# 三小时 crewAI 课程教会 Agent 设计，却不教生产环境

> João Moura 的 DeepLearning.AI 课程很贴合客户工作流，却很少讲系统怎样在真实数据上站稳。

原文: https://fdetimes.net/zh/books-courses/crewai-course-joao-moura-review/

这门课共有 18 个视频和 7 个代码示例，总时长约 3 小时 6 分钟。这就是“Multi AI Agent Systems with crewAI”的全部内容。它是 DeepLearning.AI 上的一门入门级短课，讲师是 CrewAI 创始人兼 CEO João Moura。课程于 2024 年 5 月上线，官方页面显示的最近更新日期是 2026 年 10 月 27 日。

对前线部署工程师（FDE）来说，问题不在于这门课好不好，而在于面对真实的客户工作流时，这三个小时能给你什么。这门课非常擅长教你把一个业务流程拆成几个 Agent 的工作。

但对于系统接触真实数据后靠什么站稳，它几乎没有涉及。弄清这条界线在哪里，就知道哪些部分该细学、哪些可以略过。

## 这三个小时比想象中更贴近 FDE 的工作

根据官方介绍，课程讲的是如何设计 Agent、如何组织一组 Agent 完成多步骤任务，然后应用到 6 个常见业务工作流上。课程内容包括 Agent、工具、任务，以及 Agent 之间如何协作。代码示例涵盖客户支持、外联营销、活动策划、财务分析，还有一个按岗位定制求职材料的 crew。

这份清单正是客户会带给你的需求。客户很少直接说“帮我做 Agent”，他们会说：减轻客服台的负担，缩短财务报告的准备时间，或者统一外联邮件的写法。这门课训练的，就是看到这样的工作流后，把它拆成角色和任务的习惯。

课程目前免费，但只是 DeepLearning.AI 平台公测期间的限时免费。把链接发给同事或客户之前，先再确认一下页面。

## 第一点：role、goal 和 backstory 就是岗位说明

CrewAI 文档用三个字段定义一个 Agent：role、goal 和 backstory。其中 backstory 提供 Agent 的背景和性格。从 FDE 的角度看，这三个字段就是写给模型的岗位说明。

设想一家保险公司的客户支持 crew。其中一个“保单查询专员” Agent 的目标是引用正确的条款，它的 backstory 写明：只能引用内部文档。

要写出这些内容，就得问那几个经典的客户需求调研问题：现在谁在做这项工作，他们的考核标准是什么，什么事情绝对不能做。

到客户现场要做的第一件事：和实际负责这项工作流的人一起写 role、goal 和 backstory，而不是自己闭门写。

## 第二点：每个循环都要有上限

框架用 max_iter 限制 Agent 的循环次数，默认值为 20；达到上限后，Agent 必须给出当前最好的答案。无论课程是否提到，FDE 都得盯住这个数字。

算一笔账：一个 crew 有 3 个 Agent，每次迭代至少调用一次模型。如果每个 Agent 都跑满 20 次迭代，一个请求在停下来之前可能要调用 60 次模型。再乘以每天几千张工单，这就是客户会拿来问你的成本和延迟问题，而不是去问讲师。

重跑客户支持示例时，记录每个任务实际的迭代次数，然后把 max_iter 降到刚好够用。

## 第三点：演示和部署的区别在 Flows 这一层

根据 CrewAI 文档，Flows 把多个 Crew 连接成结构化、事件驱动的工作流。Flows 管理带类型的状态，并在出错或重启后自动恢复。这正是演示用的 notebook 和为客户运行的系统之间的分界线。

让一个求职材料定制 crew 顺利跑通一次很容易。但一条处理数百份申请的数据管道如果中途停下，必须知道自己做到了哪一步；否则只能从头再来，再付一遍钱。

**要点:** 演示证明的是想法。要证明一个系统，需要状态、上限和评测。

## 学习顺序，以及哪些可以跳过

如果刚接触 Agent，就把整门入门课学完，7 个示例全部重跑一遍。如果已经做过 Agent，概念部分快速浏览，把时间花在 Agent 协作的几节课上。活动策划和外联示例不必做成完整产品，它们只是帮助理解概念的练习。

接下来学 Coursera 上的“Design, Develop, and Deploy Multi-Agent Systems with CrewAI”，讲师同样是 João Moura。课程内容包括：用 traces 监控和调试 Agent，用 LLM-as-a-Judge 评测行为，使用 MCP 服务器，以及添加 guardrails、hooks，并用 Flows 精细控制执行。

Coursera 标注的学习时长约为 2 周、每周 10 小时，比第一门课重得多，但这正是 FDE 最需要的部分。

## 把课程变成简历上的证据

结业证书无法让雇主看出你能否处理真实数据。不如针对一个具体工作流做一个 crew，比如用公开数据给客服工单分类。把它包进一个 Flow，记录 traces，用 LLM-as-a-Judge 打分，再写一份 README，说明你选了多大的 max_iter、为什么这样选。

阅读 FDE 岗位描述时，留意 evaluation、guardrails 和 observability 这几个词。它们正是第二门课讲的内容，介绍项目时应该放在第一行。

跟 João Moura 学三个小时，能学会如何在一组 Agent 之间分工。FDE 工作的其余部分，是向客户证明：没人盯着的时候，这组 Agent 依然在做正确的事。

**本周动手试试:**

- 重跑课程里的客户支持示例，记录每个任务实际的迭代次数，然后把 max_iter 降到刚好够用。
- 选一个真实工作流，比如客服工单分类。像给新员工写岗位说明那样，为每个 Agent 写好 role、goal 和 backstory。
- 打开 Coursera 课程页面，看看 traces 和 guardrails 部分；如果目标是做 Agent 方向的 FDE 岗位，预留出 2 周、每周 10 小时的时间。

## 信源

- [Multi AI Agent Systems with crewAI – DeepLearning.AI](https://www.deeplearning.ai/courses/multi-ai-agent-systems-with-crewai)

- [🌟 New Course! Enroll in Multi AI Agent Systems with crewAI](https://community.deeplearning.ai/t/new-course-enroll-in-multi-ai-agent-systems-with-crewai/628066)

- [Multi AI Agent Systems with crewAI – DeepLearning.AI short course](https://www.deeplearning.ai/short-courses/multi-ai-agent-systems-with-crewai/)

- [Design, Develop, and Deploy Multi-Agent Systems with CrewAI – Coursera](https://www.coursera.org/learn/design-develop-and-deploy-multi-agent-systems-with-crewai)

- [Flows – CrewAI Documentation](https://docs.crewai.com/en/concepts/flows)

- [Agents – CrewAI Documentation](https://docs.crewai.com/en/concepts/agents)