CrewAI: En guide med exempel på system med flera AI‑agenter

AI‑agenter är assistenter som kan utföra uppgifter och interagera med omvärlden. Till skillnad från traditionella system som följer fasta regler kan de lära sig och anpassa sig till nya situationer. Tänk på dem som programvaror som kan uppfatta sin miljö och agera.

Men vad skiljer AI‑agenter från andra AI‑enheter, som de populära språkmodellerna vi alla hört talas om?

I den här artikeln besvarar jag den frågan och introducerar CrewAI, ett kostnadsfritt och öppet Python‑ramverk som förenklar utvecklingen av AI‑system med flera agenter. Vi går igenom skillnaden mellan agenter och språkmodeller, varför agentramverk är viktiga för att bygga AI‑applikationer, och visar hur CrewAI gör det möjligt för agenter att samarbeta och nå fina resultat.

AI‑agenter vs. LLM:er

Låt oss reda ut en vanlig missuppfattning om skillnaden mellan agenter och stora språkmodeller (LLM:er). Båda tillhör familjen artificiell intelligens, men de har olika förmågor.

Språkmodeller, som ChatGPT och Gemini, är mycket skickliga på att använda språk. De har tränats på enorma mängder text och kod, vilket ger dem förmågan att förstå och producera språk som ligger nära mänsklig kommunikation.

LLM:er är artificiell intelligens motsvarighet till ordkonstnärer och kan skapa allt från översättningar och sammanfattningar till kreativa berättelser eller till och med poesi. Deras räckvidd är vanligtvis begränsad till språkrelaterade uppgifter.

Agenter fokuserar däremot främst på att vidta åtgärder. De kan navigera, interagera med objekt och fatta beslut baserat på sina perceptioner. 

Kort sagt: språkmodeller är hjärnan och agenterna är händerna. Tillsammans bildar de en kraftfull duo.

Så, när agenter spelar en så avgörande roll i AI‑applikationer, hur hanterar vi komplexiteten när flera agenter måste samarbeta? Det är här agentramverk kommer in.

Behovet av ett agentramverk

Behovet av agentramverk uppstår ur den växande komplexiteten i AI‑applikationer, särskilt när flera agenter samarbetar för att nå ett gemensamt mål. Låt oss se varför agentramverk är oumbärliga.   

Orkestrering och koordinering

När AI‑system växer inkluderar de ofta många agenter med olika förmågor. Att hantera dessa interaktioner och säkerställa att de samverkar harmoniskt blir allt svårare.

Agentramverk erbjuder en strukturerad miljö som möjliggör orkestrering av agenters aktiviteter, definierar deras roller och ansvar och förbättrar kommunikationen.

I system med flera agenter är en viktig aspekt den effektiva fördelningen av uppgifter till de mest lämpade agenterna och en god hantering av delade resurser. Agentramverk tillhandahåller dynamiska mekanismer för uppgiftsfördelning, resursförhandling och konfliktlösning.

Modularitet och återanvändbarhet

Agentramverk främjar ett modulärt angreppssätt för AI‑utveckling, där agenter utformas och implementeras som oberoende komponenter. Denna modularitet ger bättre kodstruktur och möjliggör återanvändning av agentmoduler i olika projekt, vilket förenklar utvecklingen och underhållet av komplexa system. Med denna komponentbaserade struktur kan AI‑utvecklare fokusera på enskilda agenter utan att störa det större systemet.

Dessutom antar agentramverk ofta en rollbaserad arkitektur som låter utvecklare tilldela specifika roller till agenter, vilket definierar deras kapabiliteter och behörigheter. Denna rollbaserade design leder till ett mer organiserat och hanterbart system där agenter kan läggas till, tas bort eller ändras med minimal påverkan på den övergripande arkitekturen. Denna flexibilitet säkerställer att systemen kan utvecklas och anpassas till nya krav utan omfattande omarbetning.

Anpassningsförmåga och lärande

Verkliga miljöer är ofta dynamiska, oförutsägbara och ständigt föränderlig. Agentramverk utrustar agenter med förmågan att uppfatta förändringar i omgivningen och anpassa sitt beteende därefter. Denna anpassningsförmåga säkerställer att agenter kan fungera effektivt även i komplexa och skiftande scenarier, vilket gör dem bättre rustade att hantera utmaningar i verkligheten.

Dessutom innehåller agentramverk ofta inlärningsmekanismer som gör det möjligt för agenter att förbättra sin prestation över tid. Genom att lära av återkoppling och erfarenheter kan agenter kontinuerligt optimera sina beslutsprocesser och anpassa sig till nya utmaningar när de uppstår. Denna kontinuerliga förbättring gör agenter mer effektiva och värdefulla och bidrar till långsiktig systemeffektivitet och framgång.

Och på tal om agentramverk: låt oss presentera ett som gör avtryck i AI‑världen – CrewAI.

Vad är CrewAI?

CrewAI är ett öppet Python‑ramverk byggt kring två kompletterande byggstenar:

• Crews — team av AI‑agenter som samarbetar autonomt genom rollbaserat beslutsfattande — och
• Flows — produktionsklara, händelsedrivna arbetsflöden som ger dig kontroll över automationer.

Tillsammans låter de dig bygga allt från en enkel forskningspipeline till ett helt autonomt multiagentsystem.

Detta ramverk består av en rad verktyg, inklusive webbsökmotorer och språkmodeller, som gör det möjligt för agenter att interagera med omvärlden, samla in information och agera för att uppfylla sina mål.

CrewAIs design och skalbarhet gör det perfekt för att utveckla både enkla och komplexa applikationer med flera agenter, och uppmuntrar ett samarbetsinriktat sätt att angripa problem och fatta beslut inom AI‑system.

Låt oss titta på några av de viktigaste funktionerna som gör CrewAI till ett kraftfullt verktyg för att bygga system med flera agenter.

• Agentorkestrering: CrewAI ser till att varje agent vet sin roll i framförandet. Det tillhandahåller verktyg för att definiera och samordna agentbeteenden så att alla spelar i takt.
• Rollbaserad arkitektur: Precis som att tilldela olika instrument till musiker låter CrewAI dig tilldela specifika roller till agenter, vilket definierar deras kapabiliteter och behörigheter. Detta skapar ett modulärt och välstrukturerat system även när det blir komplext.
• Flexibel kommunikation: CrewAI stöder olika kommunikationskanaler och låter agenter utbyta information sömlöst. Tänk det som en privat chatt, en gruppdiskussion och en megafon i ett.
• Verkt ygsintegration: CrewAI ger agenter möjlighet att interagera med världen genom olika verktyg. Dessa verktyg låter agenter söka på webben, förstå språk, analysera data och utföra anpassade uppgifter.
• Skalbarhet: CrewAI är utformat för att skalas smidigt så att ditt system med flera agenter förblir responsivt och effektivt när det växer.

Men vilka fördelar ger CrewAI? Låt oss utforska dem.

CrewAI Flows och Crews

CrewAI är uppbyggt kring två kompletterande byggstenar som tillsammans hanterar allt från enkla agentuppgifter till komplexa produktionspipelines.

Crews är team av AI‑agenter som samarbetar autonomt. Varje agent i en Crew har en definierad roll, ett mål och en bakgrund — och de arbetar tillsammans för att slutföra uppgifter, delegera till varandra och fatta beslut utan att du behöver skripta varje steg. En Crew använder du när du vill att agenterna ska lista ut hur något ska göras.

Flows är orkestreringslagret ovanför Crews. Med en Flow kan du kedja ihop flera Crews, lägga till villkorslogik mellan stegen, hantera tillstånd genom hela pipelinen och trigga åtgärder baserat på händelser. Där en Crew ger dig autonomi, ger en Flow dig kontroll.

För de flesta nybörjare börjar du med Crews. Först när du behöver tillförlitlighet i produktion använder du Flows. Flows är hur du skalar upp.

Fördelar med att använda CrewAI

CrewAI gör det möjligt för flera AI‑agenter att samarbeta, dela kunskap och samordna sina åtgärder mot ett gemensamt mål.

Genom att automatisera uppgiftsfördelning och resurs­hantering kan CrewAI låta agenter fokusera på sina specifika roller med minimalt overhead.

Ramverket stöder också anpassningsförmåga, så att agenter kan justera sitt beteende utifrån förändrade förhållanden eller mål.

Dessutom förenklar CrewAI utvecklingsprocessen med en lättanvänd plattform för att skapa och hantera system med flera agenter.

En annan nyckelstyrka hos CrewAI är dess integration med ett brett utbud av verktyg. Detta utökar agenternas kapacitet och låter dem interagera med omvärlden och samla in information.

CrewAI stöder verktyg som webbsökmotorer, språkmodeller, dataanalysverktyg och till och med egenbyggda funktioner. Detta gör det möjligt för agenter att utföra uppgifter bortom sina kärnförmågor, som att hämta information från webben eller genomföra komplex dataanalys.

Praktiskt: Bygg ett webbsökningsverktyg med CrewAI

Låt oss kavla upp ärmarna och bygga ett arbetsflöde med CrewAI‑verktyg för att skrapa innehåll från en webbplats och sedan köra RAG på det. 

Vi behöver skriva koden som får verktyget att fungera. Innan vi börjar installerar vi paketen crewai-tools och crewai med pip:

# Install CrewAI with tools support
pip install 'crewai[tools]'

# Or using uv (recommended by CrewAI for dependency management)
uv add 'crewai[tools]'

När du har installerat paketen följer du stegen nedan. I det här exemplet använder vi tre olika verktyg: ScrapeWebsiteTool för att skrapa webbplatsen, FileWriterTool för att skriva filen och TXTSearchTool för att söka i kontexten för RAG. Nu kör vi.

Steg 1: Skrapa en webbplats

Vi importerar först nödvändiga bibliotek och initierar ScrapeWebsiteTool. Detta verktyg används för att extrahera innehåll från en webbplats. I det här fallet är det inställt på att skrapa innehåll från Wikipedias sida ”Artificial Intelligence”:

from crewai_tools import ScrapeWebsiteTool, FileWriterTool, TXTSearchTool
import requests

# Initialize the tool, potentially passing the session
tool = ScrapeWebsiteTool(website_url='https://en.wikipedia.org/wiki/Artificial_intelligence')  

# Extract the text
text = tool.run()
print(text)

Steg 2: Skriv den extraherade texten till en fil

Vi använder nu FileWriterTool för att spara den extraherade texten i en fil som heter ai.txt. 

# Initialize the tool
file_writer_tool = FileWriterTool()

# Write content to a file in a specified directory
result = file_writer_tool._run(filename='ai.txt', content = text, directory = '', overwrite=True)
print(result)

Steg 3: Konfigurera textsökningsverktyget

Vi sätter upp ytterligare ett verktyg för att söka i innehållet i filen ai.txt som vi just sparade. Vi sätter också miljövariabeln för OpenAI‑API‑nyckeln.

import os
from crewai_tools import TXTSearchTool

os.environ['OPENAI_API_KEY'] = 'API-KEY'

# Initialize the tool with a specific text file, so the agent can search within the given text file's content
tool = TXTSearchTool(txt='ai.txt')

Steg 4: Skapa en agent för uppgiften och kör den

Vi skapar en dataanalytiker‑agent med rollen pedagog. Den här agentens uppgift är att besvara frågan ”Vad är Natural Language Processing?” baserat på texten vi sökte fram i filen.

from crewai import Agent, Task, Crew

context = tool.run('What is natural language processing?')

data_analyst = Agent(
    role='Educator',
    goal=f'Based on the context provided, answer the question - What is Natural Language Processing? Context - {context}',
    backstory='You are a data expert',
    verbose=True,
    allow_delegation=False,
    tools=[tool]
)

test_task = Task(
    description="Using the provided context, answer the question: What is Natural Language Processing?",
    tools=[tool],
    agent=data_analyst,
    expected_output='A clear, 2-3 paragraph explanation of Natural Language Processing, covering its definition, key techniques, and common applications.'
)

crew = Crew(
    agents=[data_analyst],
    tasks=[test_task]
)

output = crew.kickoff()

Hur CrewAI står sig mot LangGraph och AutoGen

CrewAIs främsta alternativ är LangGraph och Microsofts AutoGen. CrewAIs största fördel är dess rollbaserade agentparadigm. Med det menar jag att genom att definiera agenter med roller, mål och bakgrund får du beteenden som nära speglar hur mänskliga team samarbetar.

LangGraph erbjuder mer kontroll över körningsflödet genom ett grafbaserat angreppssätt, men kräver förståelse för riktade grafer och tillståndshantering. För de flesta utvecklare som är nya inom system med flera agenter är CrewAI den snabbare vägen till en fungerande prototyp.

Slutsats

CrewAI erbjuder en praktisk plattform för att hantera system med flera agenter. Oavsett om det handlar om att skrapa innehåll eller delegera uppgifter stöder ramverket samarbete mellan agenter och hjälper dem att anpassa sig och förbättras.

Genom att integrera verktyg och tillhandahålla en organiserad struktur gör CrewAI det enklare för utvecklare att hantera agentinteraktioner, fördela uppgifter och säkerställa optimal prestanda.