三个agent需分工明确：研究员专攻关键词与竞品分析，撰写者按seo规则生成5个28–36字符动词开头标题，校验员依媒体主编标准评估情感与冗余；须统一本地模型、严格匹配agent字段、顺序执行任务链。
☞☞☞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☜☜☜
明确标题优化工作流的智能体分工
你需要让三个角色各司其职：一个专攻关键词挖掘与竞品标题分析，一个负责基于SEO规则生成候选标题，第三个专注人工风格校验与情感强度评估——不能让同一个Agent既查数据又写标题还改语气，否则输出会模糊、重复、缺乏专业纵深。
研究员Agent必须绑定SerperDevTool或本地网页搜索工具，否则无法获取真实竞品标题样本；撰写者Agent的goal字段里要明确写入“生成5个含主关键词、长度28–36字符、含动词开头的标题”，避免模型自由发挥导致格式失控；校验员Agent的backstory中需强调“曾为科技媒体主编，拒绝对比级副词和空洞形容词”，这直接影响它筛掉“超级无敌好用”这类无效表达。
三个Agent的llm参数必须统一指向同一本地模型实例（如ollama run llama3:8b），【不同Agent调用不同模型会导致语义风格断裂，标题列表读起来像拼凑】。
配置任务链与上下文传递
第一步：定义research_task，description写“搜索近30天内‘AI写作工具’相关文章TOP10的标题及点击率预估，提取高频动词与数字结构”，expected_output限定为JSON格式，含title_list、verb_freq、num_pattern三项键值。
第二步：定义write_task，description写“基于research_task结果，生成5个符合Google标题规范的候选标题”，在context字段填research_task，确保撰写者能直接引用动词频次和数字模板。
第三步：定义review_task，description写“对write_task输出的5个标题逐条打分（1–5分），标注冗余词、长度超标项、情感过载点”，agent字段必须指定校验员，且allow_delegation=False——这一步禁止转交，必须由校验员亲自判。
注意：tasks.yaml中所有task的agent字段值，必须与agents.yaml中role字段的字符串完全一致，大小写和空格都不能错，否则Crew启动时会报KeyError。
组装Crew并启用顺序流程
在crew.py中导入已定义的三个Agent和三个Task对象。
调用Crew()构造函数时，传入agents=[researcher, writer, reviewer]，tasks=[research_task, write_task, review_task]，process=Process.sequential。
设置verbose=2，这样能看到每个Agent的原始思考链和中间输出，便于定位标题生成卡在哪个环节。
最后执行crew.kickoff(input={"topic": "AI写作工具"})，输入必须是字典格式，key名要与Agent backstory或task description里的占位符{topic}严格匹配。
