基于 Qwen2.5-Coder 与 CrewAI 构建智能编程系统

# 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

2. 角色定义

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：

• 软件工程师：负责根据需求编写程序代码。
• 质量工程师：发现并修复软件工程师的代码 Bug 和错误。
• 首席质量工程师：检测程序完整性，并检测是否符合软件需求。

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

【第一步：配置 Qwen2.5-Coder 大模型】

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。

【第二步：定义 3 个角色（即：3 个智能体）】

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
    )

【第三步：定义 3 个任务（即：3 个智能体的任务）】

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
    )

【第四步：定义团队，组织智能体协同执行任务】

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

3. 执行过程监控

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。

4. 运行生成的程序

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！

三、常见问题与最佳实践

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。

1. 模型响应超时或中断

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：

• 检查 Ollama 进程是否正常运行：ollama ps
• 尝试减小模型参数量（如从 7B 切换到 1.5B）进行测试。
• 增加 timeout 参数（如果 CrewAI 版本支持）或在脚本中添加重试机制。

2. 代码格式不符合预期

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。

3. 智能体协作冲突

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。

4. 扩展性建议

• 增加角色：可以根据需求增加'产品经理'角色来细化需求描述，或增加'安全审计员'角色。
• 记忆功能：利用 CrewAI 的 Memory 功能，让智能体记住之前的对话上下文，提高长任务的连贯性。
• 工具集成：可以为智能体挂载外部工具，如代码解释器、搜索引擎等，增强实际解决问题的能力。

四、总结

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。