1. CrewAI 卡在 Manager 这一步先看模型通道再看 Agent 逻辑1.1 复现一次 Manager 卡住日志停在哪一行CrewAI 把多智能体协作包装得很像带团队role、goal、tools 分配给各个 Agent再由 Manager 统一分发和监督。这个模式在文档里很顺但一进 Process.hierarchical日志往往会停在 Manager 的第一条消息上。如果模型通道没有统一TaoTokenhttps://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_contentcrewai_start建议先把 Base URL 指到 https://taotoken.net/api再回头排查 Agent 逻辑。我本地复现时最典型的报错包括litellm.AuthenticationError: api_key not providedlitellm.BadRequestError: model not foundNotFoundError: 404 page not found还有一种更隐蔽的情况完全没报错但日志长时间停在 Manager 准备任务消息那里这些报错和 Agent 的角色定义、工具回调没有关系。角色和目标写得再合理Manager 也还没走到“分发任务”那一步就已经被模型通道拦住了。排障顺序应该反过来先确认模型调用能通再看协作逻辑对不对。否则你会花大量时间检查 prompt 和工具列表实际只是 Base URL 填错了地方。在多人协作项目里这个问题更容易被误判。每个开发者本地配置的环境变量不一样A 电脑上跑得好好的B 电脑一启动就卡住第一反应往往是“代码是不是有冲突”很少有人会先检查当前进程实际发出的请求到底去了哪个端点。1.2 为什么卡在 Manager而不是普通 AgentCrewAI 底层通过 litellm 完成模型调用你传入的 model、base_url、api_key 最终都会拼成一次 HTTP 请求。Process.hierarchical 下Manager 要做的第一件事是“根据目标生成任务计划”这一步就会发起模型调用。如果这一步失败整个 Crew 自然停在这里。普通 Agent 的首次调用发生在任务被分配下来之后所以很多项目会有一种错觉单个 Agent 跑得好好的一加 Manager 就卡死。其实不是 Manager 特殊而是它比你更早触发模型请求。原文把 CrewAI 定位成“多智能体角色扮演与协作”框架核心是角色、目标和工具加 Manager 分发监督这个逻辑没有问题问题通常出在它背后请求的模型端点。要解决就是把模型通道统一到一把 Key 上。TaoToken 提供兼容的 Base URL 和 API KeyManager 每次规划、委派、验收时都走 https://taotoken.net/api普通 Agent 也走同一把 Key。视角从“多 Key 轮换、逐个模型配置”收束成“一个 Crew 一把 Key”卡住的位置也就更容易定位。2. 在 TaoToken 控制台创建 Key并分清官网和 Base URL2.1 注册并创建 API Key打开 TaoToken 完成注册进入控制台的 API Keys 页面创建一个新 Key。创建后复制字符串保存为代码里的 YOUR_API_KEY。这一步不需要为每个 Agent 单独建 Key一个项目用一把 Key 就够了Manager 和所有 Agent 共用后面看用量也会简单很多。创建 Key 时可以顺手写个备注名比如 crewai-local。这样一来用量列表里一眼就能看出哪几条请求来自当前项目不会被其它环境串扰。复制的时候也注意不要多选空格或换行常见的问题是 Key 本身没问题但粘贴时带了一段空白字符导致鉴权失败。2.2 CrewAI 填的是 Base URL不是官网地址这是最容易踩坑的地方。浏览器打开的落地页地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_contentcrewai_key但这段地址只能用于注册、创建 Key、查看模型广场和用量不能填进代码。CrewAI 的配置里只需要三个值配置项值Base URLhttps://taotoken.net/apiAPI KeyYOUR_API_KEY模型 ID以 TaoToken 模型广场当时列表为准注意 Base URL 以 /api 结尾不要补 /v1。很多项目是从 OpenAI 官方迁移过来的习惯性在末尾加 /v1结果请求打到不存在的路径上返回 404。CrewAI 的 litellm 层会自己处理路径拼接你只需要给它干净的 /api 地址。3. 把 CrewAI 指向 TaoTokenmanager_llm 与 .env 配置3.1 用 LLM 把模型通道显式指到 TaoToken最直接的方式是在代码里创建一个 LLM 对象然后把它同时传给 Manager 和各个 Agent。下面是一个可以运行的最小示例from crewai import Agent, Crew, Process, LLM manager_llm LLM( modelanthropic/claude-sonnet-4-20250514, # 请替换为 TaoToken 模型广场显示的实际模型 ID base_urlhttps://taotoken.net/api, api_keyYOUR_API_KEY ) researcher Agent( role行业研究员, goal收集与主题相关的事实数据, backstory你擅长检索资料并把结论整理成条目, allow_delegationFalse, llmmanager_llm ) writer Agent( role技术编辑, goal把研究员内容整理为结构化文稿, backstory你擅长技术写作与内容组织, allow_delegationFalse, llmmanager_llm ) crew Crew( agents[researcher, writer], processProcess.hierarchical, manager_llmmanager_llm, verboseTrue ) result crew.kickoff() print(result)researcher 和 writer 是原文提到的“角色 目标 工具”的简化版。为了让示例聚焦模型通道我没有给 Agent 挂真实工具需要接工具时在 Agent 的 tools 参数里继续加即可。关键是 manager_llm 这个对象同时复用到了各个 Agent 和 Manager 身上三个组件发起请求时打出去的都是同一个 Base URL、同一把 Key。这段代码不依赖系统环境变量因为显式传参优先级最高。如果你本地还配过其它模型的 Key也不会被串掉。对多智能体项目来说这种写法最不容易出幺蛾子。3.2 用 .env 做全局默认通道如果不想在代码里逐个传 LLM也可以在项目根目录放一个 .env 文件让 CrewAI 自动读取。以 anthropic 前缀的模型为例ANTHROPIC_BASE_URLhttps://taotoken.net/api ANTHROPIC_AUTH_TOKENYOUR_API_KEY ANTHROPIC_MODELanthropic/claude-sonnet-4-20250514保存后代码里不再显式创建 LLM 对象CrewAI 里的 Agent 和 Manager 会默认走这组环境变量。前提是 .env 已经被项目加载如果你在类 Unix 环境里启动也可以先 export 再运行脚本。要注意的是.env 和显式 LLM 同时存在时显式 LLM 优先。如果你发现 .env 没生效先确认是否安装了 python-dotenv 并在入口处加载了 .env或者直接把环境变量 export 到当前终端再试。3.3 配置时最容易写错的三个位置第一Base URL 末尾补了 /v1。OpenAI 老项目习惯这么做到这里就会 404。按 https://taotoken.net/api 填即可。第二把官网地址填进了 Base URL。官网落地页是给人访问的里面有页面路由不能当 API 端点。代码里只认 https://taotoken.net/api。第三模型 ID 从博客或教程里直接复制。不同通道的模型命名可能不同正确做法是打开 TaoToken 模型广场复制当前可用的模型 ID再填到配置里。以模型广场当时列表为准不要凭记忆写。4. 重新跑 Crew在日志里确认 Manager 分发成功4.1 用最小 Crew 验证配置是否打通配置改完后先不要急着跑完整业务。直接用上一节的代码跑一次简单任务比如“写一段 50 字的新品介绍”。任务越短越容易区分通道问题还是 Agent 逻辑问题。观察终端输出启动后能看到 Manager 相关日志说明它已经在准备任务随后能看到 Researcher 收到委派并返回结果最后 Writer 汇总输出。如果 verboseTrue日志还会打印每次调用的模型名和 token 消耗。看到这样的流程才说明 Manager 分发和普通 Agent 调用都走通了。4.2 在 TaoToken 控制台核对本次调用跑通后打开 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_contentcrewai_usage 查看用量记录。理想情况下你会看到来自同一把 Key 的多条请求时间点和刚才跑的任务吻合。它们分别对应 Manager 的计划生成、每个 Agent 的回复以及可能的最终汇总。这一步的意义在于验证“不只是能对话而是整个 Crew 的调用都真实落在同一通道上”。如果用量记录里只有零星几条可能某个 Agent 没有走到模型调用如果一条都没有说明配置没被实际使用通常是你创建了 LLM 对象但没有传给对应组件。4.3 如果还是卡从 401、404、模型 ID 三个方向查401 UnauthorizedAPI Key 复制不完整或者 Key 刚创建没有等一两分钟。回到控制台新建一把 Key重新填入代码。404 Not Found先看 Base URL确认不是 https://taotoken.net/api/v1也不是官网页面地址。model not found 或模型不存在模型 ID 不在模型广场列表里。去模型广场复制一个当前可用的 ID回来替换 model 参数。如果这些都没问题仍然卡住还有一个容易忽略的点本机是否设置了 HTTP_PROXY 或 HTTPS_PROXY 环境变量这类变量可能拦截请求。临时清掉再试一次通常能判断是配置问题还是本地网络环境问题。5. 下一步让多角色协作稳定落地5.1 沿用原文的选型思路代码级框架还是低代码平台原文把智能体开发平台分成两个梯队LangGraph、CrewAI、AutoGen 这类代码级框架和 Dify、Coze 这类可视化平台。如果你的核心目标是探索底层架构、要控制多智能体的协作细节CrewAI 显然更合适。它把角色、目标和工具拆成直观的配置Manager 负责分发和监督非常适合编写复杂流水线。这种选择带来的额外成本是你需要自己管理模型通道。TaoToken 在这里的定位不是替代框架而是让框架的每一次模型调用都走同一条稳定的 API 通道。框架仍然由你掌控Crew 的编排逻辑完全不变变的只是请求发往哪里。通道稳定了Manager 的卡顿问题才不会回来。5.2 先用模型对话试 Key再看 Coding Plan如果你在配置前想确认某把 Key 是否可用可以现在 TaoToken 模型对话 里发一条消息。能正常回复再回到 CrewAI 跑任务。这样可以避免把“Key 无效”和“Crew 逻辑错误”混在一起排查。如果你打算让多个 Agent 高频调用模型可以打开 Coding Plan 看套餐是否匹配调用量。创建新 Key 和查看用量都在 控制台 API Keys 完成。之后要把 Claude Code 这类工具也接进来时官方文档里也有对应的环境变量说明。这套配置的好处是以后项目里增加新 Agent不需要再为它单独准备 Key同一个 LLM 对象或同一组环境变量即可复用。Crew 从小规模验证到接入真实业务Manager 分发都能保持稳定你也不用再为一个“角色建一个 Key”的方式来回切配置。