用一条自定义 OpenAI 兼容端点，把 CrewAI agent 接到 Router One

安装 CrewAI 并设置凭证

CrewAI 要求 Python 3.10 到 3.13。在该环境安装 crewai 包即可：本配置使用的 OpenAI Python SDK 是 crewai 的核心依赖，不需要 crewai[litellm] 扩展。下面是 macOS/Linux 的 shell 示例。运行前替换两个占位符，分别填入 Router One Key，以及当前目录中支持 Chat Completions 的精确模型 ID；ID 自带的前缀（例如 anthropic/）要一并保留。ROUTER_ONE_* 是本示例定义并在 Python 文件中显式读取的环境变量，运行时需沿用同一环境。本页描述的行为已按 crewai 1.15.20 核对。

python -m pip install crewai
export ROUTER_ONE_API_KEY="sk-your-router-one-key"
export ROUTER_ONE_MODEL_ID="<exact-model-id-from-/models>"

把 CrewAI 配置到 Router One base URL

保存为 crewai_router_one.py，再运行 python crewai_router_one.py。LLM(custom_openai=True, base_url=..., api_key=...) 是 CrewAI 官方文档给自定义 OpenAI 兼容端点的写法：无论模型 ID 以什么开头，都固定走 OpenAI SDK 的 Chat Completions 路径，即 POST /v1/chat/completions。模型字符串写成 openai/ 加精确目录 ID：此模式下 CrewAI 只去掉最前面的一个 openai/ 段，其余原样发送，所以 anthropic/claude-sonnet-5 或 openai/gpt-5.5 到达网关时与目录完全一致。agent 没有工具、任务要求纯文本，首个请求只包含 model 和 messages。crew.kickoff() 执行任务并返回 CrewOutput，result.raw 就是模型文本。

import os

from crewai import Agent, Crew, LLM, Task

llm = LLM(
    model="openai/" + os.environ["ROUTER_ONE_MODEL_ID"],
    custom_openai=True,
    base_url="https://api.router.one/v1",
    api_key=os.environ["ROUTER_ONE_API_KEY"],
)
greeter = Agent(
    role="Greeter",
    goal="Reply with one short greeting.",
    backstory="You keep answers short and literal.",
    llm=llm,
)
task = Task(
    description="Reply with one short greeting.",
    expected_output="One short greeting sentence.",
    agent=greeter,
)
crew = Crew(agents=[greeter], tasks=[task])
result = crew.kickoff()
print(result.raw)

改用环境变量，而不是 LLM 对象

用 crewai create crew 生成的项目从 config/agents.yaml 构建 agent，默认没有 llm 字段，CrewAI 会从环境读取模型和端点：MODEL 选模型，OPENAI_API_BASE（也接受 OPENAI_BASE_URL）设端点，OPENAI_API_KEY 提供 Key。CrewAI 导入 LLM 模块时会调用 load_dotenv()；在 shell 里直接 export 这些变量，对任何项目布局都有效。MODEL 同样写成 openai/ 加目录 ID：base URL 来自这些变量时，CrewAI 构建 LLM 时会一并带上，识别出该 ID 不是官方 OpenAI 名称后走同一条自定义端点路径，精确 ID 原样发出。agents.yaml 里的纯字符串（llm: openai/anthropic/claude-sonnet-5）或 Agent(llm="...") 在构建时拿不到 base URL，会被交给 CrewAI 的 LiteLLM 兜底路径，而该依赖默认并未安装；模型请放在 MODEL 或 LLM 对象里。

# 项目目录下的 .env，或在 shell 里 export 同名变量
MODEL=openai/<exact-model-id-from-/models>
OPENAI_API_BASE=https://api.router.one/v1
OPENAI_API_KEY=sk-your-router-one-key

加入工具、结构化输出或更多 agent 前要核对什么

Agent 工具（包括 allow_delegation=True 时加入的委派工具，以及 crewai-tools 包里的工具）会作为 function tool schema 随同一个 Chat Completions 请求发送，启用前先在模型详情页核对工具调用能力。Task 的 output_pydantic、output_json 和 LLM(response_format=...) 会发送 JSON schema 形式的 response_format，先核对精确模型的结构化输出支持。每个 Agent 可以各自传入 LLM 对象，一个 crew 可在同一把 Key 下混用多个模型，所有调用仍落在同一份 Trace 里。LLM(stream=True) 路径不变，只是加上 stream_options，用量在最后一个分块返回。api 保持默认值：api="responses" 会让同一个对象改走 POST /v1/responses，网关只对详情页列出该端点的 GPT 系列 ID 原生提供。多个 agent、任务或重试意味着多次模型请求，crew.usage_metrics 是 CrewAI 自己统计的 token 数，不是账单。给 crew 单独建 Key 并设置 maxSpend，再到 Dashboard → Logs 按 Key、时间、精确模型和 request_id 核账。

CrewAI 该填哪个模型 ID？

从 /models 页复制精确的模型 ID，保留大小写、连字符和版本后缀，不要用展示名称代替。打开该模型的详情页，核对支持的 API 端点、上下文窗口和工具调用等能力，再与 CrewAI 当前选择的 provider 和功能对应。模型出现在目录里，不等于当前客户端能调用它的所有功能。建议为每个工具单独建 API Key，并设置 maxSpend 消费上限。

CrewAI 用的是哪种 API 协议？

OpenAI 兼容描述的是接口格式，不能据此推断 Chat Completions（/v1/chat/completions）、Responses（/v1/responses）和 Anthropic Messages（/v1/messages）可以互换。先核对工具当前版本、provider 配置和实际请求路径，再查模型详情与 API 兼容性事实页。一次普通对话成功，也不能证明服务端工具、历史状态或文件编辑功能都受支持。

在 trace 里验证 CrewAI 的调用

先在 CrewAI 发出一次简单文本请求，再到 Dashboard → Logs 按时间、模型和 request_id 核对 trace：tokens、花费、延迟和状态码。成功后再分别验证流式输出、工具调用和多轮历史。失败时保留实际请求路径、完整错误消息及 request_id；没有对应日志时，先查客户端配置和网络，不能仅凭客户端报错认定是网关或上游故障。

常见问题