入口在 crew.py:966，主干在 crew.py:1021（D02 见过，这里从"旅程"角度重看）：

# crew.py:1021
inputs = prepare_kickoff(self, inputs, input_files)   # ① 准备：回调/事件/插值/重置

if self.process == Process.sequential:                # ② 分流
    result = self._run_sequential_process()
elif self.process == Process.hierarchical:
    result = self._run_hierarchical_process()

for after_callback in self.after_kickoff_callbacks:   # ③ 跑完回调
    result = after_callback(result)
result = self._post_kickoff(result)
self.usage_metrics = self.calculate_usage_metrics()   # ④ 统计用量
return result                                          # ⑤ 上卷的终点：CrewOutput

主循环在 crew.py:1519（D05 详解过）。旅程视角只看关键三行（crew.py:1575）：

# crew.py:1575
context = self._get_context(task, task_outputs)   # ★把前面任务的产出组装成上下文
task_output = task.execute_sync(                    # ★下沉到第3站：Task 执行
    agent=exec_data.agent,
    context=context,
    tools=exec_data.tools,
)
task_outputs.append(task_output)                    # 收集这一站的 TaskOutput

execute_sync 转 _execute_core（task.py:790），核心是把活交给 agent：

# task.py:787
crewai_event_bus.emit(self, TaskStartedEvent(context=context, task=self))  # 发"任务开始"事件
# task.py:790
result = agent.execute_task(       # ★下沉到第4站：Agent 执行
    task=self,
    context=context,
    tools=tools,
)

进入 Agent.execute_task（agent/core.py:740）——它负责"拼最终 prompt + 决定要不要超时保护"：

# agent/core.py:761
task_prompt = self._prepare_task_execution(task, context)     # role/goal/backstory + task 拼 prompt
task_prompt = handle_knowledge_retrieval(self, task, task_prompt, ...)  # 若有知识库，检索注入
task_prompt = self._finalize_task_prompt(task_prompt, tools, task)

crewai_event_bus.emit(self, AgentExecutionStartedEvent(agent=self, ...))  # 发"agent 开始"事件
validate_max_execution_time(self.max_execution_time)
if self.max_execution_time is not None:
    result = self._execute_with_timeout(task_prompt, task, self.max_execution_time)  # 带超时
else:
    result = self._execute_without_timeout(task_prompt, task)                        # 不带超时
return self._finalize_task_execution(task, result)

无论带不带超时，最终都进 CrewAgentExecutor.invoke（agents/crew_agent_executor.py:208）：

# agents/crew_agent_executor.py:219
self.messages = []
self.iterations = 0                      # ★迭代计数从 0 开始
self._setup_messages(inputs)             # 组装初始消息（system + user）
# ...
formatted_answer = self._invoke_loop()   # ★核心循环
# ...
return {"output": formatted_answer.output}

_invoke_loop（agents/crew_agent_executor.py:309）先判断模型支不支持"原生函数调用"，决定走哪种循环：

# agents/crew_agent_executor.py:318
use_native_tools = (
    hasattr(self.llm, "supports_function_calling")
    and self.llm.supports_function_calling()
    and self.original_tools
)
if use_native_tools:
    return self._invoke_loop_native_tools()   # 用模型原生 tool-calling
return self._invoke_loop_react()              # 否则用 ReAct 文本模式

# agents/crew_agent_executor.py:341（ReAct 循环骨架）
while not isinstance(formatted_answer, AgentFinish):     # ★循环直到拿到"最终答案"
    if has_reached_max_iterations(self.iterations, self.max_iter):   # 到上限就收尾
        formatted_answer = handle_max_iterations_exceeded(...); break
    enforce_rpm_limit(self.request_within_rpm_limit)     # 限速（D03 的 max_rpm）
    answer = get_llm_response(llm=self.llm, messages=self.messages, ...)  # 问模型
    # ...解析出 是"要用工具(Action)" 还是 "最终答案(Final Answer)"...

模型给出最终答案后，结果原路返回，每一层各自"再加工一次"：

最终 CrewOutput 的结构 D02 见过（crews/crew_output.py:13）：raw / pydantic / json_dict / tasks_output[] / token_usage。你在 L02 看到的 return result 返回的就是它。