基于 Qwen2.5-Coder 模型和 CrewAI 多智能体框架构建智能编程系统的实战方案。内容涵盖 Qwen2.5-Coder 的本地 Ollama 部署步骤，CrewAI 环境的配置与依赖安装，以及三个智能体角色（软件工程师、质量工程师、首席质量工程师）的定义与任务编排。通过具体代码示例演示了如何输入需求、执行任务链并保存生成的 Python 代码。文章还包含了运行贪吃蛇游戏的验证过程，以及针对模型响应超时、代码格式异常等问题的排查建议和最佳实践，展示了大模型在代码生成与审查自动化方面的应用潜力。
9 月 19 日，阿里开源了 Qwen2.5 系列大模型全家桶。除常规的语言模型 Qwen2.5 之外，还发布了专门针对编程的 Qwen2.5-Coder 模型和数学的 Qwen2.5-Math 模型，并且针对每个模型都提供了不同规模参数版本。
在国内开源大模型中，Qwen2.5 系列表现突出。本文重点介绍如何利用 Qwen2.5-Coder 结合 CrewAI 多智能体框架，实现一个能根据软件需求编写程序代码的系统。
本文将分为以下三部分：
为了快速在本地部署和推理大模型，我们将使用 Ollama。关于 Ollama 的详细介绍和使用教程，可参考官方文档或社区资源。
首先确保已安装 Ollama 程序。Windows、macOS 和 Linux 用户均可通过官网下载安装包进行安装。
安装好 Ollama 程序之后，通过以下一条命令，即可完成大模型的下载和部署：
ollama run qwen2.5-coder:7b
下载和部署成功之后，Ollama 默认自带了一个终端对话窗口，可以直接进行交互测试。
至此，Qwen2.5-Coder 模型本地部署就成功了，接下来我们来实现多智能体代码逻辑。
CrewAI 是一个强大的多智能体框架，允许开发者定义多个具有特定角色的 AI 代理（Agent），让它们协同工作以完成复杂任务。
工欲善其事，必先利其器。我们先准备一下 CrewAI 的研发环境，推荐使用 Miniconda 管理 Python 虚拟环境。
# Python 虚拟环境名：CrewAI，版本号：3.10
conda create -n CrewAI python=3.10 -y
# 激活虚拟环境
conda activate CrewAI
# 安装 CrewAI 框架依赖
pip install crewai
此外，由于我们的示例将生成贪吃蛇游戏，还需要安装 pygame 库：
pip install pygame
我们的编程智能体为游戏智能编程团队，这个团队由 3 个角色 组成（即：3 个智能体），他们的工作职责设定如下：
我们通过以下步骤，完成 游戏智能编程团队 整体逻辑（Python 文件：CrewAI-Game.py），首先我们需要导入程序的均依赖类：
import os
from textwrap import dedent
from crewai import Agent, Task, Crew
我们需要配置环境变量，让 CrewAI 能够连接到本地运行的 Ollama 服务。
# 配置模型（qwen2.5-coder:7b）
os.environ["OPENAI_API_BASE"] = 'http://127.0.0.1:11434/v1'
os.environ["OPENAI_MODEL_NAME"] = 'qwen2.5-coder:7b'
os.environ["OPENAI_API_KEY"] = 'EMPTY'
注意：OPENAI_API_BASE 指向 Ollama 的默认 API 地址，OPENAI_API_KEY 设置为空字符串即可绕过认证。
3 个智能体分别是：高级软件工程师、高级质量工程师和首席质量工程师。
# 3 个智能体逻辑
def senior_engineer_agent():
"""高级软件工程师智能体"""
return Agent(
role='高级软件工程师',
goal='根据需求完成软件编程',
backstory=dedent('''你是一位国际领先的科技公司的高级软件工程师。
你非常擅长 Python 编程，并尽自己的最大努力编写功能齐全、运行良好的完美代码。
'''),
allow_delegation=False,
verbose=True
)
def qa_engineer_agent():
"""高级软件质量工程师智能体"""
return Agent(
role='高级软件质量工程师',
goal='分析程序代码，找出其中的错误，并修复这些错误代码',
backstory=dedent('''你是一位检测代码的高级工程师。
你对代码细节很敏锐，非常擅长找出代码中的 Bug，包括检查是否缺少导入、变量声明、不匹配括号和语法错误等。
您还能检查出代码的安全漏洞和逻辑错误。
'''),
allow_delegation=False,
verbose=True
)
def chief_qa_engineer_agent():
"""首席软件质量工程师智能体"""
return Agent(
role='首席软件质量工程师',
goal='确保代码实现了需求',
backstory='''你怀疑程序员没有按照需求编写软件，你特别专注于编写高质量的代码。''',
allow_delegation=True,
verbose=True
)
与 3 个智能体对应，每个智能体均对应有 1 个任务：
# 3 个任务逻辑
def code_task(agent, game):
return Task(
description=dedent(f'''你将按照软件需求，使用 Python 编写程序:
软件需求
------------
{game}
'''),
expected_output='你的输出是完整的 Python 代码，特别注意只需要输出 Python 代码，不要输出其他任何内容！',
agent=agent
)
def review_task(agent, game):
return Task(
description=dedent(f'''你将按照软件需求，进一步使用 Python 完善给定的程序:
软件需求
------------
{game}
根据给定的 Python 程序代码，检查其中的错误。包括检查逻辑错误语法错误、缺少导入、变量声明、括号不匹配，以及安全漏洞。
'''),
expected_output='你的输出是完整的 Python 代码，特别注意只需要输出 Python 代码，不要输出其他任何内容！',
agent=agent
)
def evaluate_task(agent, game):
return Task(
description=dedent(f'''你将按照软件需求，进一步使用 Python 完善给定的程序:
软件需求
------------
{game}
查看给定的 Python 程序代码，确保程序代码完整，并且符合软件需求。
'''),
expected_output='你的输出是完整的 Python 代码，特别注意只需要输出 Python 代码，不要输出其他任何内容！',
agent=agent
)
CrewAI 中，Crew 代表团队，它有 agents 和 tasks 这 2 个核心属性，最终通过 kickoff() 方法触发执行整个流程：
# 团队逻辑
print('')
game = input('# 您好，我们是游戏智能编程团队，请输入游戏的详细描述：\n\n')
print('')
# 智能体
senior_engineer_agent = senior_engineer_agent()
qa_engineer_agent = qa_engineer_agent()
chief_qa_engineer_agent = chief_qa_engineer_agent()
# 任务
code_game = code_task(senior_engineer_agent, game)
review_game = review_task(qa_engineer_agent, game)
approve_game = evaluate_task(chief_qa_engineer_agent, game)
# 团队
crew = Crew(
agents=[
senior_engineer_agent,
qa_engineer_agent,
chief_qa_engineer_agent
],
tasks=[
code_game,
review_game,
approve_game
],
verbose=True
)
# 执行
game_code = crew.kickoff()
最后，我们拿到 Python 代码之后，希望能保存到本地文件（Python 文件：Game.py）：
# 输出
print("\n\n########################")
print("## 游戏代码结果")
print("########################\n")
print(game_code)
# 存储代码
filename = 'Game.py'
print("\n\n########################\n")
with open(filename, 'w', encoding='utf-8') as file:
file.write(game_code)
print(f"游戏代码已经存储到文件： {filename}")
print(f'你可以运行游戏：python {filename}')
以上步骤即完成了我们智能编程团队代码，接下就可以执行了：python CrewAI-Game.py
CrewAI 执行过程中，我们可以看到 3 个智能体执行的详细信息，包括思考过程、工具调用（如有）和最终输出。
最后，我们运行本地存储的小游戏程序：python Game.py
因为程序使用到了 Pygame 包，如果虚拟环境没有的话，需要安装一下：pip install pygame
最终我们运行起来了贪吃蛇游戏：
至此，本次需求基本完成了。我们通过定义的 3 个智能体和对应的任务，最终智能体与 Qwen2.5-Coder 交互完成软件需求程序的编写。
程序最终还能跑起来，这也进一步体现了 Qwen2.5-Coder 模型的语言和代码推理能力！
在实际开发中，可能会遇到一些常见问题，以下是排查思路和最佳实践建议。
如果 crew.kickoff() 执行时间过长或中断，可能是由于本地显存不足或网络请求超时。建议：
ollama pstimeout 参数（如果 CrewAI 版本支持）或在脚本中添加重试机制。有时模型输出的代码可能包含 Markdown 标记（如 python ... ）。可以在 Prompt 的 expected_output 中强调'仅输出纯文本代码'，或者在接收输出后使用正则表达式清洗。
如果多个智能体互相覆盖对方的修改，可以调整 allow_delegation 参数。例如，让首席质量工程师拥有更高的权限，或者设置任务顺序为串行而非并行，确保逻辑闭环。
本文详细介绍了如何基于 Qwen2.5-Coder 模型和 CrewAI 多智能体框架构建智能编程系统。通过本地部署 Ollama 实现低成本推理，利用 CrewAI 编排多个专业角色（工程师、QA、审核），实现了从需求输入到代码生成、审查、落地的全流程自动化。
这一方案不仅展示了大模型在代码生成领域的潜力，也为构建更复杂的 AI 辅助开发工具提供了可行的技术路径。随着模型能力的进一步提升和多智能体框架的成熟，未来有望实现更自主的软件工程自动化。
注：本文旨在技术交流，代码仅供参考。生产环境使用时请注意数据安全和模型合规性。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online