CrewAI erstellt intelligente Agenten.

CrewAI ist ein Open-Source-Framework für Multi-Agenten-Zusammenarbeit, das speziell dafür entwickelt wurde, mehrere KI-Agenten zu orchestrieren und zu koordinieren, damit sie zusammenarbeiten.

CrewAI kann eine komplexe Aufgabe in mehrere Rollen aufteilen, wobei jede für einen Teil verantwortlich ist, und sie durch Prozesszusammenarbeit abschließen.

Vergleichendes Verständnis:

• Einzelner Agent: Ein großes Modell, von Anfang bis Ende.
• CrewAIProduktmanager + Ingenieur + Analyst + Redakteur, jeder erledigt seine eigene Aufgabe.

CrewAI ist ein Tool zum Koordinieren, Verwalten und Strukturieren von KI-Agenten, das auf LangChain und Pydantic aufbaut, um Rollenspiel-, autonome und kollaborative Agententeams zu ermöglichen.

• Crew: Eine, die aus mehreren bestehtAgentDas Projektteam wurde gebildet.
• Agent (Mitglied): : Einzelpersonen im Team, jede hat eine klarerole(Rolle),goal(Ziel) undbackstory(Hintergrundgeschichte).
• Task: Die konkrete Arbeit, die vom Team erledigt werden muss. EineCrewEnthält mehrere geordnete oder paralleleTask, und weist sie den passendenAgent。
• Process: Definiert den Workflow des Teams, z. B. ob Aufgaben sequenziell oder gleichzeitig ausgeführt werden.

Einfach ausgedrückt bietet crewAI eine strukturierte Möglichkeit zu definieren, wer (Agent) was (Task) unter welchem Prozess (Process) tut, um letztendlich die Teamziele zu erreichen.

Das folgende Flussdiagramm zeigt deutlich, wie die Kernkomponenten im crewAI-Framework zusammenarbeiten:

Der Prozess beginnt mit der Definition von Agenten mit bestimmten Rollen und Zielen und dann mit der Erstellung spezifischer Aufgaben für sie.

Als Nächstes werden diese Agenten und ihre Aufgaben zu einer Crew organisiert, und für die Crew wird ein Kollaborationsprozess ausgewählt, z. B. sequenzielle oder parallele Ausführung. Schließlich führt die Crew alle Aufgaben gemäß dem definierten Prozess aus und liefert das Endergebnis.

Umgebungseinrichtung und Installation

Bevor wir mit dem Bauen beginnen, müssen wir die Entwicklungsumgebung vorbereiten.

Voraussetzung

Python-Versionsanforderungen:

• Muss: Python ≥ 3.10 und < 3.14
• Du kannst im Terminal eingebenpython --versionum es zu prüfen. Wenn der Versionsbereich nicht erfüllt ist, wird es später viele Probleme geben, und es wird nicht empfohlen, es auszusitzen.

CrewAI verwendetUVfür die Verwaltung von Abhängigkeiten und Paketen, mit nur einem Ziel:
Multi-Agent-Projekte stabiler zu machen und sie nicht durch Umgebungsprobleme zu Fall zu bringen.

Einführende UV-Tutorial-Referenz:UV - Python-Paket- und Umgebungsverwaltungstool。

API-Schlüssel:

crewAI selbst stellt keine KI-Modelle bereit; es muss eine Verbindung zu großen Sprachmodellen wie OpenAIs GPT, Anthropics Claude und anderen herstellen.

crewAI installieren

Öffne dein Terminal oder dein Kommandozeilen-Tool und verwende den pip-Befehl, um das crewAI-Paket zu installieren.

# 正常安装
pip install crewai
# 其他依赖
pip install langchain
pip install openai


# 如果安装慢，可以使用国内镜像安装
pip install crewai -i https://mirrors.aliyun.com/pypi/simple/
pip install langchain -i https://mirrors.aliyun.com/pypi/simple/
pip install openai -i https://mirrors.aliyun.com/pypi/simple/

Wenn du einige der integrierten erweiterten Tools von crewAI (wie die Websuche) verwenden möchtest, kannst du zusätzliche Abhängigkeiten installieren:

# 正常安装
pip install 'crewai[tools]'

# 如果安装慢，可以使用国内镜像安装
pip install 'crewai[tools]' -i https://mirrors.aliyun.com/pypi/simple/

In China können wir das große DeepSeek-Modell zum Testen verwenden. Wenn du noch keines hast, musst du zuerst zuhttps://platform.deepseek.com/api_keysgehen und einen API-Schlüssel erstellen.

DeepSeek-API-Dokumentationsreferenz:https://api-docs.deepseek.com/zh-cn/。

Erstelle nach der Installation eine neue Python-Datei, zum Beispielmy_first_crew.py, und importiere die erforderlichen Bibliotheken.

Für Modelle von Drittanbietern (einschließlich DeepSeek) muss das LLM von crewAI auf der untersten Ebene über LiteLLM laufen. Vor der Verwendung müssen wir installieren:

pip install -U litellm

Als Nächstes wird die Aufgabe mit der Ausführung beginnen und relevante Informationen ausgeben:

Nach Abschluss wird der Ausgabeinhalt in die Datei python_data_cleaning_blog.md geschrieben.

Im Folgenden werden die relevanten Attribute im Code erläutert.

LLM (Modellschicht) Schlüsselattribute

Agent (Intelligenter Agent) Schlüsselattribute

researcher

writer (Schreiben)

Fazit
In einer sequentiellen Pipeline sollte der schreibende Agentdie Delegierung deaktivieren, andernfalls ist ein Fehlschlagen bei erneuter Delegierung leicht möglich.

Schlüsselattribute von Task

Gemeinsame Task-Felder:

research_task:

write_task:

Crew (Actuator) Schlüsselattribute

kickoff() und Ausgabestruktur

crewai-Befehl

Wir können dencrewaiBefehl verwenden, um die vollständige Projektstruktur zu generieren:

crewai create crew <项目名>

Zum Beispiel erstellen wir ein Projekt example-agent-test und führen folgenden Befehl aus:

crewai create crew example-agent-test

Als Nächstes erscheint folgender Inhalt. Sie können zuerst den Anbieter des großen Modells auswählen:

Creating folder example_agent_test...
Cache expired or not found. Fetching provider data from the web...
Downloading  [####################################]  1102019/56339
Select a provider to set up:
1. openai
2. anthropic
3. gemini
4. nvidia_nim
5. groq
6. huggingface
7. ollama
8. watson
9. bedrock
10. azure
11. cerebras
12. sambanova
13. other
q. Quit

In diesem Kapitel wählen wir DeepSeek. Geben Sie zuerst 13 ein, um other auszuwählen, dann können Sie mit der Maus scrollen, um zu sehen, dass DeepSeek bei 23 steht. Geben Sie einfach die Zahl 23 ein:

Wenn Sie API-Schlüssel für andere Modelle haben, wählen Sie einfach entsprechend der Nummer aus.

Nach Abschluss sehen Sie das generierte Verzeichnis wie folgt:

Beschreibung der Projektstruktur:

my_project/
├── .env                # 环境变量（API Key）
├── pyproject.toml      # 项目依赖声明
├── README.md
└── src/
    └── my_project/
        ├── main.py     # 程序入口
        ├── crew.py     # Crew 与 Agent 的核心逻辑
        ├── tools/      # 自定义工具
        └── config/
            ├── agents.yaml  # Agent 定义
            └── tasks.yaml   # Task 定义

Führen Sie Ihre Crew aus.

Wechseln Sie in das Projektstammverzeichnis:

cd my_project

Abhängigkeiten sperren und installieren:

crewai install

Ausführen:

crewai run

Oder direkt:

python src/my_project/main.py

API-Schlüssel konfigurieren

Aus Sicherheitsgründen wird nicht empfohlen, den API Key direkt im Code zu schreiben; wir können ihn als Umgebungsvariable setzen.

Im Code setzen (nur zum Testen)：

import os
os.environ["OPENAI_API_KEY"] = "你的-openai-api-key-here"

Empfohlene Vorgehensweise: verwenden Sie.envDatei

Erstellen Sie im Projektstammverzeichnis eine Datei mit dem Namen.envDatei.

Schreiben Sie Folgendes in die Datei:OPENAI_API_KEY=你的-openai-api-key-here

Verwenden Sie im Python-Codepython-dotenvPaket zum Laden.

Installationsbefehl:

pip install python-dotenv

Laden Sie es als Nächstes im Code:

from dotenv import load_dotenv
load_dotenv() # 这会自动加载 .env 文件中的变量
# 现在 os.environ["OPENAI_API_KEY"] 就已经有了值

Kernkomponenten: Ausführliche Erklärung und Praxis

Jetzt bauen wir unser KI-Team Schritt für Schritt auf, ganz so wie ein Unternehmen. Wir werden ein Team zur Erstellung eines technischen Blogs simulieren.

Schritt 1: Den Agenten definieren

Agentist Ihr Teammitglied. Beim Erstellen müssen Sie mehrere Schlüsselattribute definieren:

Erstellen wir zwei Agenten: einenresearcherund einenwriter。

Schritt 2: Aufgabe erstellen

Taskist ein bestimmtes Arbeitselement, das zugewiesen werden muss anAgentzu erledigen. Wichtige Attribute sind:

Wir erstellen eine Aufgabe für den Forscher und eine für den Autor.

Hinweis write_taskin dercontext=[research_task], der Abhängigkeiten zwischen Aufgaben festlegt, was bedeutet, dass der Writer warten muss, bis der Researcher die Aufgabe abgeschlossen hat, bevor er mit der Arbeit beginnt.

Schritt 3: Das Team aufbauen und Prozesse einrichten (Crew & Process)

Jetzt setze denAgentundTaskzusammen inCrew, und definiere ihre ArbeitProcess。

crewAI unterstützt hauptsächlich zwei Prozesse:

• Process.sequential: Aufgaben werden in der Reihenfolge der Liste ausgeführt. Geeignet für Pipeline-Operationen mit strengen Abhängigkeiten.
• Process.hierarchical: Kombiniert mit einem Manager-Agent, der Aufgaben koordiniert und zuweist. Geeignet für komplexere, dynamische Kollaborationsszenarien.

Schritt 4: Die Aufgabe ausführen und Ergebnisse erhalten.

Alles ist bereit, starte dein KI-Team!

Führe dein Python-Skript aus (python my_first_crew.py). Da wirverbose=Trueundverbose=2, siehst du im Terminal den Denkprozess jedes Agenten und die Aufgabenausführungsprotokolle und schließlich den generierten Blogartikel.

Fortgeschrittene Techniken: Agents mit Tools ausstatten

crewAI ermöglicht esAgentexterne Tools aufzurufenTool, wie z. B. das Durchsuchen des Webs, das Abfragen von Datenbanken, das Durchführen von Berechnungen usw.

Das folgende Beispiel stattet den Researcher mitWebsucheundBerechnungs-Tools aus: