用 CrewAI 搭建本地多智能体流水线

CrewAI 不是大语言模型，而是一个多智能体编排框架。Ollama 提供本地模型服务，qwen2.5-coder:7b 负责推理和生成，CrewAI 则负责角色、任务、顺序和结果传递。

本案例采用 Process.sequential，完整流程如下：

Agent 是一个具有明确职责的工作角色，不等同于模型本身。它可以理解为“模型 + 角色设定 + 工作目标 + 背景信息”的组合。

Agent(
    role="资深研究员",
    goal="整理可靠、清晰的 AI 趋势",
    backstory="你是一名擅长信息归纳的研究员",
    llm=local_llm,
)

role 说明它是谁，goal 说明要达成什么，backstory 提供行为风格和专业背景。

如果 Agent 是团队成员，Task 就是交给成员的工作单。它描述具体目标、输入、输出格式和完成标准。

research_task = Task(
    description="研究 AI 在 2026 年的主要趋势，并列出三个重点。",
    expected_output="三个清晰、可用于写作的趋势要点。",
    agent=researcher,
)

Crew 是 Agent 和 Task 的容器，也是整个工作流的执行入口。它像一个轻量的项目协调者，知道有哪些成员、有哪些任务，以及应该如何推动任务。

content_crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research_task, writing_task, review_task],
    process=Process.sequential,
    verbose=True,
)

result = content_crew.kickoff()

这段组装代码注册团队成员和任务，指定调度方式，并打开详细日志。Crew 负责连接各部分，但不替代 Agent 进行推理。

============================================================
最终结果
============================================================
最终优化版本：
自然语言处理（NLP）和自然语言生成（NLG）技术将继续取得显著进展，特别是在理解和生成人类语言的复杂性上。预训练模型如 GPT-4 的发布将使 AI 更好地理解并回应各种语言形式，包括多模态数据。这将推动聊天机器人、虚拟助手和内容创作工具的发展。

AI 在医疗健康领域的应用将进一步扩大，尤其是在疾病诊断、个性化治疗和药物开发方面。通过深度学习和大数据分析，AI 将能够更准确地预测病情发展，并为患者提供定制化的治疗方案。此外，AI 还将帮助医生进行手术规划和术中导航，提高手术成功率。

智能自动化与机器人技术将继续推动各行各业的效率提升。在制造业中，AI 将优化生产流程，减少人为错误，并实现更加灵活和高效的生产方式。在物流领域，自主导航和协作机器人将提高货物搬运和配送的速度和准确性。此外，AI 还将促进农业自动化，通过智能设备监测作物生长并进行精准施肥和灌溉。

这些趋势反映了 AI 技术在各个领域的应用和发展前景。

审稿意见：
1. 删除了“更深层次的技术突破”等过强表达。
2. 简化句子，使表达更加自然流畅。
3. 将“将能够更好地理解并回应各种语言形式”改为“将使 AI 更好地理解并回应各种语言形式”。

在运行过程中，Crew 完成研究、写作和审稿后，流程没有直接结束，而是把最终输出交给本地后处理校验器。这个步骤不再调用 LLM，而是用确定性的程序规则检查结果是否满足任务要求。

后处理校验报告：
- [PASS] 最终优化版本存在: 已找到最终优化版本。
- [FAIL] 中文字数 180-220: 当前中文字数=389。
- [FAIL] 最终版本分为 3 段: 当前段落数=4。
- [PASS] 禁用/过强表达检查: 未发现禁用表达。
- [PASS] 审稿意见存在: 已找到审稿意见。
- [PASS] 审稿意见落实检查: 明确修改意见均已落实。

这份报告说明：审稿人确实完成了重写，且修改意见已经落实；但最终文本仍不满足字数和段落约束。因此，流程在内容质量上部分通过，在格式验收上失败。

if 字数合格 and 段落数合格 and 禁用表达检查通过:
    输出最终结果
else:
    修正或重试，直到通过或达到重试上限