跟着我的步骤,轻松打造出 AI 智能体

简介: 跟着我的步骤,轻松打造出 AI 智能体

crewAI 是一个开源框架,可以编排角色扮演的 AI 智能体,通过促进协作使这些 AI 智能体无缝衔接,处理复杂问题。了解详情,可点击此链接。

本文采用的 crewAI 版本为 v0.22.5,废话不多说,直接盘它。

安装

pip install crewai

如果原来已经安装过,可以使用如下命令进行更新:

pip install --upgrade crewai

创建项目

v0.22.5 版本已经支持使用命令 crewai create 项目名称 创建项目。

例如,我们的本地工作目录为 PythonProjects,要创建的项目为 crewai_labs,就可以这样进行安装:

cd PythonProjects
crewai create crewai_labs

执行成功,结果如下所示:

Creating folder crewai_labs...
  - Created crewai_labs/.gitignore
  - Created crewai_labs/pyproject.toml
  - Created crewai_labs/README.md
  - Created crewai_labs/src/crewai_labs/__init__.py
  - Created crewai_labs/src/crewai_labs/main.py
  - Created crewai_labs/src/crewai_labs/crew.py
  - Created crewai_labs/src/crewai_labs/tools/custom_tool.py
  - Created crewai_labs/src/crewai_labs/tools/__init__.py
  - Created crewai_labs/src/crewai_labs/config/agents.yaml
  - Created crewai_labs/src/crewai_labs/config/tasks.yaml
Crew crewai_labs created successfully!

安装项目依赖

根据生成文件 crewai_labs/README.md 中说明安装即可。

5eb58f4b8077cefa868e254b8a82ad7e.png

  1. 确保系统上安装了 Python 版本在 3.10 到 3.13 之间;
  2. 项目使用 Poetry 进行依赖管理;
pip install poetry
  1. poetry.lock 文件
cd crewai_labs
poetry lock
  1. 安装依赖
cd crewai_labs
poetry install
  1. 新增 .env 文件
// 框架默认使用的是 GPT-4,后面会讲解如何自定义配置 LLM
OPENAI_API_KEY=xxx

项目运行

cd crewai_labs
poetry run crewai_labs

输出信息:

// 信息太多,我就不贴了,如果出现了错误,能一眼就能看出发生了错误。

官方示例在未修改的情况下,运行完毕后会在项目根目录创建一个名为 report.md 的文件,内容是关于大型语言模型(LLMs)研究的输出结果。

我本地运行成功后生成的 report.md 内容如下:

# AI Large Language Models (LLMs): A Comprehensive Report 
## Introduction
AI LLMs are machine learning models that use large volumes of data to understand and generate human language. They are increasingly being used across a wide range of industries, transforming how we translate languages, create content, analyze data, and more. Recent developments, like OpenAI's GPT-3, have resulted in models capable of generating contextually relevant texts and performing tasks such as translating languages, writing essays, answering trivia questions, and even writing poetry.
## Specific Use Cases
AI LLMs are being deployed across various sectors, each with unique applications. In healthcare, they are used for predicting patient outcomes, diagnosing diseases, and personalizing treatment plans. Finance sees its utilization for fraud detection, credit scoring, and algorithmic trading. Meanwhile, the retail sector leverages AI LLMs for demand forecasting, customer segmentation, and personalized marketing. Notably, in the automotive industry, they are integral to the development of autonomous vehicles.
## Ethical Concerns
Despite the advantages, AI LLMs present a range of ethical challenges and bias concerns. AI systems may perpetuate existing biases if trained on biased data, leading to unfair outcomes in applications like hiring or lending. Privacy concerns also exist, as AI systems often require access to large amounts of data, potentially including sensitive personal information. Accountability issues arise as well, as it can be challenging to determine responsibility when an AI system causes harm.
## Future Trends
The future of AI LLMs technology is promising. Current trends point towards more transparent AI systems that can explain their decisions, a concept known as explainable AI. There is also a growing interest in federally learning, allowing AI models to learn from decentralized data sources while preserving privacy. Research is also underway to improve the efficiency of AI models, enabling them to provide more accurate predictions with less data and computational resources.
## Market Analysis
The AI LLMs market is competitive, with key players like IBM, Google, Amazon, and Microsoft at the forefront. These companies compete based on the accuracy of their AI models, diversity of applications, and user-friendly interfaces. Partnerships are also a common strategy to enhance offerings, such as IBM's collaboration with Apple to develop healthcare applications.
## Notable Achievements
There have been many groundbreaking achievements in AI LLMs. Google's AI model, AlphaGo, defeated the world champion in the game of Go, signifying a significant milestone in AI development. OpenAI's GPT-3 has showcased impressive capabilities in natural language understanding and generation. In the medical field, several models have demonstrated performance on par with or superior to human experts for medical diagnoses.

核心文件

  • src/crewai_labs/config/agents.yaml,在这里定义 Agents。
  • src/crewai_labs/config/tasks.yaml,在这里定义 Tasks。
  • src/crewai_labs/crew.py,在这里定义自己的逻辑、工具和参配。
  • src/crewai_labs/main.py,在这里定义自己的输入信息。

每个文件的内容,都比较简单,大家可以看一下 ~

主要做了一件什么事?输入一个{主题}(框架中默认主题为:AI LLMs),然后输出一份报告。

框架定义了两个 Agent:

研究人员

  • 角色:{主题} 高级数据研究员
  • 目标:揭示{主题}领域的前沿发展
  • 背景:您是一位经验丰富的研究员,擅长发掘{主题}领域的最新进展。您以能够找到最相关的信息并以清晰、简洁的方式呈现而闻名。
  • 任务:对{主题}进行全面研究 确保在2024年当前的情况下,找到任何有趣且相关的信息。
  • 预期输出:一个包含关于{主题}最相关信息的10个要点的列表。

报告分析师

  • 角色:{主题} 报告分析师
  • 目标:根据{主题}数据分析和研究发现创建详细报告
  • 背景:您是一位注重细节的分析师,对细节有敏锐的洞察力。您以将复杂数据转化为清晰、简洁的报告而闻名,使他人能够轻松理解和根据您提供的信息采取行动。
  • 任务:审查你所获得的背景信息,并将每个主题扩展成一个报告的完整部分。确保报告详细且包含所有相关信息。
  • 预期输出:一份完整的报告,包含主要主题,每个主题都有一个完整的信息部分。以markdown格式呈现,不使用 '```' 符号。

这的核心是提示词!在 .yaml 文件中,按照规范定义提示词即可。

小结

看到这,估计大家都有了自己的想法,知道 crewAI 框架到底是干什么的了。它可以使 AI 代理能够承担角色,可以共享目标,就像一个精密运作的团队一样,共同为一个目标而努力。

个人认为,多智能体协作平台做出的东西可以颠覆目前很多的单智能体应用,好好进行任务编排,大有可为。

目录
打赏
0
3
3
0
63
分享
相关文章
支持 40+ 插件,Spring AI Alibaba 简化智能体私有数据集成
通过使用社区官方提供的超过 20 种 RAG 数据源和 20 种 Tool Calling 接口,开发者可以轻松接入多种外部数据源(如 GitHub、飞书、云 OSS 等)以及调用各种工具(如天气预报、地图导航、翻译服务等)。这些默认实现大大简化了智能体的开发过程,使得开发者无需从零开始,便可以快速构建功能强大的智能体系统。通过这种方式,智能体不仅能够高效处理复杂任务,还能适应各种应用场景,提供更加智能、精准的服务。
AutoAgents:比LangChain更激进的AI开发神器!自然语言生成AI智能体军团,1句话搞定复杂任务
AutoAgents 是基于大型语言模型的自动智能体生成框架,能够根据用户设定的目标自动生成多个专家角色的智能体,通过协作完成复杂任务。支持动态生成智能体、任务规划与执行、多智能体协作等功能。
139 91
Praison AI:LangChain危险了!这个低代码框架让AI智能体「自主协作」,1行代码搞定任务编排
Praison AI 是一个开源的多智能体框架,支持低代码创建和管理AI代理,提供多种流程类型和集成选项,适用于企业流程自动化、智能客服等场景。
92 18
MedRAX:专注于胸部X光检查的AI医学推理智能体,帮助医生快速解读胸部X光片
MedRAX 是一款专门用于胸部X光检查的医学推理AI智能体,整合了多种最先进的分析工具,支持多模态推理和动态任务分解。
77 10
MedRAX:专注于胸部X光检查的AI医学推理智能体,帮助医生快速解读胸部X光片
idea如何使用AI编程提升效率-在IntelliJ IDEA 中安装 GitHub Copilot 插件的步骤-卓伊凡
idea如何使用AI编程提升效率-在IntelliJ IDEA 中安装 GitHub Copilot 插件的步骤-卓伊凡
73 15
idea如何使用AI编程提升效率-在IntelliJ IDEA 中安装 GitHub Copilot 插件的步骤-卓伊凡
node-DeepResearch:开源复现版OpenAI Deep Research,支持多步推理和复杂查询的AI智能体
node-DeepResearch 是一个开源 AI 智能体项目,支持多步推理和复杂查询,帮助用户逐步解决问题。
170 27
node-DeepResearch:开源复现版OpenAI Deep Research,支持多步推理和复杂查询的AI智能体
【上篇】-分两篇步骤介绍-如何用topview生成和自定义数字人-关于AI的使用和应用-如何生成数字人-优雅草卓伊凡-如何生成AI数字人
【上篇】-分两篇步骤介绍-如何用topview生成和自定义数字人-关于AI的使用和应用-如何生成数字人-优雅草卓伊凡-如何生成AI数字人
99 24
【上篇】-分两篇步骤介绍-如何用topview生成和自定义数字人-关于AI的使用和应用-如何生成数字人-优雅草卓伊凡-如何生成AI数字人
1000多个智能体组成,AI社会模拟器MATRIX-Gen助力大模型自我进化
在人工智能领域,大型语言模型(LLMs)的发展迅速,但如何提升其指令遵循能力仍是一大挑战。论文提出MATRIX-Gen,一个基于多智能体模拟的AI社会模拟器。MATRIX-Gen通过模拟智能体交互生成多样化的现实场景,不依赖预定义模板,从而合成高质量指令数据。它包括MATRIX模拟器和MATRIX-Gen指令生成器,能生成监督微调、偏好微调及特定领域的数据集。实验表明,使用MATRIX-Gen合成的数据集微调后的模型在多个基准测试中表现出色,显著优于现有方法。然而,该方法也面临智能体和场景规模对数据质量的影响等挑战。
93 33
Spring AI 智能体通过 MCP 集成本地文件数据
MCP 作为一款开放协议,直接规范了应用程序如何向 LLM 提供上下文。MCP 就像是面向 AI 应用程序的 USB-C 端口,正如 USB-C 提供了一种将设备连接到各种外围设备和配件的标准化方式一样,MCP 提供了一个将 AI 模型连接到不同数据源和工具的标准化方法。
AI智能体再进化,工作流怎么玩?阿里云百炼上手教程
本次分享由讲师林粒粒呀介绍如何快速制作AI智能工具,特别是利用阿里云百炼平台创建工作流。通过简单的拖拽操作,小白用户也能轻松上手,实现从PPT主题到大纲的自动生成,并能一次性生成多个版本。借助API和Python脚本,还可以将Markdown格式的大纲转换为本地PPT文件。整个流程展示了AI智能体在实际应用中的高效性和实用性,帮助用户大幅提升工作效率。
243 32

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等