🏢 第十一章：建立你的自動化跨國企業 (Multi-Agent Team)

在前面的課程中，我們已經學會了如何寫單一的爬蟲程式、建立單一的後端伺服器。但是，在真實的商業世界中，要完成一件有價值的事情，例如：「產出一份台灣露營車市場的商業分析報告」，絕對不是一個人 (或一個單一的 LLM Prompt) 可以完成的。

如果你直接在 ChatGPT 輸入：「幫我寫一份露營車市場報告」，它會吐出一篇充滿幻想、沒有真實數據的廢話。

真正的解決方案是 「分工 (Delegation)」。你需要：

資料搜尋員：去網路上爬取最新的新聞和數據。
數據分析師：將搜尋員找回來的數據進行清洗、分析趨勢。
文案撰稿人：將枯燥的分析數據，包裝成吸引投資人的商業報告。
品質把關者 (QA)：檢查報告有沒有錯字、邏輯通不通順。

在以前，你必須花錢雇用這四個人。但現在，有了 CrewAI 框架，你可以用 Python 瞬間「實例化」這四個 AI 員工，並把它們組成一個團隊 (Crew)。這堂價值連城的實戰課，我們將帶你寫出這套大師級的跨國企業自動化架構！

🤖 實戰 1：精準捏造 AI 員工的人格 (Agent Persona)

在 CrewAI 中，AI 的能力取決於你賦予它的「人格 (Persona)」。你給的角色設定越詳細，大語言模型 (如 GPT-4o 或 Claude 3.5 Sonnet) 扮演得就越像，輸出就越專業。

💡 Vibe Prompt 實戰 1：打造頂尖的市場分析師與撰稿人

不要自己去想那些形容詞，直接讓 AI 幫你寫出最逼真的 Prompt！

[!IMPORTANT] 請複製以下 Prompt 傳送給 AI：

我正在用 Python 的 CrewAI 框架組建一個虛擬團隊。團隊目標是產出「高質感的市場分析報告」。 請幫我定義兩個 Agent： 1. Senior Market Researcher (資深市場研究員) 2. Expert Content Strategist (首席內容策略師) 請給我這兩個 Agent 的 Python 宣告程式碼。 必須包含：role, goal, backstory。 其中 backstory 必須極度詳盡且專業，描述他們在麥肯錫或頂尖公關公司的工作經驗，以及他們敏銳的直覺和嚴格的標準。

🤖 AI 生成的百萬年薪員工設定：

from crewai import Agent

# 員工 1：資深市場研究員
researcher = Agent(
    role='資深市場研究與數據分析師',
    goal='挖掘網路上最深層、最新的市場數據與趨勢，並將雜亂的資訊過濾成高價值的核心情報。',
    backstory=(
        '你曾在麥肯錫 (McKinsey) 擔任過 10 年的首席分析師。'
        '你擁有如鷹眼般銳利的直覺，能夠從海量、看似無關的新聞和論壇文章中，找出潛在的商業爆發點。'
        '你對於數據的真實性有著近乎偏執的要求，絕不接受沒有來源的假設。'
        '你擅長使用各種搜尋工具，是團隊中的「情報之眼」。'
    ),
    verbose=True,
    allow_delegation=False # 負責基層勞動，不能再把工作推給別人
)

# 員工 2：首席內容策略師
writer = Agent(
    role='首席商業內容與公關策略師',
    goal='將枯燥的市場數據，轉化為具有極強說服力、能讓投資人一秒買單的商業故事與簡報文章。',
    backstory=(
        '你曾是華爾街頂級投行的御用文案，也是多間世界 500 強企業的公關顧問。'
        '你深知「數據是冰冷的，但故事是有溫度的」。'
        '你擅長運用精準、優雅且具備煽動性的商業詞彙。'
        '你的文章排版總是無可挑剔，對於 Markdown 語法更是爐火純青。'
    ),
    verbose=True,
    allow_delegation=False
)

🔍 深度解析： 這就是 Agentic AI (智能體) 與傳統 LLM 對話的最大差異。當你賦予了 writer 曾在華爾街工作的背景後，它寫出來的句子會自動變成：「隨著資本市場的板塊推移，露營車產業正迎來前所未有的價值重估...」，而不是小學生寫的：「露營車現在很受歡迎喔，大家都很喜歡。」這就是所謂的 Role-playing (角色扮演) 紅利。

🎯 實戰 2：切割工作任務 (Task Decomposition)

有了員工，不能讓他們無所事事。我們必須指派工作 (Task)。在多代理系統中，任務的切割是一門藝術。你不能直接把「寫報告」這個大任務丟給他們。你必須切割成「搜集資料」與「撰寫文章」兩個步驟。

💡 Vibe Prompt 實戰 2：定義上下文相依的流水線任務

[!IMPORTANT] 請複製以下 Prompt 傳送給 AI：

我有了 researcher 和 writer 兩個 Agent。 請幫我定義兩個 CrewAI Task。 主題是："2024年台灣露營車市場的爆發趨勢"。 Task 1 (research_task)：交給 researcher，要求他去尋找近期的市場規模、熱門營地數量、消費者痛點。 Task 2 (write_task)：交給 writer，要求他「接收上一個任務的結果」，寫成一篇包含前言、數據分析、未來展望的 Markdown 長文。 請在 Python 程式碼中強調 expected_output 的重要性。

🤖 AI 的高階專案管理派令：

from crewai import Task

# 任務 1：市場深度調查
research_task = Task(
    description=(
        '請針對「2024年台灣露營車市場的爆發趨勢」進行深度調查。'
        '找出以下三個核心情報：'
        '1. 目前台灣露營車/車泊的市場規模或成長率預估。'
        '2. 近期爆紅的 3 個知名車泊地點及其特色。'
        '3. 消費者在車泊時遇到的最大痛點 (如衛浴、供電問題)。'
    ),
    expected_output=(
        '一份結構化的情報摘要，必須包含清晰的數據點(Data Points)與來源說明，'
        '請勿加入多餘的主觀評論，只需提供最純粹、最有價值的客觀情報。'
    ),
    agent=researcher
)

# 任務 2：商業報告撰寫
write_task = Task(
    description=(
        '請根據 researcher 剛才提供的情報摘要，撰寫一篇準備發布在科技商業週刊上的專欄文章。'
        '文章標題請自擬，必須極具吸引力。'
        '文章結構必須包含：【執行摘要】、【市場動能】、【熱門標的分析】、【痛點即商機】四個段落。'
    ),
    expected_output=(
        '一篇至少 1000 字的完整 Markdown 文章。'
        '必須使用 H2 和 H3 標題進行排版。重點數據必須使用**粗體**標示。'
        '絕對不可捏造 researcher 沒有提供的數據 (拒絕幻覺)。'
    ),
    agent=writer
)

🔄 實戰 3：建立企業總部 (Crew) 與執行流程 (Process)

員工找好了，任務也發下去了。現在我們要把它們關進會議室裡，讓它們開始工作。在 CrewAI 中，這間會議室叫做 Crew，而開會的方式叫做 Process。

💡 Vibe Prompt 實戰 3：啟動循序漸進 (Sequential) 的工作流

[!IMPORTANT] 請複製以下 Prompt 傳送給 AI：

請幫我將剛才的 agents 和 tasks 整合進一個 Crew 實體中。 設定 process 為 Process.sequential (循序漸進)，也就是 Task 1 做完才會交給 Task 2。 請示範如何呼叫 kickoff() 來啟動這個團隊，並將最終寫好的文章結果印出來，並且寫入一個名為 "market_report.md" 的檔案中。

🤖 AI 的企業執行引擎：

from crewai import Crew, Process

# 建立自動化團隊
tech_startup_crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential, # 循序漸進：研究員先查資料，寫手再根據資料寫文章
    verbose=True # 開啟日誌，讓你在終端機可以看到員工思考的過程
)

print("🚀 CEO 下達指令！虛擬團隊開始運作...")

# 🔥 啟動！這個動作可能會執行 1~3 分鐘，這期間你可以去泡杯咖啡
result = tech_startup_crew.kickoff()

print("==========================================")
print("🏆 團隊任務完成！最終產出報告如下：\n")
print(result)

# 將價值連城的報告存入實體檔案
with open("market_report.md", "w", encoding="utf-8") as f:
    f.write(result)
    
print("💾 報告已成功儲存為 market_report.md")

🔍 深度解析： 當你執行這段程式碼時，終端機的畫面會讓你驚豔無比。你會看到 researcher 說："I need to find data about Taiwan camping car market..." 接著你會看到 writer 說："I have received the data from the researcher. Now I will structure it into an engaging article..."

這就是 AI 互相溝通的魔力。由於我們設定了 Process.sequential，writer 在執行任務時，CrewAI 會在背後偷偷把 researcher 剛才產出的那串情報摘要，當成「背景知識」塞給 writer。這完美解決了 ChatGPT 無法串聯多個複雜步驟的問題！

🌐 實戰 4：如果 AI 不會上網怎麼辦？(給予工具 Tools)

你可能已經發現了一個問題：researcher 很聰明，但如果他沒有「上網」的工具，他只能用他大腦裡（訓練資料）舊的、過時的記憶來寫報告。他根本不知道 2024 年發生了什麼事！

這就是大語言模型最大的致命傷：知識斷層與幻覺 (Hallucination)。為了解決這個問題，我們必須給我們的員工配備「筆記型電腦與 Google 搜尋引擎」。在 CrewAI 中，這叫做給予 Tools (工具)。

💡 Vibe Prompt 實戰 4：為研究員裝備 Serper 搜尋引擎工具

在業界，最常用的 AI 搜尋引擎是 SerperDevTool (Google 搜尋 API)。

[!IMPORTANT] 請複製以下 Prompt 傳送給 AI：

我的 researcher 員工沒有最新的市場資訊，發生了幻覺。 請教我如何整合 crewai_tools 中的 SerperDevTool，讓 researcher 可以自己上 Google 搜尋最新資訊。 請提供如何設定環境變數 SERPER_API_KEY，以及如何將這個 tool 綁定給 researcher 的程式碼。

🤖 AI 的神裝武器庫：

import os
# 從官方工具箱中引入超強的 Google 搜尋工具
from crewai_tools import SerperDevTool

# 設定 API 金鑰 (請去 serper.dev 免費註冊拿金鑰)
os.environ["SERPER_API_KEY"] = "你的_SERPER_API_KEY"

# 實例化搜尋工具
search_tool = SerperDevTool()

# 重新定義我們的研究員，為他配備神裝！
researcher = Agent(
    role='資深市場研究與數據分析師',
    goal='挖掘網路上最深層、最新的市場數據與趨勢。',
    backstory='...',
    verbose=True,
    allow_delegation=False,
    # 🔥 關鍵在這裡！把工具掛載到員工身上
    tools=[search_tool] 
)

🔍 深度解析： 當你為 researcher 裝備了 search_tool 後，奇蹟發生了。當他看到任務：「找出近期爆紅的 3 個知名車泊地點」，他會自己思考：「我不知道這是哪裡，我必須使用搜尋工具。」接著，CrewAI 會在背後自動發送一個 Google 搜尋請求，把前 10 名的網頁標題與摘要抓回來，丟給 researcher 看。如果他覺得資訊不夠，他甚至會「自己換一個關鍵字再搜尋一次」！直到他認為自己找到了正確答案，才會把報告交給 writer。這就是 自主智能體 (Autonomous Agent) 碾壓傳統腳本爬蟲的絕對優勢！

🤯 高階實戰 5：階層式管理 (Hierarchical Process) 與管理員 AI

上面的 Sequential (循序漸進) 模式很棒，但如果 researcher 偷懶，找回來的資料是錯的，writer 也只會傻傻地照寫，這就產生了「Garbage in, garbage out」的問題。

在跨國企業中，員工之上還有一個「經理 (Manager)」。 CrewAI 提供了一種極致強大的模式：Hierarchical (階層式) 管理。在這種模式下，你不需要指定誰先做誰後做。你只要給出一個大目標，CrewAI 會自動召喚一個「經理 AI (通常是 GPT-4)」。經理會自己看著 researcher 和 writer，自己分配任務給他們。如果 researcher 找回來的資料太爛，經理會把他罵一頓，叫他重找！

💡 Vibe Prompt 實戰 5：召喚大老闆，建立階層式團隊

[!IMPORTANT] 請複製以下 Prompt 傳送給 AI：

我想要把我的 CrewAI 升級為 Hierarchical (階層式) 管理架構。 請幫我修改剛才的 Crew 實體宣告。 需求： 1. 匯入 Process。 2. 將 process 設定為 Process.hierarchical。 3. 設定 manager_llm (例如使用 langchain_openai 的 ChatOpenAI 搭配 gpt-4o 模型)。 請在註解中說明階層式管理與循序式管理的差別。

🤖 AI 的企業總裁降臨：

from crewai import Crew, Process
from langchain_openai import ChatOpenAI
import os

os.environ["OPENAI_API_KEY"] = "你的_OPENAI_API_KEY"

# 召喚頂尖的 GPT-4o 模型來擔任經理
manager_brain = ChatOpenAI(model_name="gpt-4o", temperature=0)

tech_startup_crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    
    # 🔥 模式切換：從死板的工廠流水線，變成敏捷的現代企業
    process=Process.hierarchical,
    
    # 把經理的大腦安裝進去
    manager_llm=manager_brain,
    verbose=True
)

🔍 深度解析： 開啟 hierarchical 模式後，你的終端機將會上演一齣精彩的職場劇。你會看到經理發言：「為了完成這份露營車報告，我決定先把搜集數據的工作指派給 researcher...」等 researcher 回報後，經理可能會說：「這個數據沒有涵蓋到 2024 年下半年的趨勢，researcher，請你使用搜尋工具再針對 2024 年下半年做一次搜尋。」這就是 AI 的自我反思與迭代能力！你只需付給 OpenAI 一點點的 API 費用，就能擁有一個每天 24 小時為你工作的專業分析團隊！

✅ 本章總結與自動化心法

這堂長達 6000 字的大師級架構課，徹底打開了 AI 應用的天花板。

我們學到的 CrewAI 核心架構：

Agent (員工)：賦予專業的背景與性格，決定了輸出的質感。
Task (任務)：透過嚴格的 expected_output 約束 AI 不說廢話。
Tools (工具)：打破知識斷層，讓 AI 擁有連網、算數學、甚至讀取資料庫的超能力。
Process (流程)：從流水線 (Sequential) 到經理分配 (Hierarchical)，讓 AI 自己糾錯。

當你掌握了多代理架構，你就能把這套系統掛在上一堂課教的 FastAPI 後台裡。想像一下：每天早上 08:00，你的 Cron Job (定時任務) 自動喚醒這群 AI。他們自己上網搜集今天天氣、分析全台營地的訂房率、寫出一篇優美的行銷貼文，然後透過 Line API 自動推播給你的客戶。 這就是一個人經營一家跨國企業的終極秘密！

但 AI 有時候很笨，如果他怎麼搜都搜不到想要的資料怎麼辦？我們能不能自己寫一個專屬的「秘密武器工具」給他用？下一章：第十二章：Custom Tools 自訂工具與 API 串接，我們將教你如何用 Python 寫出自己的 @tool，讓你的 AI 員工可以直接連進你公司的內部資料庫，成為真正的企業大腦！我們下章見！