CrewAI 是用于编排角色扮演、自主人工智能代理的尖端框架。通过促进协作智能，CrewAI 使代理能够无缝协作，处理复杂的任务。
为什么选择 CrewAI？
人工智能协作的力量实在是太大了。CrewAI 旨在使人工智能代理能够承担角色、分享目标并在一个有凝聚力的单元中运作——就像一个运转良好的团队。无论您是要构建智能助理平台、自动化客户服务还是多代理研究团队，CrewAI 都可以为复杂的多代理交互提供支持。
入门
要开始使用 CrewAI，请按照以下简单步骤操作：
安装：
pip install crewai
下面的例子也使用了duckduckgo，所以也要安装它
pip install duckduckgo-search
设置你的团队：
import os
from crewai import Agent, Task, Crew, Process
os.environ["OPENAI_API_KEY"] = "YOUR KEY"
# You can choose to use a local model through Ollama for example.
#
# from langchain.llms import Ollama
# ollama_llm = Ollama(model="openhermes")
# Install duckduckgo-search for this example:
# !pip install -U duckduckgo-search
from langchain.tools import DuckDuckGoSearchRun
search_tool = DuckDuckGoSearchRun()
# Define your agents with roles and goals
researcher = Agent(
role='Senior Research Analyst',
goal='Uncover cutting-edge developments in AI and data science',
backstory="""You work at a leading tech think tank.
Your expertise lies in identifying emerging trends.
You have a knack for dissecting complex data and presenting
actionable insights.""",
verbose=True,
allow_delegation=False,
tools=[search_tool]
# You can pass an optional llm attribute specifying what mode you wanna use.
# It can be a local model through Ollama / LM Studio or a remote
# model like OpenAI, Mistral, Antrophic of others (https://python.langchain.com/docs/integrations/llms/)
#
# Examples:
# llm=ollama_llm # was defined above in the file
# llm=ChatOpenAI(model_name="gpt-3.5", temperature=0.7)
)
writer = Agent(
role='Tech Content Strategist',
goal='Craft compelling content on tech advancements',
backstory="""You are a renowned Content Strategist, known for
your insightful and engaging articles.
You transform complex concepts into compelling narratives.""",
verbose=True,
allow_delegation=True,
# (optional) llm=ollama_llm
)
# Create tasks for your agents
task1 = Task(
description="""Conduct a comprehensive analysis of the latest advancements in AI in 2024.
Identify key trends, breakthrough technologies, and potential industry impacts.
Your final answer MUST be a full analysis report""",
agent=researcher
)
task2 = Task(
description="""Using the insights provided, develop an engaging blog
post that highlights the most significant AI advancements.
Your post should be informative yet accessible, catering to a tech-savvy audience.
Make it sound cool, avoid complex words so it doesn't sound like AI.
Your final answer MUST be the full blog post of at least 4 paragraphs.""",
agent=writer
)
# Instantiate your crew with a sequential process
crew = Crew(
agents=[researcher, writer],
tasks=[task1, task2],
verbose=2, # You can set it to 1 or 2 to different logging levels
)
# Get your crew to work!
result = crew.kickoff()
print("######################")
print(result)目前唯一支持的进程是Process.sequential，其中一个任务在另一个任务之后执行，并且其中一个任务的结果作为额外内容传递到下一个任务中。
主要特性
- 基于角色的代理设计：定制具有特定角色、目标和工具的代理。
- 代理间自主委派：代理可以自主委派任务并相互查询，提高解决问题的效率。
- 灵活的任务管理：使用可定制的工具定义任务并将其动态分配给代理。
- 流程驱动：目前仅支持
sequential任务执行，正在实现更复杂的流程，例如共识和分层。
例子
您可以测试示例存储库中的人工智能的不同现实生活示例
代码
视频
快速教程
旅行计划
库存分析
本地开源模型
CrewAI 支持通过Ollama等工具与本地模型集成，以增强灵活性和定制性。这使您可以利用自己的模型，这对于特殊任务或数据隐私问题特别有用。
设置 Ollama
- 安装 Ollama：确保 Ollama 已正确安装在您的环境中。请按照 Ollama 提供的安装指南获取详细说明。
- 配置 Ollama：设置 Ollama 以与您的本地模型配合使用。您可能需要使用 Modelfile 调整模型。我建议添加
Observation作为停用词并使用top_p和temperature。
将 Ollama 与 CrewAI 集成
- 实例化 Ollama 模型：创建 Ollama 模型的实例。您可以在实例化期间指定模型和基本 URL。例如：
from langchain.llms import Ollama
ollama_openhermes = Ollama(model="openhermes")
# Pass Ollama Model to Agents: When creating your agents within the CrewAI framework, you can pass the Ollama model as an argument to the Agent constructor. For instance:
local_expert = Agent(
role='Local Expert at this city',
goal='Provide the BEST insights about the selected city',
backstory="""A knowledgeable local guide with extensive information
about the city, it's attractions and customs""",
tools=[
SearchTools.search_internet,
BrowserTools.scrape_and_summarize_website,
],
llm=ollama_openhermes, # Ollama model passed here
verbose=True
)CrewAI 和其他产品的比较
- Autogen：虽然 Autogen 擅长创建能够协同工作的会话代理，但它缺乏固有的流程概念。在 Autogen 中，编排代理的交互需要额外的编程，随着任务规模的增长，这可能会变得复杂和繁琐。
- ChatDev：ChatDev 将流程的概念引入了 AI 代理领域，但其实现相当僵化。ChatDev 中的自定义是有限的，并且不适合生产环境，这可能会阻碍实际应用程序中的可扩展性和灵活性。
CrewAI 的优势：CrewAI 的构建以生产为中心。它提供了 Autogen 对话代理的灵活性和 ChatDev 的结构化流程方法，但没有僵化。CrewAI 的流程设计为动态且适应性强，可无缝融入开发和生产工作流程。
贡献
CrewAI 是开源的，欢迎贡献。如果您想做出贡献，请：
- 分叉存储库。
- 为您的功能创建一个新分支。
- 添加您的功能或改进。
- 发送拉取请求。
- 感谢您的意见！
安装依赖项
poetry lock poetry install
虚拟环境
poetry shell
预提交挂钩
pre-commit install
运行测试
poetry run pytest
包装
poetry build
本地安装
pip install dist/*.tar.gz
来自：
