?Crew AI： 一个前沿AI框架，使用它便可部署一支由你指挥的人工智能代理大军，创建强大数字劳动力。
该框架使代理能够通过角色扮演无缝协作和协同工作。可以将其视为协调一支高效、有凝聚力的 AI 代理团队，每个代理都有自己独特的角色和目标。所以 Crew AI 就是让一群 AI 代理像一个团队一样协同工作。
关键特性
• 基于角色的代理设计：使用特定的角色、目标和工具自定义代理。
• 自主的代理间委派：代理可以自主委派任务并互相询问，提高问题解决效率。
• 灵活的任务管理：定义带有可定制工具的任务，并动态分配给代理。
• 流程驱动：目前仅支持顺序任务执行和层级流程，但更复杂的流程如共识和自主流程正在开发中。
• 保存输出为文件：将单个任务的输出保存为文件，以便日后使用。
• 解析输出为Pydantic或Json：将单个任务的输出解析为Pydantic模型或Json。
• 支持开源模型：使用Open AI或开源模型运行你的crew，详见连接crewAI到LLMs页面，了解如何配置代理连接到模型，即使是本地运行的模型！
最简单入门教程：
一个例子：CrewAI LLaMa 3：如何创建AI代理来实现新闻机构自动化
利用 Groq 和 Llama 3 API支持Crew AI 以创建 AI 代理。?✨ 我们将首先设置数据库并创建 API，然后将这些元素与 Crew AI 集成，为新闻机构开发自定义工具和 AI 代理。
? 您将学到什么：为体育新闻设置自己的数据库。开发与数据库交互的 API。在 Crew AI 中创建自定义工具以利用您的 API。为体育领域的研究和新闻构建 AI 代理。
官方演示：股票分析人工智能团队股票分析人工智能团队：CrewAI 旨在促进角色扮演 AI 代理的协作。在此示例中，这些代理共同提供完整的股票分析和投资建议
1. 运行脚本默认使用 GPT-4，因此您需要具备 GPT-4 的访问权限来运行它。
免责声明： 这将使用 GPT-4，除非您更改设置，否则将花费您费用。
• 配置环境：复制
.env.example并设置 Browseless、Serper、SEC-API 和 OpenAI 的环境变量。• 安装依赖项：运行
poetry install --no-root。• 执行脚本：运行
python main.py并输入您的想法。
详细信息与解释
• 运行脚本：执行
python main.py并在提示时输入要分析的公司。脚本将利用 CrewAI 框架来分析公司并生成详细报告。• 关键组件：
•
./main.py：主脚本文件。•
./stock_analysis_tasks.py：包含任务提示的主要文件。•
./stock_analysis_agents.py：包含代理创建的主要文件。•
./tools：包含代理使用的工具类。
使用 GPT 3.5
CrewAI 允许您将 llm 参数传递给代理构造函数，使其成为代理的大脑。因此，将代理更改为使用 GPT-3.5 而不是 GPT-4 只需在您希望使用该 LLM 的代理（在 main.py 中）传递该参数。
from langchain.chat_models import ChatOpenAI
llm = ChatOpenAI(model='gpt-3.5') # 加载 GPT-3.5
def local_expert(self):
return Agent(
role='最佳金融分析师',
goal="""以您的财务数据和市场趋势分析
给所有客户留下深刻印象""",
backstory="""最有经验的金融分析师，拥有丰富的股票市场分析和
投资策略经验，正在为一个非常重要的客户工作。""",
verbose=True,
llm=llm, # <----- 在这里传递我们的 llm 引用
tools=[
BrowserTools.scrape_and_summarize_website,
SearchTools.search_internet,
CalculatorTools.calculate,
SECTools.search_10q,
SECTools.search_10k
]
)CrewAI 框架支持与本地模型（如 Ollama）的集成，以增强灵活性和定制化。这使您能够利用自己的模型，这对于专门任务或数据隐私问题特别有用。
设置 Ollama
• 安装 Ollama：确保 Ollama 在您的环境中正确安装。请按照 Ollama 提供的安装指南进行详细说明。
• 配置 Ollama：设置 Ollama 以使用您的本地模型。您可能需要使用 Modelfile 调整模型，我建议添加
Observation作为停用词，并调整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")
# 将 Ollama 模型传递给代理：在 CrewAI 框架内创建代理时，您可以将 Ollama 模型作为参数传递给代理构造函数。例如：
def local_expert(self):
return Agent(
role='最佳金融分析师',
goal="""以您的财务数据和市场趋势分析
给所有客户留下深刻印象""",
backstory="""最有经验的金融分析师，拥有丰富的股票市场分析和
投资策略经验，正在为一个非常重要的客户工作。""",
verbose=True,
llm=ollama_openhermes, # 在这里传递 Ollama 模型
tools=[
BrowserTools.scrape_and_summarize_website,
SearchTools.search_internet,
CalculatorTools.calculate,
SECTools.search_10q,
SECTools.search_10k
]
)• 隐私：本地模型允许在您自己的基础设施内处理数据，确保数据隐私。
• 定制化：您可以根据任务的具体需求定制模型。
• 性能：根据您的设置，本地模型可以提供性能优势，特别是在延迟方面。
下面提供官方的文档介绍、相关资源、部署教程等，进一步支撑你的行动，以提升本文的帮助力。
官方教程
要开始使用CrewAI，请按照以下简单步骤操作：
1. 安装
pip install crewai
如果您希望安装带有可选功能（包括代理额外工具）的‘crewai’包，可以使用以下命令：pip install 'crewai[tools]'。此命令安装基本包并添加需要更多依赖项才能运行的额外组件。
pip install 'crewai[tools]'
2. 设置你的Crew
import os
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool
os.environ["OPENAI_API_KEY"] = "YOUR_API_KEY"
os.environ["SERPER_API_KEY"] = "Your Key" # serper.dev API key
# 您可以选择通过Ollama使用本地模型。更多信息请参阅https://docs.crewai.com/how-to/LLM-Connections/
# os.environ["OPENAI_API_BASE"] = 'http://localhost:11434/v1'
# os.environ["OPENAI_MODEL_NAME"] ='openhermes' # 根据可用模型进行调整
# os.environ["OPENAI_API_KEY"] ='sk-111111111111111111111111111111111111111111111111'
# 您可以传递一个可选的llm属性来指定您想要使用的模型。
# 它可以是通过Ollama / LM Studio的本地模型，或是远程模型
# 如OpenAI、Mistral、Antrophic等（https://docs.crewai.com/how-to/LLM-Connections/）
#
# import os
# os.environ['OPENAI_MODEL_NAME'] = 'gpt-3.5-turbo'
#
# 或
#
# from langchain_openai import ChatOpenAI
search_tool = SerperDevTool()
# 定义具有角色和目标的代理
researcher = Agent(
role='高级研究分析师',
goal='发现AI和数据科学的最新发展',
backstory="""你在一家领先的科技智库工作。
你的专长在于识别新兴趋势。
你擅长解析复杂数据并提出可行的见解。""",
verbose=True,
allow_delegation=False,
# 您可以传递一个可选的llm属性来指定您想要使用的模型。
# llm=ChatOpenAI(model_name="gpt-3.5", temperature=0.7),
tools=[search_tool]
)
writer = Agent(
role='科技内容策划师',
goal='撰写引人入胜的科技进展内容',
backstory="""你是一位著名的内容策划师，以洞察力和引人入胜的文章而闻名。
你将复杂概念转化为引人入胜的叙述。""",
verbose=True,
allow_delegation=True
)
# 为你的代理创建任务
task1 = Task(
description="""对2024年AI的最新进展进行全面分析。
识别关键趋势、突破性技术及潜在行业影响。""",
expected_output="要点形式的完整分析报告",
agent=researcher
)
task2 = Task(
description="""利用提供的见解，撰写一篇引人入胜的博客
文章，突出最重要的AI进展。
你的文章应该既信息丰富又易于理解，面向技术精通的观众。
使其听起来很酷，避免使用复杂的词汇以免听起来像AI。""",
expected_output="至少四段的完整博客文章",
agent=writer
)
# 用顺序流程实例化你的crew
crew = Crew(
agents=[researcher, writer],
tasks=[task1, task2],
verbose=2, # 您可以设置为1或2以不同的日志记录级别
)
# 让你的crew开始工作吧！
result = crew.kickoff()
print("######################")
print(result)除了顺序流程，您还可以使用层级流程，它会自动分配一个经理给已定义的crew，以通过委派和结果验证来正确协调任务的规划和执行。了解更多关于流程的信息。
快速教程
撰写职位描述
查看此示例代码或观看下面的视频：
旅行计划
查看此示例代码或观看下面的视频：
股票分析
[查看此示例代码](https://github.com/jo
aomdmoura/crewAI-examples/tree/main/stock_analysis)或观看下面的视频：
连接你的Crew到模型
CrewAI支持通过多种连接选项使用不同的LLM。默认情况下，你的代理会在查询模型时使用OpenAI API。然而，还有其他多种方式允许你的代理连接到模型。例如，你可以通过Ollama工具配置你的代理使用本地模型。
请参考连接crewAI到LLMs页面，了解如何配置代理连接到模型。
CrewAI的比较
• Autogen：虽然Autogen在创建能够协作的对话代理方面表现不错，但它缺乏内在的流程概念。在Autogen中，编排代理的交互需要额外的编程，随着任务规模的扩大，这可能变得复杂和繁琐。
• ChatDev：ChatDev引入了流程的概念到AI代理领域，但其实现相当僵化。ChatDev的自定义能力有限，并不面向生产环境，这可能会阻碍在实际应用中的可扩展性和灵活性。
CrewAI的优势：CrewAI是以生产为目的构建的。它结合了Autogen的对话代理的灵活性和ChatDev的结构化流程方法，但没有僵化性。CrewAI的流程设计动态且适应性强，能够无缝融入开发和生产工作流中。
贡献
CrewAI是开源的，我们欢迎贡献。如果你想贡献，请：
• Fork 仓库。
• 为你的特性创建一个新分支。
• 添加你的特性或改进。
• 发送 pull 请求。
• 我们感谢你的输入！
安装依赖项
poetry lock
poetry install虚拟环境
poetry shell
Pre-commit hooks
pre-commit install
运行测试
poetry run pytest
运行静态类型检查
poetry run mypy
打包
poetry build
本地安装
pip install dist/*.tar.gz
