让AI Agent像团队一样协作的开源架构CrewAI

多Agent的AI应用一直是个有意思的研究方向，之前试过用LangGraph构建一组Agent的执行流程，用于自动产出研究报告。但是流程都是针对任务固化的，如果要执行别的任务就需要修改代码。CrewAI相对来说自动化程度就要高一些，你只需要定义好Agent和Task，剩下的就交给CrewAI。

CrewAI（https://github.com/joaomdmoura/crewAI）专注于协调角色扮演的自主AIAgent。

通过使用LLM作为协调器促进协作，使得多个Agent像一支默契十足的团队一样工作，每个Agent扮演不同的角色，共同完成一项大的任务。Agent被视为团队的成员，具有特定的技能和特定的工作要做，执行任务、做出决策并与其他Agent进行通信。此外，CrewAI还支持LangChain引入的可扩展功能，包括工具集成和支持开源大语言模型。

下面我们介绍一下CrewAI的核心概念，只有稍微懂一点Python的知识，就可以在本地运行多Agent的AI应用。顺便试一下百度最近免费的大模型服务。

核心概念

包括Agent、Task、Tool、Process、Crew、Collaboration、Memory。对大部分目标来说，我们需要定义的是Agent、Task。有点类似成立了一个团队，第一要有队员，第二设置好要完成的任务，剩下的就交给CrewAI这个职业经理人管理了，我们作为老板就等收结果就好了。

Agent：可以视为团队的一员，拥有特定技能，并承担特定工作。Agent可以担任不同的角色，例如“研究员”、“作家”或“客户支持”，每个角色都为团队的总体目标做出贡献。有几个主要的属性。

agent = Agent(  role="数据分析师",  goal="分析总结出可进行下一步行动的建议",  backstory="""你是一家大公司的数据分析师。您负责分析数据并提供公司下一步行动的建议。  您当前正在进行一个项目，以分析我们营销活动的表现。""",  tools=[my_tool1，my_tool2] #可选，默认为空列表)

1. Role，定义Agent在团队中的职能角色，决定了Agent最适合执行的任务类型。
2. Goal，想要实现的个体目标，指导Agent的决策过程。
3. Backstory，为Agent的角色和目标提供背景，丰富互动和驱动协作。
4. Tool，工具是可用于执行任务的一组能力或功能，使得Agent能和外部环境交互，比如搜索网络信息，执行特定的计算等。虽然不是必须的，但使用工具能给Agent提供更多的可能性。
1. Task：由Agent完成的特定任务。任务提供执行所需的所有详细信息，例如描述、负责的Agent、所需的工具、指定期望输出等，从而促进各种行动的复杂性。任务可以是协作的，需要多个Agent一起工作。这是通过任务属性进行管理并由 Crew 流程进行编排，从而增强团队合作和效率。Task是使用时最重要的概念，是驱动Agent执行和协作的动力。因此CrewAI也提供了多种任务的定义形式，支持异步执行、任务依赖关系、任务回调等。

task = Task(  description='查找并总结最新的AI新闻',  expected_output="输出前5大最重要AI新闻的摘要",  agent=research_agent,  tools=[search_tool])
Tool：工具为Agent提供了多种功能，从网络搜索和数据分析到协作和在同事之间委派任务。CrewAI是基于LangChain框架实现的，也继承了LangChain的Tool实现方式，这就意味着我们可以自定义工具。除此之外，CrewAI也提供了一套额外的工具包，有很多，这里列举几个：

YoutubeVideoSearchTool：RAG 工具旨在在 YouTube 视频中进行搜索，非常适合视频数据提取。
ScrapeWebsiteTool：方便抓取整个网站，非常适合全面的数据收集。
GithubSearchTool：用于在 GitHub 存储库内进行搜索的 RAG 工具，可用于代码和文档搜索。
CodeDocsSearchTool：一款针对搜索代码文档和相关技术文档而优化的 RAG 工具。

Process：流程协调Agent执行任务，类似于人类团队中的项目管理。这些流程确保任务按照预定义的策略有效地分配和执行。主要有两种流程，顺序和分层，默认是顺序执行。
1. 顺序，按顺序执行任务，一个任务的输出作为下一个任务的背景。
2. 分层，模拟企业层级结构，自动创建经理Agent，需要为经理Agent指定manager_llm（一个LLM的实例）。此经理Agent负责监督任务执行，包括规划、委派和验证。任务不是编程分配的，经理Agent根据其他Agent的能力分配任务，审查输出并评估任务完成情况。这个就会比较灵活，也有点像AutoGen。
3. 共识（开发中），在Agent之间引入了一种民主的任务管理方法，在任务执行时进行协作决策，从而不需要经理Agent。
1. Crew：相当于一个团队，定义有哪些Agent、Task，以及以什么样的流程执行。团队组建完毕，就用kickoff()方法启动工作流程。
2. Collaboration：这是个基础概念，并没有可以实例化的对象。这个是CrewAI最主要的核心能力，对于我们来说，定义Agent、定义Task并不是什么难事，并且这肯定是使用者应该输入的。但让Agent协作完成目标就是比较麻烦了，当然你可以自己去编写流程，智能化自动化才是更优方案。
3. Memory：CrewAI引入了复杂的记忆系统，旨在增强人工智能代理的能力。包括短期记忆、长期记忆、实体记忆和新识别的情境记忆，每个记忆都有一个独特的目的，帮助Agent记忆、推理并从过去的交互中学习。默认情况下，记忆系统处于禁用状态，可以通过memory=True开启，这个需要Embedding模型的支持。
4. 
   

实例

自从Deepseek的大模型把价格打下来之后，各家卷价格也是相当拼了，百度直接免费了几个大模型的调用，刚好给大家试试效果。注册百度智能云账号后，进入千帆大模型平台-》模型服务-〉应用接入，就可以创建一个用来调用API的Access key 和 Secret key。

下面创一个自动写技术博客的crew，看看效果怎样

创建一个Project目录，用pip安装需要的python包

pip install crewai qianfan

接下来在python文件中创建百度千帆的LangChain对象

import osfrom langchain_community.chat_models.baidu_qianfan_endpoint import QianfanChatEndpoint
os.environ["QIANFAN_AK"] = '上面创建应用Access key'os.environ["QIANFAN_SK"] = '上面创建应用Secret key'
baidu_chat = QianfanChatEndpoint(  model="ERNIE-SPEED-8K",  verbose=True)
要写技术博客，少不了要上网搜索资料，定义一个搜索工具Tool，这里换成LangChain的Tools是可以的，只不过输入输出可能要做一些特殊处理

from crewai_tools import SerperDevTool
os.environ["SERPER_API_KEY"] = "Your Key" # serper.dev API key
search_tool = SerperDevTool()

接下来定义Agent和Task，把Agent的llm设置成baidu_chat

researcher = Agent(  role="高级研究分析师",  goal="揭示人工智能和数据科学的前沿发展",  backstory="""你在一家领先的科技智库工作。您的专业技能在于识别新兴趋势。  你有分析复杂数据和提出可行见解的诀窍。""",  verbose=True,  allow_delegation=False,  tools=[search_tool],  llm=baidu_chat)
writer = Agent(  role="技术内容策略师",  goal="创造关于技术进步的引人注目的内容",  backstory="""你是一位著名的内容策略师，以其富有洞察力和引人入胜的文章而闻名。  你将复杂的概念转化为引人入胜的叙述。""",  verbose=True,  allow_delegation=True,  llm=baidu_chat)
task1 = Task(  description="""在2024年对人工智能的最新进展进行全面分析。  确定关键趋势、突破性技术和潜在的行业影响。""",  expected_output="要点中的完整分析报告",  agent=researcher)
task2 = Task(  description="""利用所提供的见解，开发一个引人入胜的博客  文章强调了人工智能的最重大进步。  你的帖子应该内容丰富，易于访问，迎合精通技术的受众。  让它听起来很酷，避免使用复杂的单词，这样听起来就不像人工智能。""",  expected_output="至少4段的完整博客文章",  agent=writer)
crew = Crew(  agents=[researcher, writer],  tasks=[task1, task2],  verbose=2,)
result = crew.kickoff()

Crew的verbose设置了打印日志的级别，我们看看输出的效果

只能说一般吧，如果要解决某一专业的问题，我觉得写技术博客也需要专业，还需要不少优化的，定制化Prompt、执行流程等，但实际效果还不得而知，但这也是大多数AI应用的现状。