用awesome-llm-apps搭建多Agent团队AG2与CrewAI协作模式逐步详解【免费下载链接】awesome-llm-apps100 AI Agents, Agent Skills and RAG Apps - Free and Open Source.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-llm-appsawesome-llm-apps是一个完全免费、开源的多 Agent多智能体应用合集收录了100 个 AI Agents、Agent Skills 与 RAG 应用。其中 AG2 与 CrewAI 这两套主流多 Agent 协作框架都有可以直接运行的完整示例从五人研究团队到写稿三人组你不需要从零写框架代码照着示例就能搭出自己的多 Agent 团队。一、项目速览多Agent团队示例都在哪仓库按能力层次组织与多 Agent 团队最相关的是这两个目录目录内容advanced_ai_agents/multi_agent_apps/各种多 Agent 应用研究团队、客服团队、谈判模拟器、信任层advanced_ai_agents/multi_agent_apps/agent_teams/16 个Agent 团队实战法务、招聘、金融、竞品情报、SEO 审计……先克隆仓库git clone https://gitcode.com/GitHub_Trending/aw/awesome-llm-apps下面分两条线拆解AG2 线顺序交接 智能路由和CrewAI 线角色分工 任务流水线最后讲两者如何组合。二、AG2 路线5人研究团队4步跑起来 第1步安装依赖AG2 路线的官方示例是 ag2_adaptive_research_team/一个本地文档优先、网络兜底的自适应研究团队。只需 3 个依赖见 requirements.txtpip install -r requirements.txt第2步认识团队的5个角色agents.py 里用 AG2 的AssistantAgent定义了 5 个角色每个角色只靠一段系统提示词system_message确定职责角色职责输出Triage分诊判断问题走本地文档还是网络JSON 路由决策Local Research本地研究只用上传文档找证据证据 草稿答案Web Research网络研究用 SearxNG 搜索结果找证据证据 草稿答案Verifier验证者检查证据是否充分sufficient / insufficientSynthesizer综合者汇总产出带引用的最终答案最终答案第3步理解路由 交接的核心流程router.py 的run_pipeline()就是团队协作的全部逻辑值得新手逐行读分诊决策Triage Agent 输出route: local 或 web程序按结果选择对应研究 Agent——这就是Agent 驱动的动态路由不是写死的 if-else强制 JSON所有中间角色被要求只输出 JSON_extract_json()用正则稳健地解析让 Agent 之间可以机器化交接验证兜底Verifier Agent 发现证据不足时会列出gaps提示后续改进——多 Agent 系统质量的关键就在有人专门挑刺。第4步启动 Streamlit 应用streamlit run app.py界面见 app.py侧栏填 API Key → 上传 PDF/TXT/MD 文档 → 输入研究问题 → 一键查看路由决策、证据列表、验证结论、最终答案四段式结果。默认模型gpt-5-nano可在侧栏切换。 新手要点AG2 模式 明确的顺序交接sequential handoff 中间加一道 Agent 决策。每一步的输入输出都是结构化 JSON团队越复杂越重要。三、CrewAI 路线研究员-写手-编辑三人组 ✍️CrewAI 的哲学和 AG2 不同不强调谁路由给谁而是把团队想象成一个公司——Agent是员工角色 目标 背景故事Task是工单Crew是项目组。仓库里的 CrewAI 示例见 multi_agent_researcher.py第1步定义3个员工researcher Agent(roleResearcher, goal深入研究给定主题, backstory你是一位细节控专家研究员, ...) writer Agent(roleWriter, goal基于研究写出吸引人的Markdown文章, ...) editor Agent(roleEditor, goal校对并打磨文章, ...)角色、目标、背景故事三要素齐了CrewAI 内部会据此生成每个 Agent 的行为方式。第2步写3张工单每张Task绑定一个 Agent并声明expected_output期望产出。例如写手工单明确要求H1 主标题、H2/H3 小节、要点加粗——把交付标准写进工单是 CrewAI 输出稳定的秘诀。第3步组装 Crew 并运行Crew(agents[...], tasks[...], processProcess.sequential)指定按顺序流转研究 → 写作 → 编辑一行crew.kickoff()启动流水线。 新手要点CrewAI 模式 角色分工 声明式任务。适合内容生产类流程调研、写稿、审核代码量比手写路由少得多。四、AG2 × CrewAI三种协作组合模式 单框架团队够用后真正有生产力的是混搭。仓库里给了现成示范模式1把 CrewAI 工具挂进 AG2/ADK Agent参考 crewai_agent/agent.py用CrewaiTool包装器把ScrapeWebsiteTool网页抓取、DirectorySearchTool目录搜索、FileReadTool读文件三个 CrewAI 工具注册给一个 Agent。适用场景主力编排框架不变只借用 CrewAI 现成的工具货架省去自己写爬虫/文件工具的功夫。模式2AG2 负责调度CrewAI 负责干活用 AG2 的 Triage 思路做总路由如第二节所示命中某类任务后把子任务整包交给一个 CrewAICrew执行如第三节的写稿三人组再拿回结果做 Verifier 校验。适用场景跨业务团队——路由逻辑需要灵活判断AG2 强项执行流程是固定分工CrewAI 强项。模式3叠加信任层保障协作安全多 Agent 之间传数据越多越需要权限与审计。multi_agent_trust_layer/ 演示了给任意 Agent 团队加一层安全设施身份注册、0–1000 信任评分、委托链收窄权限、全程审计日志。AG2 和 CrewAI 团队都能把它当外围组件接入。五、按场景选团队示例速查表 agent_teams/ 下还有 15 个行业团队可直接改造成自己的项目想做什么看这个示例竞品情报分析ai_competitor_intelligence_agent_team/法律合规问答ai_legal_agent_team/招聘筛选流水线ai_recruitment_agent_team/旅行规划全栈应用含 Web 前端ai_travel_planner_agent_team/多模态 UI/UX 反馈评审multimodal_uiux_feedback_agent_team/其他值得看的周边示例multi_agent_researcher/Llama3 本地版多 Agent 研究员ai_news_and_podcast_agents/新闻到播客的 Agent 流水线trust_gated_agent_team/信任门禁版 Agent 团队。六、新手上手路径总结 ✅步骤行动关键文件1️⃣跑通 AG2 研究团队5 角色 路由app.py2️⃣读router.py理解结构化交接router.py3️⃣跑通 CrewAI 写稿三人组multi_agent_researcher.py4️⃣尝试混搭CrewAI 工具接入agent.py一句话选型流程要灵活判断、动态分诊→ AG2流程是固定分工、批量产出→ CrewAI两者混合编排 信任层就是生产级多 Agent 团队的完整拼图。仓库中全部示例免费开源照着改你的第一个多 Agent 团队今天就能上线 【免费下载链接】awesome-llm-apps100 AI Agents, Agent Skills and RAG Apps - Free and Open Source.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-llm-apps创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 用awesome-llm-apps搭建多Agent团队：AG2与CrewAI协作模式逐步详解
用awesome-llm-apps搭建多Agent团队AG2与CrewAI协作模式逐步详解【免费下载链接】awesome-llm-apps100 AI Agents, Agent Skills and RAG Apps - Free and Open Source.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-llm-appsawesome-llm-apps是一个完全免费、开源的多 Agent多智能体应用合集收录了100 个 AI Agents、Agent Skills 与 RAG 应用。其中 AG2 与 CrewAI 这两套主流多 Agent 协作框架都有可以直接运行的完整示例从五人研究团队到写稿三人组你不需要从零写框架代码照着示例就能搭出自己的多 Agent 团队。一、项目速览多Agent团队示例都在哪仓库按能力层次组织与多 Agent 团队最相关的是这两个目录目录内容advanced_ai_agents/multi_agent_apps/各种多 Agent 应用研究团队、客服团队、谈判模拟器、信任层advanced_ai_agents/multi_agent_apps/agent_teams/16 个Agent 团队实战法务、招聘、金融、竞品情报、SEO 审计……先克隆仓库git clone https://gitcode.com/GitHub_Trending/aw/awesome-llm-apps下面分两条线拆解AG2 线顺序交接 智能路由和CrewAI 线角色分工 任务流水线最后讲两者如何组合。二、AG2 路线5人研究团队4步跑起来 第1步安装依赖AG2 路线的官方示例是 ag2_adaptive_research_team/一个本地文档优先、网络兜底的自适应研究团队。只需 3 个依赖见 requirements.txtpip install -r requirements.txt第2步认识团队的5个角色agents.py 里用 AG2 的AssistantAgent定义了 5 个角色每个角色只靠一段系统提示词system_message确定职责角色职责输出Triage分诊判断问题走本地文档还是网络JSON 路由决策Local Research本地研究只用上传文档找证据证据 草稿答案Web Research网络研究用 SearxNG 搜索结果找证据证据 草稿答案Verifier验证者检查证据是否充分sufficient / insufficientSynthesizer综合者汇总产出带引用的最终答案最终答案第3步理解路由 交接的核心流程router.py 的run_pipeline()就是团队协作的全部逻辑值得新手逐行读分诊决策Triage Agent 输出route: local 或 web程序按结果选择对应研究 Agent——这就是Agent 驱动的动态路由不是写死的 if-else强制 JSON所有中间角色被要求只输出 JSON_extract_json()用正则稳健地解析让 Agent 之间可以机器化交接验证兜底Verifier Agent 发现证据不足时会列出gaps提示后续改进——多 Agent 系统质量的关键就在有人专门挑刺。第4步启动 Streamlit 应用streamlit run app.py界面见 app.py侧栏填 API Key → 上传 PDF/TXT/MD 文档 → 输入研究问题 → 一键查看路由决策、证据列表、验证结论、最终答案四段式结果。默认模型gpt-5-nano可在侧栏切换。 新手要点AG2 模式 明确的顺序交接sequential handoff 中间加一道 Agent 决策。每一步的输入输出都是结构化 JSON团队越复杂越重要。三、CrewAI 路线研究员-写手-编辑三人组 ✍️CrewAI 的哲学和 AG2 不同不强调谁路由给谁而是把团队想象成一个公司——Agent是员工角色 目标 背景故事Task是工单Crew是项目组。仓库里的 CrewAI 示例见 multi_agent_researcher.py第1步定义3个员工researcher Agent(roleResearcher, goal深入研究给定主题, backstory你是一位细节控专家研究员, ...) writer Agent(roleWriter, goal基于研究写出吸引人的Markdown文章, ...) editor Agent(roleEditor, goal校对并打磨文章, ...)角色、目标、背景故事三要素齐了CrewAI 内部会据此生成每个 Agent 的行为方式。第2步写3张工单每张Task绑定一个 Agent并声明expected_output期望产出。例如写手工单明确要求H1 主标题、H2/H3 小节、要点加粗——把交付标准写进工单是 CrewAI 输出稳定的秘诀。第3步组装 Crew 并运行Crew(agents[...], tasks[...], processProcess.sequential)指定按顺序流转研究 → 写作 → 编辑一行crew.kickoff()启动流水线。 新手要点CrewAI 模式 角色分工 声明式任务。适合内容生产类流程调研、写稿、审核代码量比手写路由少得多。四、AG2 × CrewAI三种协作组合模式 单框架团队够用后真正有生产力的是混搭。仓库里给了现成示范模式1把 CrewAI 工具挂进 AG2/ADK Agent参考 crewai_agent/agent.py用CrewaiTool包装器把ScrapeWebsiteTool网页抓取、DirectorySearchTool目录搜索、FileReadTool读文件三个 CrewAI 工具注册给一个 Agent。适用场景主力编排框架不变只借用 CrewAI 现成的工具货架省去自己写爬虫/文件工具的功夫。模式2AG2 负责调度CrewAI 负责干活用 AG2 的 Triage 思路做总路由如第二节所示命中某类任务后把子任务整包交给一个 CrewAICrew执行如第三节的写稿三人组再拿回结果做 Verifier 校验。适用场景跨业务团队——路由逻辑需要灵活判断AG2 强项执行流程是固定分工CrewAI 强项。模式3叠加信任层保障协作安全多 Agent 之间传数据越多越需要权限与审计。multi_agent_trust_layer/ 演示了给任意 Agent 团队加一层安全设施身份注册、0–1000 信任评分、委托链收窄权限、全程审计日志。AG2 和 CrewAI 团队都能把它当外围组件接入。五、按场景选团队示例速查表 agent_teams/ 下还有 15 个行业团队可直接改造成自己的项目想做什么看这个示例竞品情报分析ai_competitor_intelligence_agent_team/法律合规问答ai_legal_agent_team/招聘筛选流水线ai_recruitment_agent_team/旅行规划全栈应用含 Web 前端ai_travel_planner_agent_team/多模态 UI/UX 反馈评审multimodal_uiux_feedback_agent_team/其他值得看的周边示例multi_agent_researcher/Llama3 本地版多 Agent 研究员ai_news_and_podcast_agents/新闻到播客的 Agent 流水线trust_gated_agent_team/信任门禁版 Agent 团队。六、新手上手路径总结 ✅步骤行动关键文件1️⃣跑通 AG2 研究团队5 角色 路由app.py2️⃣读router.py理解结构化交接router.py3️⃣跑通 CrewAI 写稿三人组multi_agent_researcher.py4️⃣尝试混搭CrewAI 工具接入agent.py一句话选型流程要灵活判断、动态分诊→ AG2流程是固定分工、批量产出→ CrewAI两者混合编排 信任层就是生产级多 Agent 团队的完整拼图。仓库中全部示例免费开源照着改你的第一个多 Agent 团队今天就能上线 【免费下载链接】awesome-llm-apps100 AI Agents, Agent Skills and RAG Apps - Free and Open Source.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-llm-apps创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考