CrewAI + Bright Data MCP 打造“点评情报智能体”：从抓取到洞察

手把手带你把 Bright Data MCP 的抓取工具接到 CrewAI 工作流里，用 3 个智能体（抓取 → 情感 → 洞察）跑通端到端分析，并产出中文的高质量 Markdown 商业报告。文中给出了可直接复用的工具封装与 write_report_md 实战版本。

三分钟搭建自动抓取评价数据分析工作流

MCP工具地址：Bright Data MCP

我是 Fanstuck，一路以来，我持续输出了多个系列文章，从《Prompt工程零基础入门到精通》到《大模型微调全流程指南》，再到《DeepSeek+MCP 智能体落地案例》，这些作品不仅是技术笔记，也是我和读者共同成长的见证。我的目标，是搭建一座桥梁，把高深的 AI 理论与工程实践，转化为读者可以即学即用的知识资产。如果你对 大模型创新应用、AI 技术发展脉络、以及行业落地实践 感兴趣，那么请持续关注 Fanstuck ——这里有最新的探索，有深入的思考，也有未来的方向。

为什么要做“点评情报智能体”

无论你做电商、SaaS 还是线下连锁，公开点评里藏着一手的用户体验与竞品信息：谁在抱怨什么、价格是否敏感、哪些功能被反复夸/踩。把这些零散点评自动化地“抓-析-写”成一份面向业务的洞察报告，就是这篇文章要实现的事情。

什么是 CrewAI？

CrewAI 是一个用于构建协作式 AI 智能体团队的开源框架。你可以定义智能体的角色、目标和工具来执行复杂工作流。每个智能体处理特定任务，并协同朝共同目标推进。

CrewAI 包括：

• Agent（智能体）：具有明确职责与工具的 LLM 驱动“工作者”

• Task（任务）：具备清晰输出要求的具体工作

• Tool（工具）：智能体用于专业化工作的函数，如数据提取

• Crew（团队）：共同协作的一组智能体

连接 MCP（STDIO 方式）与工具封装

相比 SSE，我们在 Windows 下更推荐 STDIO：用 npx @brightdata/mcp 起一个本地进程，CrewAI 工具通过 mcp Python SDK 的 stdio_client 调用远端工具。

要点：

• 严格按 Bright MCP 的工具签名传参（这会避免大多数“参数格式错误”）。

• 给出一个智能抓取器：先试 scrape_batch，失败就逐个 scrape_as_markdown，并收集错误。

Bright 的 MCP 工具这里我们用到 4 个：scrape_as_markdown、scrape_batch、search_engine、search_engine_batch；它们分别对应单页抓取、批量抓取、单次搜索、批量搜索。

三个智能体与任务（CrewAI）

为了对齐业务目标，我们把流程拆到三个智能体：

1. Review Data Collector：面向 MCP 工具调用、解析 Markdown，产出统一的评论 JSON（平台、文本、评分、时间、用户等字段）。

2. Sentiment Analysis Specialist：做方面情感（支持/定价/易用性），输出每个方面的分值、情绪类别与关键词主题。

3. Business Intelligence Analyst：把情感结果翻译成经营层能看懂的“管理摘要 + 行动清单 + 风险 + 优势 + 推荐聚焦”。

这种角色拆分、以及任务说明（expected_output）与流程顺序的做法，和官方文章的示例是保持一致的。(Bright Data)

任务提示的关键：

• 抓取任务描述要明确：先用批量抓取，失败再逐页；返回结构化 JSON。

• 情感任务明确 3 个方面，并给定期望的 JSON 结构。

• 洞察任务要求输出管理摘要等 5 个部分的 JSON 字段。

---

方面情感与打分（可选用 TextBlob/或 LLM 直出）

我们提供两种路径：

• 简化版（TextBlob）：把含关键词的句子过一遍极性得分，映射到 1–5 分，利于离线验证；

• 大模型直出：把抓到的评论聚合丢给 LLM，请它按方面聚合并打分，返回结构化 JSON。

运行与产出

1. 先用“简单页面”（非强风控）测试链路：example.com、httpbin.org/html；

2. 通了后再替换到目标站点（如电商/点评平台的真实 URL）；

3. 控制台会打印三步任务的执行过程；

4. 运行完成后，在项目根目录得到一份中文的 review_report.md 商业报告。