多智能体内容生产流水线
多个AI Agent协作完成内容创作：选题、研究、写作、编辑、发布全流程自动化。
项目概述
内容创作是知识密集型工作的典型代表——一个好的创作者需要同时具备创意灵感、资料调研、写作表达、插图制作、SEO 优化等多种能力。个人精力有限，团队协作成本又高。
本案例展示了一个由 5 个专业 AI Agent 组成的内容生产流水线，分别承担"选题策划"、"深度研究"、"内容撰写"、"视觉制作"、"审查优化"五个角色。Agent 之间通过中间产物（选题库、研究摘要、草稿、配图、成稿）异步协作，形成一条自动化内容生产流水线。
关键指标
系统架构
基于 CrewAI 框架搭建的多 Agent 协作系统，采用「写作间」模式：每个 Agent 在自己的工作区完成任务，通过共享的 Redis 消息队列传递任务状态。
┌──────────────────────────────────────────────────────┐ │ 编辑主管 (Human-in-the-Loop) │ ├──────────────────────────────────────────────────────┤ │ │ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌────────┐ │ │ │ 选题 Agent│─▶│ 研究 Agent│─▶│ 写作 Agent│─▶│ 审查 │ │ │ │ │ │ │ │ │ │ Agent │ │ │ │ 热点追踪 │ │ 资料收集 │ │ 文章撰写 │ │ 质量检查│ │ │ │ 竞品分析 │ │ 事实验证 │ │ 风格适配 │ │ SEO优化 │ │ │ │ 价值判断 │ │ 数据整理 │ │ 结构规划 │ │ 格式修复│ │ │ └─────┬────┘ └─────┬────┘ └─────┬────┘ └────┬───┘ │ │ │ │ │ │ │ │ └─────────────┴─────────────┴─────────────┘ │ │ │ │ │ ┌───────▼───────┐ │ │ │ 视觉 Agent │ │ │ │ 封面图 / 插图 │ │ │ └───────────────┘ │ │ │ ├──────────────────────────────────────────────────────┤ │ 发布管道 (GitHub Actions) │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 自动化构建 │ │ 草稿发布 │ │ 正式发布 │ │ │ └──────────┘ └──────────┘ └──────────┘ │ └──────────────────────────────────────────────────────┘
实现细节
选题策划模块
热点追踪
选题 Agent 每隔 4 小时扫描预设的 RSS 源、GitHub Trending、HackerNews、社交媒体讨论，提取高热度话题。
价值评估
对每个候选话题进行多维度评分：搜索热度（Google Trends）、竞争强度（已有同质内容数量）、时效性、读者兴趣匹配度。
选题产出
生成选题简报发送到编辑主管审核，包含：建议标题、核心论点、目标读者群体、预计阅读时间、竞争分析。编辑确认后进入创作 pipeline。
研究与写作流水线
深度研究
研究 Agent 根据选题自动搜索各大平台（学术论文、技术博客、官方文档、社区讨论），提取关键事实、数据、引用来源，形成研究简报。
并行写作
写作 Agent 根据研究简报和模板（教程型、对比型、方案型等），自动生成初稿。支持多语言输出，默认用中文撰写，可自动翻译为英文版。
视觉制作
视觉 Agent 分析文章内容结构，自动生成封面图、信息图、架构图和截图标注。使用 DALL·E 生成封面图，Mermaid 生成技术架构图。
审查与发布
三重审查
审查 Agent 执行三层检查：事实核对（验证引用的准确性和时效性）、格式修正（Markdown 规范、代码块、链接检查）、SEO 优化（关键词密度、标题优化、元描述）。
草稿推送
审查通过的文章自动推送至 WordPress/Notion 草稿箱，附带封面图、标签分类、SEO 元数据。编辑主管可在发布前做最终确认。
发布部署
确认后自动发布，同时生成多平台适配版本（微信公众号排版、知乎富文本、Twitter 摘要卡片），更新站点地图和 RSS。
CrewAI Agent 配置
from crewai import Agent, Task, Crew, Process
# 1. 定义专业 Agent
researcher = Agent(
role="深度研究员",
goal="深入挖掘选题相关的权威资料和数据",
backstory="你是一位资深技术研究员，擅长从海量信息中提取关键事实和数据。",
tools=[web_search, arxiv_search, rss_reader],
allow_delegation=False,
verbose=True
)
writer = Agent(
role="技术作者",
goal="根据研究简报撰写高质量的技术文章",
backstory="你是一位有10年经验的技术写作者，文章结构清晰、表达准确。",
tools=[writing_assistant, markdown_formatter],
allow_delegation=False,
verbose=True
)
editor = Agent(
role="审查编辑",
goal="确保文章质量达到发布标准",
backstory="你是一位严格的编辑，注重事实准确性、格式规范和SEO优化。",
tools=[fact_checker, seo_analyzer, grammar_corrector],
allow_delegation=False,
verbose=True
)
# 2. 定义任务
research_task = Task(
description=f"为选题'{topic}'搜集相关资料",
expected_output="结构化的研究简报，包含关键事实和数据来源",
agent=researcher
)
writing_task = Task(
description="根据研究简报撰写3000字技术文章",
expected_output="完整的Markdown格式文章初稿",
agent=writer
)
review_task = Task(
description="审查文章质量，执行SEO优化",
expected_output="经过审查和优化的最终稿件",
agent=editor
)
# 3. 编排流水线
crew = Crew(
agents=[researcher, writer, editor],
tasks=[research_task, writing_task, review_task],
process=Process.sequential, # 顺序执行
verbose=True
)
result = crew.kickoff()经验教训
- Agent 间的信息传递是最大瓶颈 — 研究简报写得不好，写作质量直接下降。建议每次输出的格式严格结构化（JSON schema），而非自由文本
- 人工审核不可省略 — AI 生成内容的幻觉、过时信息、引用造假问题仍然存在，尤其是涉及数据和技术细节的段落需要人来把关
- 选题 Agent 需要持续优化评分模型 — 一开始选题命中率只有 30%，经过 2 周的反馈训练后提升到 70%+
- 视觉 Agent 的成本不可忽视 — 每篇文章的封面图和信息图调用 DALL·E 约需 $0.1-0.3，建议建立封面图模板库减少调用次数