多智能体系统 —— Crew.AI

多代理系统是基于LLM的应用程序，正通过智能代理推动自动化的变革。在本文中，我们将探索Crew.AI。如果你想了解更多关于LLM的相关内容，可以阅读以下这些文章：
大型语言模型景观
利用大型语言模型进行因果推理：为什么知识和算法至关重要？
如何为你的业务选择合适的大型语言模型（LLM）
语言模型在虚假信息活动中存在误用——如何降低风险？

多智能体系统

在语言模型和人工智能领域，多代理系统涉及多个独立的参与者，这些参与者由语言模型驱动，以特定的方式协同工作。

在本博客中，我们将深入探讨Crew.AI，这是构建多代理应用的一个新兴框架。Crew.AI提供了一个框架，旨在让代理能够无缝协同工作，处理复杂任务，这种复杂度类似于一个运作良好的团队。Crew.AI的目标是让人工智能代理能够承担角色、共享目标，并作为一个凝聚力强的整体运作。

架构

Crew.AI的架构是模块化的，由几个关键组件组成，这些组件共同实现了一个精心设计的多代理系统。下图展示了该框架中构建多代理LLM应用的关键组件。

我们将从头到尾解释这张图，帮助你理解它们是如何协同工作的。

• 工具：工具是代理用来有效执行特定任务的实用工具或设备。例如，搜索网页、加载文件并读取它们等。Crew.AI是基于LangChain构建的，因此我们可以使用LangChain现有的工具，也可以编写自定义工具。
• 任务：任务是需要执行的具体操作，由代理来完成。我们为任务执行提供了多种工具。
• 代理人：代理人就像团队中的一员，拥有特定的角色、背景、目标和记忆。代理是框架中分配和执行任务的核心。每个Crew.AI代理都是一个LangChain代理，但通过ReActSingleInputOutputParser增强，该解析器经过专门修改，更好地支持角色扮演，并集成了一个上下文记忆机制，使用ConversationSummaryMemory维护上下文。
• 团队：团队由多个代理组成，共同协作完成特定目标。这些代理有明确的合作方式，来完成任务。
• 流程：流程对象是团队完成任务时遵循的工作流或策略。框架定义了三种策略（截至我写这篇文章时，未来还会增加更多）。
• 顺序：此策略按顺序执行任务，适用于流水线类型的工作，其中每个代理执行特定任务后将其传递给下一个代理。在我们今天的例子中，我们将使用这个策略为给定主题撰写一篇博客。
• 分层：该策略以分层方式组织任务，按层次结构委派任务并执行，类似于管理者将任务分配给各个代理，并在任务完成前验证结果。当我们使用此策略时，需要配置manager_llm以辅助决策。在下一篇博客中，我们将使用这个策略构建解决方案。
• 协作流程（计划）：这是基于协作和民主决策的策略，代理通过相互交流来完成任务。虽然此策略尚未正式发布，但未来的博客会对此深入探讨。

更多关于这些对象和API的信息，请参考Crew.AI的文档。

构建第一个多代理系统

现在让我们开始构建第一个多代理系统，该系统将为给定主题生成标记格式的博客。

代码实现

在开始之前，首先安装所有依赖项。你可以在requirements.txt文件中找到所有的Python依赖，运行pip install -r requirements.txt（确保先创建虚拟环境）以安装所有依赖。

为了构建博客多代理应用程序，我们将实现两个代理：

• researcher：负责在网上搜索给定主题并收集所有相关信息。这个代理有LLM背景，能够像研究员一样思考，收集所有关于该主题的资料。
• blogger：负责将研究员收集的内容转化为博客。

这些代理将执行以下任务：

• task_search：此任务负责在网络上搜索给定主题的所有相关内容。我们将提供两个工具（DuckDuckGo搜索工具和Serper的网页搜索工具），以支持task_search代理进行全面研究。
• task_post：此任务负责撰写博客，并以Markdown格式输出。

我们的模型将在Ollama上本地运行。

代码展示

在开始编写代码之前，让我们先导入所有依赖项。

在第9和第10行中，我们定义了将要使用的各种工具。要与Serper的webtool一起使用，你需要在Serper注册，并生成API密钥，然后在环境中进行配置。下图展示了如何获取API密钥。

以下是我的.env文件，我们将使用dotenv库加载它。

请注意，我没有使用OpenAI，但在下面的代码中展示了如何使用OpenAI（如果你不想在Ollama上运行模型）。在我的例子中，我使用Ollama本地安装了一个模型并运行它。如果你愿意，可以使用OpenAI/GPT或其他LLM。

在下面的代码中，我们定义了kickoffcrew(topic)方法。这个方法将在主博客中调用，并将主题参数传递给它，以便执行研究并生成博客。

在这个方法中，我们实例化了前文定义的两个代理Researcher和Blogger。正如你所见，我们为每个代理定义了特定的角色、目标，并设置了背景故事。所有这些都是带有上下文的提示，提供正确的提示非常重要。我必须微调过几次，才获得最佳结果，我相信对这三个参数进行进一步微调可以获得更好的效果。我们还传递了要使用的LLM，注意在这个示例中我们使用的是同一个LLM，但如果需要，也可以为不同的代理使用多个LLM，取决于代理的目标。实际上，针对代理所执行的任务选择最佳的LLM是一种好习惯，以获得最佳结果。

在下面的代码中，我们定义了博客中提到的两个任务——搜索和撰写博客。请注意，在task_search任务中，我们提供了执行网页搜索的工具，并指定了哪个代理将执行该任务。

为了将任务和代理组合在一起，我们实例化了crew对象，传递了将要在其中工作的代理和任务，同时将流程策略设置为顺序。我们调用了crew的kickoff方法，让代理在提供的任务上进行工作。

在代码的主块中，我们通过命令行参数接收主题，并将该主题传递给上面定义的kickoffcrew方法，从而执行系统。

结果

现在我们运行代码。我录制了一段完整的操作视频，展示了整个代理执行过程。https://youtu.be/bEBmLw2gFIY

以下是最终生成的Markdown博客的截图。

是不是很神奇？我们可以用多智能体系统做这么多事情。我对此感到非常兴奋，并且一直在探索各种框架。我非常期待你的反馈，希望这篇博客对你有帮助。

感谢阅读！你还可以订阅我们的YouTube频道，观看大量大数据行业相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/。

原文作者：A B Vijay Kumar
翻译作者：过儿
美工编辑：过儿
校对审稿：Jason
原文链接：https://abvijaykumar.medium.com/multi-agent-system-crew-ai-3773356b8c3e