部署与事件监听器

恭喜！你已经构建了一个复杂的 Crew。现在是时候将它从本地机器部署到生产环境了。在本章的最后，我们将介绍生命周期钩子（Event Listeners）、安全最佳实践以及如何使用 Docker 将你的应用程序容器化。

事件监听器：挂钩生命周期

在生产环境中，你经常需要执行 AI 主要逻辑之外的操作。例如，你可能希望在每次任务完成时将数据记录到数据库中，或者在 Crew 启动时发送 Slack 通知。CrewAI 提供了充当事件监听器的回调机制。

你可以在任务（Task）层面或 Crew 层面，使用 task_callback、step_callback 或 before_kickoff 和 after_kickoff 等生命周期钩子来分配回调函数。

def on_task_completed(output):
    # 将输出发送到日志服务
    print(f"[Log] Task Finished: {output.raw[:50]}...")

research_task = Task(
    description="Research AI trends",
    expected_output="A summary report",
    agent=researcher,
    callback=on_task_completed  # 当此任务完成时触发
)

保护 API 密钥

切勿将你的 API 密钥（例如 sk-proj-...）直接硬编码到 Python 脚本中。这是一个重大的安全风险，特别是当你将代码推送到 GitHub 时。

标准做法是使用 .env 文件。CrewAI 被设计为自动查找这些环境变量。

在你的根文件夹中创建一个名为 .env 的文件。
添加你的密钥：OPENAI_API_KEY=sk-...
将 .env 添加到你的 .gitignore 文件中，这样它就不会被上传。
如果你依赖标准模型配置，CrewAI 将自动加载这些变量。

使用 Docker 容器化 CrewAI

为了确保你的 Crew 在服务器上和在你的笔记本电脑上以相同的方式运行，你应该使用 Docker。Docker 为你的代码创建一个自包含的环境（容器）。

下面是一个基于 Python 的 CrewAI 项目的标准 Dockerfile：

# 使用官方 Python 运行时作为父镜像
FROM python:3.10-slim

# 在容器中设置工作目录
WORKDIR /app

# 将当前目录内容复制到容器的 /app 目录中
COPY . /app

# 安装 requirements.txt 中指定的任何所需包
# 如果使用 poetry，则应安装 poetry 并运行 'poetry install'
RUN pip install --no-cache-dir crewai crewai-tools
RUN pip install -r requirements.txt

# 当容器启动时运行 crew 脚本
CMD ["python", "src/main.py"]

优化策略

运行 LLM 智能体（agents）可能会很昂贵。以下是两种优化成本的关键策略：

缓存：CrewAI 默认启用缓存。如果一个智能体（agent）接收到完全相同的输入并产生完全相同的工具输出，它就可以从缓存中提取结果，而不是再次调用昂贵的 LLM。请确保在你的 Crew 配置中将 cache=True 设置为真。
模型选择：并非每个智能体（agent）都需要 GPT-4。将更小、更快、更便宜的模型（如 GPT-4o-mini 或 Haiku）分配给执行简单任务（如摘要）的智能体，并将“最智能”的模型保留给复杂的推理任务。