CrewAI Community Version(一)——初步了解以及QuickStart样例

news2025/4/22 11:05:26

目录

  • 1. CrewAI简介
    • 1.1 CrewAI Crews
    • 1.2 CrewAI Flows
    • 1.3 Crews和Flows的使用情景
  • 2. CrewAI安装
    • 2.1 安装uv
    • 2.2 安装CrewAI CLI
  • 3. 官网QuickStart样例
    • 3.1 创建CrewAI Crews项目
    • 3.2 项目结构
    • 3.3 .env
    • 3.4 智能体角色及其任务
      • 3.4.1 agents.yaml
      • 3.4.2 tasks.yaml
    • 3.5 crew.py
    • 3.6 main.py
    • 3.7 本地运行
  • 参考

1. CrewAI简介

  CrewAI是一个精简、快如闪电的Python框架，完全独立于LangChain或其他Agent框架。它为开发者提供了高层次简洁性与精准低层次控制的双重优势，是创建适用于任何场景的自主AI代理的理想框架，存在如下的两种模式：
  1. CrewAI Crews：优化自主性与协作智能，使您能够创建具备特定角色、工具、目标的智能体团队。
  2. CrewAI Flows：支持细粒度的事件驱动控制，通过单一LLM调用实现精准任务编排，并原生支持智能体团队协作。

1.1 CrewAI Crews

  下图源自CrewAI。
在这里插入图片描述

组成描述作用
Crew最顶层的组织1. 管理智能体团队
2. 监督工作流
3. 保证协作
4. 输出结果
AI Agents专业的团队成员1. 有特定的角色
2. 使用指定的工具
3. 可以委派任务
4. 自主决策
Process工作流管理系统1. 定义协作模式
2. 控制任务
3. 管理交互
4. 保证高效执行
Tasks个人任务1. 有明确的目标
2. 使用特定的工具
3. 输入到更大的Process
4. 产生可行的结果

1.2 CrewAI Flows

  下图源自CrewAI。
在这里插入图片描述

组成描述作用
Flow结构化工作流安排1. 管理执行路径
2. 处理state
3. 控制任务顺序
4. 保证执行可靠
Events工作流行动的触发器1. 启动特定Processes
2. 启用动态响应
3. 支持条件分支
4. 允许实时适应
States工作流执行上下文1. 维持执行数据
2. 启用持久性
3. 支持可恢复性
4. 保证执行完整性
Crew Support增强工作流自动化1. 在需要时注入Crew
2. 补充结构化工作流
3. 平衡自动化与智能
4. 支持自适应决策

1.3 Crews和Flows的使用情景

情景推荐方法原因
开放性研究Crews任务需要创造性思考、探索和适应
生成内容Crews文章、报告和营销材料需要联合协作
决策工作流Flows决策路径具备可预测性、审计性和精细控制
API编排Flows需要按照特定顺序对多个外部服务进行可靠的集成
混合应用Crews、Flows使用Flows编排整个过程，同时使用Crews处理复杂子任务

  当你需要自主解决问题、合作创新或进行探索性任务时，应该选择Crews；当你需要确定性的结果、审计能力或对执行的精准控制，应该选择Flows；当你的应用需要结构化过程和一些自主智能时，应该联合Crews和Flows。

2. CrewAI安装

2.1 安装uv

  uv是用Rust编写的Python包管理器，目前使用Python的新项目基本上都使用它来对项目中的依赖进行管理。Windows上安装的命令：
  powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

2.2 安装CrewAI CLI

  安装CrewAI CLI的命令：
  uv tool install crewai
  配置CrewAI的路径：
  uv tool update-shell
  验证CrewAI安装：
  uv tool list
  更新CrewAI：
  uv tool install crewai --upgrade

3. 官网QuickStart样例

3.1 创建CrewAI Crews项目

  创建CrewAI Crews项目：
  crewai create crew <your-project-name>

3.2 项目结构

  项目结构图如下。
在这里插入图片描述

路径作用
<your-project-name>/.venv项目下的Python环境
<your-project-name>/knowledge本地知识库目录
<your-project-name>/src/<your-project-name>/config/agents.yaml定义智能体及其角色
<your-project-name>/src/<your-project-name>/config/tasks.yaml设置智能体任务和工作流
<your-project-name>/src/<your-project-name>/tools自定义智能体工具的目录
<your-project-name>/src/crew.py协调、编排Crews
<your-project-name>/src/main.py项目入口、执行流
<your-project-name>/tests测试目录
<your-project-name>/.env存放大模型API Keys和环境变量
<your-project-name>/.gitignore配置git忽略的文件或文件夹
<your-project-name>/pyproject.tomlPython项目配置
<your-project-name>/README.mdCrewAI官方给出的项目运行指导
<your-project-name>/uv.lockuv锁定的Python依赖

3.3 .env

  CrewAI支持调用和OpenAI的API规范一致的大模型，这里我选择了deepseek-chat。

MODEL=openai/deepseek-chat
OPENAI_API_KEY="your-api-key"
OPENAI_API_BASE="https://api.deepseek.com/v1"

3.4 智能体角色及其任务

3.4.1 agents.yaml

  样例中定义了两个智能体research和reporting_analyst，分别给它们定义了role、goal和backstory。此外，在role、goal和backstory中可以通过{变量名}的方式插入用户输入的内容。

researcher:
  role: >
    {topic}领域的高级数据研究员
  goal: >
    发掘{topic}领域的前沿发展
  backstory: >
    你是一位经验丰富的研究员，擅长发掘{topic}领域的最新进展。你能够找到最相关的信息并以清晰简洁的方式呈现。
    

reporting_analyst:
  role: >
    {topic}领域的报告分析师
  goal: >
    基于{topic}领域的数据分析和研究发现，创建详细的报告
  backstory: >
    你是一位细致入微的分析师，对细节有着敏锐的洞察力。你能够将复杂的数据转化为清晰简洁的报告，使他人能够轻松理解并基于你提供的信息采取行动。

3.4.2 tasks.yaml

  tasks.yaml中给researcher和reporting_analyst分别分配了任务research_task和reporting_task，在每个任务中给出了任务描述description、任务输出expected_output和该任务所属的智能体agent。同样，在description、expected_output中可以通过{变量名}的方式插入用户的内容。

research_task:
  description: >
    对{topic}领域进行深入研究，确保在当前年份{current_year}下找到所有有趣且相关的信息。
  expected_output: >
    列出关于{topic}的10个要点，涵盖最相关的信息。
  agent: researcher

reporting_task:
  description: >
    审查获取的内容，并将每个主题扩展为完整的报告章节。确保报告详尽，包含所有相关信息。
  expected_output: >
    一份完整的报告，每个主要主题均包含详细的信息章节，以Markdown格式呈现（不包含代码块标记）。
  agent: reporting_analyst

3.5 crew.py

 &emsp以下代码皆是创建项目时自动生成的，从下面的代码中可以看出FirstAgent类主要完成3个任务：1. 创建智能体Agent。2. 创建智能体的任务Task。3. 创建最顶层组织Crew。

from crewai import Agent, Crew, Process, Task
from crewai.project import CrewBase, agent, crew, task

# If you want to run a snippet of code before or after the crew starts,
# you can use the @before_kickoff and @after_kickoff decorators
# https://docs.crewai.com/concepts/crews#example-crew-class-with-decorators

@CrewBase
class FirstAgent():
    """FirstAgent crew"""

    # Learn more about YAML configuration files here:
    # Agents: https://docs.crewai.com/concepts/agents#yaml-configuration-recommended
    # Tasks: https://docs.crewai.com/concepts/tasks#yaml-configuration-recommended
    agents_config = 'config/agents.yaml'
    tasks_config = 'config/tasks.yaml'

    # If you would like to add tools to your agents, you can learn more about it here:
    # https://docs.crewai.com/concepts/agents#agent-tools
    @agent
    def researcher(self) -> Agent:
        return Agent(
            config=self.agents_config['researcher'],
            verbose=True
        )

    @agent
    def reporting_analyst(self) -> Agent:
        return Agent(
            config=self.agents_config['reporting_analyst'],
            verbose=True
        )

    # To learn more about structured task outputs,
    # task dependencies, and task callbacks, check out the documentation:
    # https://docs.crewai.com/concepts/tasks#overview-of-a-task
    @task
    def research_task(self) -> Task:
        return Task(
            config=self.tasks_config['research_task'],
        )

    @task
    def reporting_task(self) -> Task:
        return Task(
            config=self.tasks_config['reporting_task'],
            output_file='report.md'
        )

    @crew
    def crew(self) -> Crew:
        """Creates the FirstAgent crew"""
        # To learn how to add knowledge sources to your crew, check out the documentation:
        # https://docs.crewai.com/concepts/knowledge#what-is-knowledge

        return Crew(
            agents=self.agents, # Automatically created by the @agent decorator
            tasks=self.tasks, # Automatically created by the @task decorator
            process=Process.sequential,
            verbose=True,
            # process=Process.hierarchical, # In case you wanna use that instead https://docs.crewai.com/how-to/Hierarchical/
        )

3.6 main.py

  main.py文件主要功能是让你在本地运行Crew，以达到测试的目的。以下代码也是在创建项目时自动生成的。

import sys
import warnings

from datetime import datetime

from first_agent.crew import FirstAgent

warnings.filterwarnings("ignore", category=SyntaxWarning, module="pysbd")

# This main file is intended to be a way for you to run your
# crew locally, so refrain from adding unnecessary logic into this file.
# Replace with inputs you want to test with, it will automatically
# interpolate any tasks and agents information

def run():
    """
    Run the crew.
    """
    inputs = {
        'topic': '大语言模型',
        'current_year': str(datetime.now().year)
    }
    
    try:
        FirstAgent().crew().kickoff(inputs=inputs)
    except Exception as e:
        raise Exception(f"An error occurred while running the crew: {e}")


def train():
    """
    Train the crew for a given number of iterations.
    """
    inputs = {
        "topic": "大语言模型"
    }
    try:
        FirstAgent().crew().train(n_iterations=int(sys.argv[1]), filename=sys.argv[2], inputs=inputs)

    except Exception as e:
        raise Exception(f"An error occurred while training the crew: {e}")

def replay():
    """
    Replay the crew execution from a specific task.
    """
    try:
        FirstAgent().crew().replay(task_id=sys.argv[1])

    except Exception as e:
        raise Exception(f"An error occurred while replaying the crew: {e}")

def test():
    """
    Test the crew execution and returns the results.
    """
    inputs = {
        "topic": "大语言模型",
        "current_year": str(datetime.now().year)
    }
    try:
        FirstAgent().crew().test(n_iterations=int(sys.argv[1]), openai_model_name=sys.argv[2], inputs=inputs)

    except Exception as e:
        raise Exception(f"An error occurred while testing the crew: {e}")

3.7 本地运行

  在项目路径下先安装依赖，然后运行：

crewai install
crewai run

  从上面的Agents.yaml和Tasks.yaml中可以看出，该样例的目的是产出一份指定topic、指定年份year的报告，报告最终输出为Markdown文件。
  生成该报告的过程如下：
  1. research Agent查找关于指定主题topic、指定年份year的内容，并将其总结成10个要点。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
  2. research Agent完成任务后，将得到10个要点交给reporting_analyst Agent。reporting_analyst审查获取的10个要点，并将其扩写成一份指定主题topic、指定年份year的报告，并以Markdown文件格式输出。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

参考

https://docs.crewai.com/introduction
https://docs.crewai.com/installation
https://docs.crewai.com/quickstart

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2340054.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Nginx下搭建rtmp流媒体服务 并使用HLS或者OBS测试

Nginx下搭建rtmp流媒体服务 并使用HLS或者OBS测试

所需下载地址&#xff1a; 通过网盘分享的文件&#xff1a;rtmp 链接: https://pan.baidu.com/s/1t21J7cOzQR1ASLrsmrYshA?pwd0000 提取码: 0000 window&#xff1a; 解压 win目录下的 nginx-rtmp-module-1.2.2.zip和nginx 1.7.11.3 Gryphon.zip安装包&#xff0c;解压时选…
阅读更多...
Lateral 查询详解：概念、适用场景与普通 JOIN 的区别

Lateral 查询详解：概念、适用场景与普通 JOIN 的区别

1. 什么是Lateral查询&#xff1f; Lateral查询&#xff08;也称为横向关联查询&#xff09;是一种特殊的子查询&#xff0c;允许子查询中引用外层查询的列&#xff08;即关联引用&#xff09;&#xff0c;并在执行时逐行对外层查询的每一行数据执行子查询。 语法上通常使用关…
阅读更多...
【springsecurity oauth2授权中心】简单案例跑通流程 P1

【springsecurity oauth2授权中心】简单案例跑通流程 P1

项目被拆分开&#xff0c;需要一个授权中心使得每个项目都去授权中心登录获取用户权限。而单一项目里权限使用的是spring-security来控制的&#xff0c;每个controller方法上都有 PreAuthorize("hasAuthority(hello)") 注解来控制权限&#xff0c;想以最小的改动来实…
阅读更多...
spark—SQL3

spark—SQL3

连接方式 内嵌Hive&#xff1a; 使用时无需额外操作&#xff0c;但实际生产中很少使用。 外部Hive&#xff1a; 在虚拟机下载相关配置文件&#xff0c;在spark-shell中连接需将hive-site.xml拷贝到conf/目录并修改url、将MySQL驱动copy到jars/目录、把core-site.xml和hdfs-sit…
阅读更多...
一文了解相位阵列天线中的真时延

一文了解相位阵列天线中的真时延

本文要点 真时延是宽带带相位阵列天线的关键元素之一。 真时延透过在整个信号频谱上应用可变相移来消除波束斜视现象。 在相位阵列中使用时延单元或电路板&#xff0c;以提供波束控制和相移。 市场越来越需要更快、更可靠的通讯网络&#xff0c;而宽带通信系统正在努力满…
阅读更多...
linux学习 5 正则表达式及通配符

linux学习 5 正则表达式及通配符

重心应该放在通配符的使用上 正则表达式 正则表达式是用于 文本匹配和替换 的强大工具 介绍两个交互式的网站来学习正则表达式 regexlearn 支持中文 regexone 还有一个在线测试的网址 regex101 基本规则 符号作用示例.匹配任何字符除了换行a.b -> axb/a,b[abc]匹配字符…
阅读更多...
基于超启发鲸鱼优化算法的混合神经网络多输入单输出回归预测模型 HHWOA-CNN-LSTM-Attention

基于超启发鲸鱼优化算法的混合神经网络多输入单输出回归预测模型 HHWOA-CNN-LSTM-Attention

基于超启发鲸鱼优化算法的混合神经网络多输入单输出回归预测模型 HHWOA-CNN-LSTM-Attention 随着人工智能技术的飞速发展&#xff0c;回归预测任务在很多领域得到了广泛的应用。尤其在金融、气象、医疗等领域&#xff0c;精确的回归预测模型能够为决策者提供宝贵的参考信息。为…
阅读更多...
Android RK356X TVSettings USB调试开关

Android RK356X TVSettings USB调试开关

Android RK356X TVSettings USB调试开关 平台概述操作-打开USB调试实现源码补充说明 平台 RK3568 Android 11 概述 RK3568 是瑞芯微&#xff08;Rockchip&#xff09;推出的一款高性能处理器&#xff0c;支持 USB OTG&#xff08;On-The-Go&#xff09;和 USB Host 功能。US…
阅读更多...
消息队列知识点详解

消息队列知识点详解

消息队列场景 什么是消息队列 可以把消息队列理解一个使用队列来通信的组件&#xff0c;它的本质是交换机队列的模式&#xff0c;实现发送消息&#xff0c;存储消息&#xff0c;消费消息的过程。 我们通常说的消息队列&#xff0c;MQ其实就是消息中间件&#xff0c;业界中比较…
阅读更多...
序列号绑定的SD卡坏了怎么办？

序列号绑定的SD卡坏了怎么办？

在给SD卡烧录程序的时候&#xff0c;大家发现有的卡是无法烧录的&#xff0c;如&#xff1a;复印机的SD卡不能被复制通常涉及以下几个技术原因&#xff0c;可能与序列号绑定、加密保护或硬件限制有关&#xff1a; 一、我们以复印机的系统卡为例来简单讲述一下 序列号或硬件绑定…
阅读更多...
使用SystemWeaver生成SOME/IP ETS ARXML的完整实战指南

使用SystemWeaver生成SOME/IP ETS ARXML的完整实战指南

使用SystemWeaver生成SOME/IP ETS ARXML的完整实战指南 前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;可以分享一下给大家。点击跳转到网站。 https://www.captainbed.cn/ccc 一、SystemWeaver与SOME/IP基础认知 1.1 SystemWe…
阅读更多...
Flutter 状态管理 Riverpod

Flutter 状态管理 Riverpod

Android Studio版本 Flutter SDK 版本 将依赖项添加到您的应用 flutter pub add flutter_riverpod flutter pub add riverpod_annotation flutter pub add dev:riverpod_generator flutter pub add dev:build_runner flutter pub add dev:custom_lint flutter pub add dev:riv…
阅读更多...
【HarmonyOS 5】VisionKit人脸活体检测详解

【HarmonyOS 5】VisionKit人脸活体检测详解

【HarmonyOS 5】VisionKit人脸活体检测详解 一、VisionKit人脸活体检测是什么&#xff1f; VisionKit是HamronyOS提供的场景化视觉服务工具包。 华为将常见的解决方案&#xff0c;通常需要三方应用使用SDK进行集成。华为以Kit的形式集成在HarmoyOS系统中&#xff0c;方便三方…
阅读更多...
Pycharm（九）函数的闭包、装饰器

Pycharm（九）函数的闭包、装饰器

目录 一、函数参数 二、闭包 三、装饰器 一、函数参数 def func01():print("func01 shows as follows") func01() # 函数名存放的是函数所在空间的地址 print(func01)#<function func01 at 0x0000023BA9FC04A0> func02func01 print(func02)#<function f…
阅读更多...
【深度学习】详解矩阵乘法、点积，内积，外积、哈达玛积极其应用|tensor系列02

【深度学习】详解矩阵乘法、点积，内积，外积、哈达玛积极其应用|tensor系列02

博主简介&#xff1a;努力学习的22级计算机科学与技术本科生一枚&#x1f338;博主主页&#xff1a; Yaoyao2024往期回顾&#xff1a;【深度学习】你真的理解张量了吗&#xff1f;|标量、向量、矩阵、张量的秩|01每日一言&#x1f33c;: “脑袋想不明白的&#xff0c;就用脚想”…
阅读更多...
MH2103系列coremark1.0跑分数据和优化，及基于arm2d的优化应用

MH2103系列coremark1.0跑分数据和优化，及基于arm2d的优化应用

CoreMark 1.0 介绍 CoreMark 是由 EEMBC&#xff08;Embedded Microprocessor Benchmark Consortium&#xff09;组织于 2009 年推出的一款用于衡量嵌入式系统 CPU 或 MCU 性能的标准基准测试工具。它旨在替代陈旧的 Dhrystone 标准&#xff08;Dhrystone 容易受到各种libc不同…
阅读更多...
Flowith AI，解锁下一代「知识交易市场」

Flowith AI，解锁下一代「知识交易市场」

前言 最近几周自媒体号都在疯狂推Manus&#xff0c;看了几篇测评后&#xff0c;突然在某个时间节点&#xff0c;在特工的文章下&#xff0c;发现了很小众的Flowith。 被这段评论给心动到&#xff0c;于是先去注册了下账号。一翻探索过后&#xff0c;发现比我想象中要有趣的多&…
阅读更多...
SpringBoot企业级开发之【文章分类-新增文章分类】

SpringBoot企业级开发之【文章分类-新增文章分类】

看一下新增文章的需求&#xff1a; 接口文档&#xff1a; 开发思路&#xff1a; 先在controller下去创建add方法&#xff0c;方法内导入Service类获取add的结果&#xff1b;再在Service接口下去创建add的方法&#xff1b;然后在Service实现类下去实现方法的作用&#xff0c;且导…
阅读更多...
【AI News | 20250421】每日AI进展

【AI News | 20250421】每日AI进展

AI Repos 1、langgraph-mcp-agents 基于LangGraph的AI智能体系统&#xff0c;集成了MCP&#xff0c;使AI助手能访问各种数据源和API。提供了Streamlit网页界面&#xff0c;方便与LangGraph和MCP工具交互。可以通过界面动态添加、删除以及配置MCP工具&#xff0c;无需重启应用&…
阅读更多...
牛客 | OJ在线编程常见输入输出练习

牛客 | OJ在线编程常见输入输出练习

1.只有输出 言归正传&#xff0c;本张试卷总共包括18个题目&#xff0c;包括了笔试情况下的各种输入输出。 第一题不需要输入&#xff0c;仅需输出字符串 Hello Nowcoder! 即可通过。 #include <iostream> using namespace std; int main(){string s "Hello Nowco…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023