P4：财务对账与合规Agent（学习文档 · 只读不搭建）

学习理念：这是学习 CrewAI 多 Agent 角色化编排的参考文档。不需要搭建运行，重点理解 CrewAI 的"角色/目标/背景故事"抽象、Flow 确定性控制、以及多 Agent 如何协作完成对账流程。读完能回答"CrewAI 的 Agent 和 LangGraph 的 Node 有什么区别"即可。

海外对标：对标 Avalara（$199/月自动报税）+ QuickBooks（$50/月记账）+ Excel 手动对账的替代方案。

本节 AI 替代率：~70% | 人工干预率：~30%

角色	能力范围
🤖 AI 擅长	生成 CrewAI Agent 定义、Task 描述、对账逻辑代码、PDF 报告生成
👤 人类需理解	CrewAI 的 Role/Goal/Backstory 抽象 vs LangGraph 的 State/Node/Edge、对账业务规则（什么时候算差异、差异如何处理）

---

一、CrewAI 核心知识

1.1 CrewAI vs LangGraph 核心差异

维度	LangGraph	CrewAI
核心抽象	State + Node + Edge（状态机）	Agent(Role/Goal/Backstory) + Task + Crew（角色扮演）
控制流	开发者手动定义边和条件	Agent 自主决定执行过程
状态管理	StateGraph + Checkpointer（精确控制）	内置 Task 记忆（轻量）
多Agent协作	Subgraph（嵌套图）	Crew（角色化团队）
GitHub Stars	~33K	~52K（社区最大）
生产使用	Klarna/Uber/J.P.Morgan	快速原型为主
典型场景	复杂审批流、Human-in-loop	文档处理、对账、调研报告
Token 消耗	高效（~18.5K/任务）	较高（~41K/任务，多Agent上下文）

1.2 三个核心概念

# CrewAI 三要素
from crewai import Agent, Task, Crew

# 1. Agent = 角色定义
analyst = Agent(
    role="数据分析师",       # 角色名
    goal="找出所有差异",     # 目标
    backstory="10年财务经验", # 背景故事（影响 LLM 行为）
    tools=[],               # 可用工具
)

# 2. Task = 任务定义
task = Task(
    description="对比两个数据源",  # 任务描述
    agent=analyst,                 # 分配给谁
    expected_output="差异列表",   # 期望输出
)

# 3. Crew = 团队编排
crew = Crew(
    agents=[analyst],          # Agent 列表
    tasks=[task],              # 任务列表
    flow="sequential",         # 执行模式
)

---

二、P4 项目架构拆解

2.1 整体流程

2.2 核心代码骨架

# CrewAI 多Agent对账系统骨架
# 🟡 【P1 看注释就行】理解 CrewAI 的角色化编排逻辑

from crewai import Agent, Crew, Task, Flow
from crewai.tools import tool

# ---- 定义工具 ----

@tool("Fetch Shopify")
def fetch_shopify(month: str) -> list[dict]:
    """从Shopify拉取订单数据"""
    return [{"order_id": "123", "amount": 150.00}]

@tool("Fetch Stripe")
def fetch_stripe(month: str) -> list[dict]:
    """从Stripe拉取支付数据"""
    return [{"tx_id": "tx_001", "amount": 148.50}]  # 含手续费

@tool("Fetch PayPal")
def fetch_paypal(month: str) -> list[dict]:
    """从PayPal拉取交易数据"""
    return []

# ---- 定义 Agent 角色 ----

fetcher = Agent(
    role="数据采集员",
    goal="从所有平台拉取指定时间范围内的交易数据",
    backstory="你擅长API对接，5分钟能拉完所有平台的数据",
    tools=[fetch_shopify, fetch_stripe, fetch_paypal],
)

reconciler = Agent(
    role="对账员",
    goal="交叉比对各平台数据，找出差异并标记",
    backstory="你有10年财务审计经验，能在海量数据中快速定位差异",
    tools=[],
)

tax_agent = Agent(
    role="税务专员",
    goal="计算每个州的 Sales Tax，确保合规",
    backstory="你精通美国50个州的税率法规",
    tools=[],
)

reporter = Agent(
    role="报告生成员",
    goal="生成清晰的对账报告和发票",
    backstory="你擅长数据可视化，能把复杂对账结果一目了然呈现",
    tools=[],
)

# ---- 定义 Task ----

fetch_task = Task(
    description="拉取 {month} 月份所有平台的交易数据",
    agent=fetcher,
    expected_output="各平台的交易数据列表",
)

reconcile_task = Task(
    description="交叉比对各平台数据，找出金额不一致的记录",
    agent=reconciler,
    expected_output="差异清单，含平台/订单号/差额/原因",
)

tax_task = Task(
    description="计算当月各州的 Sales Tax",
    agent=tax_agent,
    expected_output="各州税额汇总",
)

report_task = Task(
    description="生成对账报告和税务摘要",
    agent=reporter,
    expected_output="PDF格式的月报",
)

# ---- Crew 编排 ----

reconciliation_crew = Crew(
    agents=[fetcher, reconciler, tax_agent, reporter],
    tasks=[fetch_task, reconcile_task, tax_task, report_task],
    flow="sequential",
    verbose=True,
)

# 每月1号自动执行
result = reconciliation_crew.kickoff(inputs={"month": "2026-06"})

---

三、技术选型说明

组件	选型	原因
Agent 框架	CrewAI	多角色编排是 CrewAI 的独特优势
向量存储	Qdrant	存储各州税率向量，快速检索
报告生成	Python ReportLab	开源免费
Base de datos	PostgreSQL	存储对账结果和历史数据
LLM	DeepSeek-V4-Flash	数据提取+分类，不需要顶级模型

---

四、知识点总结

知识点	重要性	理解要点
CrewAI 角色化抽象	🔥 核心	Role/Goal/Backstory 是认识论层面的差异
CrewAI vs LangGraph	🔥 核心	角色扮演 vs 状态机的不同哲学
多Agent 编排	🟡 了解	Sequential / Hierarchical 的执行模式
Qdrant 向量检索	🟡 了解	税率等业务规则的向量化存储
跨平台财务数据	🟢 概念	Shopify/Stripe/PayPal API 的数据差异

---

五、成本参考

项目	月费
DeepSeek API	~$8
服务器（Qdrant + PostgreSQL）	~$10
合计	~$18/月