14.8k Star！CrewAI：部署一支由你指挥的人工智能代理大军，股票分析、发布帖子、支持Ollama！ - 文章 - 开发者社区

Aitrainee | 公众号：AI进修生

🌟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。

picture.image

Hello，大家好，我是Aitrainee，今天要给大家介绍一个超酷的新AI框架——Crew AI（Crew：船员，顾名思义： 机组人员人工智能 ）。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！

教程与演示视频

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

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
          

              
        ]
          

            
        )

与 Ollama 结合使用本地模型 ====================

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
          

              
        ]
          

            
        )

使用本地模型的优势

• 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

picture.image

撰写职位描述

查看此示例代码或观看下面的视频：

picture.image

旅行计划

查看此示例代码或观看下面的视频：

picture.image

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：

picture.image

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

参考链接：

[安装教程]https://www.youtube.com/watch?v=Kbq9m-x7gYU

知音难求，自我修炼亦艰

抓住前沿技术的机遇，与我们一起成为创新的超级个体

（把握AIGC时代的个人力量）

点这里👇关注我，记得标星哦～

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见 ~

picture.image