTool(BaseTool):
    name: str = "my_tool"
    description: str = "我的工具"
    
    def _run(self) -> str:
        return "工具执行结果"

# 创建 LLM
llm = LLM(
    model="qwen-plus",
    api_key="sk-your-key",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 创建完整配置的 Agent
agent = Agent(
    # ========== 必填参数 ==========
    role="测试经理",                    # 角色
    goal="制定测试计划",                # 目标
    backstory="你是拥有 15 年经验的...", # 背景故事
    
    # ========== 可选参数 ==========
    llm=llm,                            # LLM 配置
    tools=[MyTool()],                   # 工具列表
    verbose=True,                       # 详细日志
    allow_delegation=False,             # 允许委派
    allow_code_execution=False,         # 允许执行代码
    max_iter=15,                        # 最大迭代次数
    max_rpm=None,                       # 每分钟最大请求数
    max_execution_time=None,            # 最大执行时间
    memory=True,                        # 启用记忆
    cache=True,                         # 启用缓存
    human_input=False,                  # 是否需要人工输入
)

参数分类与重要性

类别	参数	重要性	影响输出质量
必填	role、goal、backstory	⭐⭐⭐⭐⭐	直接决定
推荐	llm、tools、verbose	⭐⭐⭐⭐	显著提升
可选	max_iter、memory、cache	⭐⭐⭐	优化性能
高级	allow_delegation、max_rpm	⭐⭐	特殊场景

参数调优的本质，是把你的专业经验，翻译成 Agent 能理解的语言。

---

必填参数详解（决定 80% 的输出质量）

role（角色）—— 定义身份

作用： 定义 Agent 的身份和专业领域 ❌ 不好的示例：

PYTHON复制

role="助手"           # 太模糊，不知道擅长什么
role="测试人员"        # 缺乏专业性，像初级员工

✅ 好的示例：

PYTHON复制

role="测试经理 (Test Manager)"
role="资深测试设计师 (Senior Test Designer)"
role="性能测试专家 (Performance Specialist)"
role="安全测试工程师 (Security Test Engineer)"

命名公式：

TEXT复制

role = [经验级别] + [专业领域] + [英文对照]

经验级别：初级/中级/高级/资深/专家
专业领域：测试设计/性能测试/安全测试/自动化测试

效果对比：

role 定义	输出质量	专业度	适合场景
"助手"	⭐⭐	⭐	简单问答
"测试人员"	⭐⭐⭐	⭐⭐	基础任务
"测试经理 (Test Manager)"	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	专业场景

role 定义的是身份，身份决定输出高度。

---

goal（目标）—— 定义方向

作用： 定义 Agent 要完成的具体任务 ❌ 模糊的目标：

PYTHON复制

goal="做好测试"        # 不可衡量，什么叫"好"？
goal="写文档"          # 太宽泛，写什么文档？
goal="执行测试"        # 怎么执行？记录什么？

✅ 明确的目标：

PYTHON复制

goal="制定测试计划，确保 P0 用例覆盖率 100%"
goal="设计全面的测试用例，覆盖正常/边界/异常场景"
goal="执行 API 测试，记录响应时间和错误信息"
goal="分析测试结果，生成包含根本原因的 Bug 报告"

命名公式：

TEXT复制

goal = [核心动作] + [产出物] + [质量要求]

核心动作：制定/设计/执行/分析/生成
产出物：测试计划/测试用例/测试报告/Bug 报告
质量要求：覆盖率 100%/至少 20 条/包含根本原因

goal 定义的是方向，方向清晰才不会跑偏。

---

backstory（背景故事）—— 定义深度

作用： 让 Agent 更"真实"，输出更专业 完整结构：

PYTHON复制

backstory="""
【经验年限】
你是拥有 X 年经验的 [角色]，擅长：
1. [核心技能 1]
2. [核心技能 2]
3. [核心技能 3]

【工作风格】
你的工作风格：
- [风格特点 1]
- [风格特点 2]

【项目经验】
你曾经在 [项目类型] 负责 [具体工作]。

【价值观】
你深知 [职业理念]。
"""

完整示例：

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和工作量
2. 制定合理的测试计划和优先级
3. 识别高风险区域并重点测试

你的工作风格：
- 结果导向，关注测试覆盖率
- 风险驱动，优先测试核心功能
- 数据驱动，用指标说话

你曾经在多个大型电商系统负责测试管理。
你深知测试的价值不在于找 bug，而在于降低业务风险。
"""

效果对比：

backstory 长度	输出字数	专业度	建议场景
10 字	100 字	⭐⭐	简单任务
50 字	300 字	⭐⭐⭐	常规任务
200 字	1000+ 字	⭐⭐⭐⭐⭐	专业场景

backstory 定义的是深度，深度决定输出价值。

---

推荐参数详解（显著提升能力）

llm（LLM 配置）

作用： 指定使用的语言模型 方式 1：使用环境变量（推荐）

PYTHON复制

# .env 文件
DASHSCOPE_API_KEY=sk-your-key
OPENAI_MODEL=qwen-plus

# 代码中不需要配置
agent = Agent(
    role="测试经理",
    goal="制定测试计划"
    # 自动使用环境变量
)

方式 2：显式配置

PYTHON复制

from crewai import LLM

llm = LLM(
    model="qwen-plus",
    api_key="sk-your-key",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

agent = Agent(
    role="测试经理",
    goal="制定测试计划",
    llm=llm  # 显式传入
)

常用模型对比：

模型	价格	延迟	适用场景
qwen-plus	¥0.004/1K tokens	低	平衡性能和成本
qwen-max	¥0.04/1K tokens	中	高质量输出
qwen-turbo	¥0.002/1K tokens	低	快速响应

建议： 开发用 qwen-plus，生产根据成本选择。

---

tools（工具列表）

作用： 扩展 Agent 能力，让它能"做事" 示例：

PYTHON复制

from crewai.tools import BaseTool
import requests

class APITestTool(BaseTool):
    name: str = "api_test"
    description: str = "发送 HTTP 请求测试 API"
    
    def _run(self, url: str) -> dict:
        response = requests.get(url)
        return {"status": response.status_code, "body": response.text}

# 使用工具
agent = Agent(
    role="测试工程师",
    goal="执行 API 测试",
    tools=[APITestTool()]  # 挂载工具
)

有无工具对比：

配置	能力	输出
无工具	只能"想象"	虚构的测试结果
有工具	可以真实调用	真实的 API 响应

工具让 Agent 从"空谈"变成"实干"。

---

verbose（详细日志）

作用： 控制日志输出级别 verbose=False（生产环境）：

PYTHON复制

agent = Agent(..., verbose=False)

输出：

TEXT复制

✅ 执行完成！
结果：测试计划已完成

verbose=True（开发调试）：

PYTHON复制

agent = Agent(..., verbose=True)

输出：

TEXT复制

🚀 Crew Execution Started
📋 Task Started
🤖 Agent Started
💭 Agent 思考中...
🔧 Agent 使用工具：api_test
✅ Agent Final Answer
✅ 执行完成！

建议： - 开发调试 - verbose=True（看详细过程）

• 生产环境 - verbose=False（只输出结果）

---

可选参数详解（优化性能）

max_iter（最大迭代次数）

作用： 限制 Agent 思考次数，防止无限循环 默认值： 15 使用场景：

PYTHON复制

# 简单任务，减少迭代（节省时间和 Token）
agent = Agent(..., max_iter=5)

# 复杂任务，增加迭代（提高输出质量）
agent = Agent(..., max_iter=25)

效果对比：

max_iter	执行时间	输出质量	适用场景
5	快	⭐⭐⭐	简单问答
15	中等	⭐⭐⭐⭐	常规任务
25	慢	⭐⭐⭐⭐⭐	复杂分析

---

memory（记忆）

作用： 启用记忆机制，Agent 可以记住之前的对话 启用记忆：

PYTHON复制

agent = Agent(..., memory=True)

效果： - ✅ Agent 可以记住上下文 - ✅ 多轮对话更连贯

• ❌ 占用更多内存

建议： - 多轮对话 - memory=True

• 单次任务 - memory=False

---

cache（缓存）

作用： 启用缓存，避免重复调用 LLM 启用缓存：

PYTHON复制

agent = Agent(..., cache=True)

效果： - ✅ 相同请求直接返回缓存结果 - ✅ 节省 Token 和费用

• ❌ 首次执行后才有缓存

建议： 始终启用 cache=True（省钱！）

---

参数组合最佳实践（直接抄作业）

测试经理 Agent

PYTHON复制

manager = Agent(
    role="测试经理 (Test Manager)",
    goal="制定测试计划，确保测试覆盖率≥95%",
    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和工作量
    2. 制定合理的测试计划和优先级
    3. 识别高风险区域并重点测试
    
    你的工作风格：
    - 结果导向，关注测试覆盖率
    - 风险驱动，优先测试核心功能
    - 数据驱动，用指标说话
    
    你曾经在多个大型电商系统负责测试管理。
    你深知测试的价值不在于找 bug，而在于降低业务风险。""",
    llm=None,                    # 使用环境变量
    tools=[],                    # 不需要工具
    verbose=True,                # 开发时启用
    allow_delegation=False,      # 亲自制定计划
    max_iter=20,                 # 复杂任务
    memory=True,                 # 记住上下文
    cache=True                   # 启用缓存
)

测试工程师 Agent

PYTHON复制

engineer = Agent(
    role="测试工程师 (Test Engineer)",
    goal="执行测试用例，记录详细结果",
    backstory="""你是执行力强的测试工程师，擅长：
    1. 准确执行测试用例
    2. 详细记录测试步骤和结果
    3. 发现并复现问题
    
    你的工作风格：
    - 严格按照测试用例执行
    - 详细记录每一步操作
    - 及时报告阻塞性问题
    
    你有 5 年自动化测试经验，熟悉 API 测试、性能测试、UI 测试。
    你相信细节决定成败，每一个测试结果都可能揭示重要的问题。""",
    llm=None,                    # 使用环境变量
    tools=[APITestTool()],       # 需要工具
    verbose=True,                # 开发时启用
    allow_delegation=False,      # 亲自执行
    max_iter=15,                 # 标准迭代
    memory=False,                # 不需要记忆
    cache=True                   # 启用缓存
)

---

常见问题 FAQ

Q1: 参数太多记不住怎么办？

解决： 使用模板

PYTHON复制

# 保存为 agent_template.py
def create_agent(role, goal, backstory, tools=[]):
    return Agent(
        role=role,
        goal=goal,
        backstory=backstory,
        verbose=True,
        allow_delegation=False,
        max_iter=15,
        memory=True,
        cache=True,
        tools=tools
    )

# 使用时
manager = create_agent(
    role="测试经理",
    goal="制定测试计划",
    backstory="..."
)

Q2: 如何选择合适的 max_iter？

建议：

任务类型	max_iter	说明
简单问答	5-10	快速响应
文档生成	15-20	保证质量
复杂分析	20-25	深度思考

Q3: memory 和 cache 有什么区别？

特性	memory	cache
作用	记住对话上下文	缓存 LLM 响应
适用	多轮对话	重复请求
内存	占用较多	占用较少
建议	按需启用	始终启用

Q4: 输出还是不满意怎么办？

排查步骤： 1. 检查 role 是否够专业（加经验级别） 2. 检查 goal 是否够具体（加质量要求） 3. 检查 backstory 是否够详细（加工作风格） 4. 增加 max_iter（给更多思考时间）

---

📢 互动话题 + 福利

你的 Agent 输出质量如何？ A. 很好，参数配置得当，输出可直接用 B. 一般，偶尔输出不满意，需要修改 C. 较差，经常需要手动调整 D. 还没开始用 Agent 评论区告诉我你的选择！

---

🎁 双重福利

福利 1：点赞福利 送 《Agent 参数配置模板》 （含 5 个专业 Agent 定义 + 使用文档），私信我获取一下哈。。

福利 2：关注福利（无限量） 关注「测试员周周」，获取： - ✅ Agent 参数速查表（PDF） - ✅ 通用 Agent 模板（可直接复制），私信我获取一下哈。

• ✅ 本文完整代码示例

💡 建议两个都拿：通用模板免费，进阶模板更专业。

---

为什么送这个模板？ 写这个系列 24 篇，经常有读者问： "周周，参数太多了记不住怎么办？" "能不能给个模板，我直接套用？" 这次一次性给你。 

模板里包含：

• 测试经理 Agent（完整配置）

• 测试用例设计师 Agent（带工具）

• 测试执行工程师 Agent（带日志）

• Bug 分析专家 Agent（带记忆）

• 性能测试专家 Agent（带限流）

直接复制，改改就能用。 省掉你 3 天摸索时间。

---

总结：

role 定义的是身份，身份决定输出高度。

goal 定义的是方向，方向清晰才不会跑偏。

backstory 定义的是深度，深度决定输出价值。

参数调优的本质，是把你的专业经验，翻译成 Agent 能理解的语言。

下一步： 

第 5 篇：角色设计方法论（如何写出专业的 role）

第 6 篇：backstory 写作技巧（让 Agent 更"真实"）

---

作者说：参数配置是基本功，熟练掌握后可以根据场景灵活调整。 欢迎关注「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 入门指南	✅ 已完成
02	Agent 角色设计方法论	✅ 已完成
03	你的第一个 Agent	✅ 已完成
04	理解核心参数	✅ 本篇
05	角色设计方法论	📝 下一篇
...	...	...

作者：测试员周周，14 年测试经验，专注 AI+ 测试实战

​