# README.md:194
Ensure you have Python >=3.10 <3.14 installed on your system.
CrewAI uses UV for dependency management and package handling,
offering a seamless setup and execution experience.

README 给的安装命令很短（README.md:199 / README.md:205）：

# 0) 如果还没有 uv：装它（官方一键脚本）
curl -LsSf https://astral.sh/uv/install.sh | sh

# 1) 建一个项目并进入
mkdir my-first-crew && cd my-first-crew
uv venv                       # 建虚拟环境
source .venv/bin/activate     # 激活（Windows 用 .venv\Scripts\activate）

# 2) 装 CrewAI（README:199）
uv pip install crewai

# 2') 想要一堆现成工具，就装 [tools] 附加项（README:205）
uv pip install 'crewai[tools]'

Agent 靠一个大模型思考。CrewAI 默认通过 litellm 兼容各家模型，最省事的是设一个环境变量。用 OpenAI 举例：

# 方式 A：直接设环境变量
export OPENAI_API_KEY="sk-..."

# 方式 B：写进项目根的 .env 文件（CrewAI 会自动读取）
echo 'OPENAI_API_KEY=sk-...' >> .env

# 想用别家？litellm 风格的 model 名即可，比如：
#   llm="gpt-4o"            → 读 OPENAI_API_KEY
#   llm="anthropic/claude-3-5-sonnet-latest" → 读 ANTHROPIC_API_KEY
#   llm="ollama/llama3"     → 本地，无需 key

把 D01 结尾那段（改编自 README.md:511）存成 main.py，补上打印：

# main.py
from crewai import Agent, Task, Crew, Process

analyst = Agent(
    role="Senior Market Analyst",
    goal="Conduct deep market analysis with expert insight",
    backstory="You're a veteran analyst known for identifying subtle market patterns",
    llm="gpt-4o",          # 或 "ollama/llama3"
    verbose=True)

analysis_task = Task(
    description="Analyze {sector} sector data for the past {timeframe}",
    expected_output="Detailed market analysis with a confidence score",
    agent=analyst)

crew = Crew(
    agents=[analyst],
    tasks=[analysis_task],
    process=Process.sequential,
    verbose=True)

result = crew.kickoff(inputs={"sector": "tech", "timeframe": "1W"})
print("===== 最终结果 =====")
print(result)                       # 触发 CrewOutput.__str__
print("raw 长度：", len(result.raw))

# 跑它
uv run python main.py

crew.kickoff() 并不是立刻开始跑任务。它先调 prepare_kickoff(...)，再按 process 分流（crew.py:1021）：

# crew.py:1021
inputs = prepare_kickoff(self, inputs, input_files)   # ① 先准备

if self.process == Process.sequential:
    result = self._run_sequential_process()           # ② 流水线：我们这次走这里
elif self.process == Process.hierarchical:
    result = self._run_hierarchical_process()          # 有组长派活（D05/阶段4 讲）
else:
    raise NotImplementedError(...)

for after_callback in self.after_kickoff_callbacks:    # ③ 跑完后的回调
    result = after_callback(result)
result = self._post_kickoff(result)
self.usage_metrics = self.calculate_usage_metrics()    # ④ 统计 token 用量
return result

准备阶段 prepare_kickoff 干的事在 crews/utils.py:249。挑三处关键动作：

# crews/utils.py:289 —— 先跑 before_kickoff 回调（可改写 inputs）
for before_callback in crew.before_kickoff_callbacks:
    if normalized is None:
        normalized = {}
    normalized = before_callback(normalized)

# crews/utils.py:309 —— 发出"kickoff 开始"事件，记录事件 id
started_event = CrewKickoffStartedEvent(crew_name=crew.name, inputs=normalized)
crew._kickoff_event_id = started_event.event_id
future = crewai_event_bus.emit(crew, started_event)

# crews/utils.py:331 —— ★把 inputs 插进任务/agent 的文本里
crew._inputs = normalized
crew._interpolate_inputs(normalized)

L04 那个坑的答案就在这里。_interpolate_inputs 遍历所有 task 和 agent，把你传的 inputs 灌进它们的文本字段（crew.py:2098）：

# crew.py:2098
def _interpolate_inputs(self, inputs: dict[str, Any]) -> None:
    """Interpolates the inputs in the tasks and agents."""
    [
        task.interpolate_inputs_and_add_conversation_history(inputs)  # 每个任务
        for task in self.tasks
    ]
    for agent in self.agents:
        agent.interpolate_inputs(inputs)                              # 每个 agent

kickoff 最终返回一个 CrewOutput。它不是一个普通字符串，而是一个装了多种视图的对象（crews/crew_output.py:13）：

# crews/crew_output.py:13
class CrewOutput(BaseModel):
    raw: str = Field(description="Raw output of crew", default="")           # 纯文本结果
    pydantic: BaseModel | None = ...        # 若任务设了 output_pydantic，这里是结构化对象
    json_dict: dict[str, Any] | None = ...  # 若设了 output_json，这里是 dict
    tasks_output: list[TaskOutput] = ...     # ★每个任务各自的输出（多任务时按顺序）
    token_usage: UsageMetrics = ...          # 本次跑掉多少 token

# crews/crew_output.py:55 —— 所以 print(result) 有优先级
def __str__(self) -> str:
    if self.pydantic:  return str(self.pydantic)   # 有结构化就打结构化
    if self.json_dict: return str(self.json_dict)
    return self.raw                                 # 否则打纯文本

# 1. 装好并跑通最小 crew
uv venv && source .venv/bin/activate
uv pip install crewai
export OPENAI_API_KEY=sk-...   # 或用 ollama
uv run python main.py

# 2. 亲手验证"占位符必须匹配 inputs"这个坑
#    删掉 kickoff 里的 "sector" 这个 key，再跑，观察模型是否看到字面量 {sector}

# 3. 读 kickoff 主干与准备逻辑
sed -n '1021,1038p' lib/crewai/src/crewai/crew.py
sed -n '289,332p' lib/crewai/src/crewai/crews/utils.py