deepseek 模型需通过 langchain 兼容接口接入 crewai，ollama 模型名须严格匹配（含 tag），agent 必须显式指定 llm，expected_output 要明确格式且避免弱约束词，推荐 sequential 执行模式，tool 需设 return_direct=true 防止解码错误。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
DeepSeek 模型不能直接嵌入 CrewAI 的 Agent 构造中——它必须通过 LangChain 兼容的 LLM 接口接入，否则会报 TypeError: 'DeepSeek' object is not callable 或 AttributeError: 'DeepSeek' has no attribute 'invoke'。
用 Ollama 加载 DeepSeek-R1 时，model 名称必须严格匹配
很多人卡在第一步：Ollama 中模型名和 CrewAI 初始化时传入的 model 参数不一致。例如你在终端运行 ollama run deepseek-r1:14b 成功，但在代码里写 Ollama(model="deepseek-r1") 就会失败。
- Ollama 模型名区分 tag，
deepseek-r1:14b和deepseek-r1:7b是两个不同模型，不能混用 - CrewAI 的
Agent初始化必须显式指定llm=Ollama(...)，不能依赖默认 LLM - 若使用本地 API（如
http://localhost:11434），需确认 Ollama 服务正在运行：ollama serve不是后台常驻服务，关闭终端后会退出
Task.expected_output 不只是提示词，它直接影响 DeepSeek 的输出结构
DeepSeek 对任务约束敏感，尤其在生成代码、JSON 或带格式文本时。expected_output 写得模糊（比如只写“生成测试脚本”），会导致输出冗长、含解释性文字、甚至拒绝执行；写得太死（比如硬要求“必须用 pytest.fixture”），又可能因模型知识边界触发 fallback。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
- 推荐写法：
expected_output="一个可直接运行的 Python 脚本，包含 import、test_ 开头的函数、无注释、无额外说明" - 避免用“请”“应该”“尽量”等弱约束词，DeepSeek 会按字面忽略
- 若需 JSON 输出，务必加一句：“只返回纯 JSON，不带任何 Markdown 或前导说明”
Crew 执行模式选 Process.sequential 还是 Process.hierarchical？
对 DeepSeek 来说，hierarchical 模式风险更高：它依赖一个“manager”智能体调用其他智能体，而 DeepSeek-R1 在长上下文推理中容易丢失子任务状态，导致 manager 返回空或重复分派任务。
- 默认用
Process.sequential更稳，尤其当所有 Agent 共享同一个 DeepSeek 实例时 - 若坚持用
hierarchical，必须给 manager Agent 单独配更强模型（如 GPT-4）或更高temperature=0.1降低发散 - 所有 Agent 共享同一
Ollama实例时，注意并发请求可能触发 Ollama 内存溢出（R1-14b 占约 8GB VRAM），建议加max_concurrent=1限流
自定义 Tool 调用失败，90% 是因为没设 func.return_direct = True
当你封装一个保存文件的 Tool（比如写 save_script.py），CrewAI 默认会把 Tool 返回值再喂给 LLM 做总结。但 DeepSeek 对二进制/路径类返回极不友好，常直接报 UnicodeDecodeError 或静默跳过。
- 必须显式设置：
save_tool = Tool(name="save_script", func=save_script, return_direct=True) -
return_direct=True表示该 Tool 结果不经过 LLM，直接作为 Task 输出终止流程 - 若 Tool 需要被多个 Agent 复用，别用闭包捕获变量，改用
functools.partial绑定参数，否则 DeepSeek 可能读到未初始化的self
最易被忽略的是 DeepSeek 的 token 截断行为：它对超长 backstory 或嵌套 Task.description 会主动截断中间内容，而不是报错。检查日志时重点看 verbose=True 下实际送入模型的 prompt 长度，别只信你写的字符串长度。
