Construire des agents d’IA avec Crewai: un pas vers l’avenir des systèmes autonomes

Préface

Le développement des agents d’IA se produit comme l’une des frontières les plus instigatives de l’invention des logiciels. Alors que les modèles de langage large (LLMS) continuent d’évoluer, nous assistons à l’intégration des agents de l’IA dans les écosystèmes logiciels. Ces agents promettent un avenir où les tâches peuvent être accomplies de manière transparente en utilisant la voix, les gestes ou les invites simples, sauf la nécessité de relations maison traditionnelles. Pourtant, le développement d’agents d’IA en est encore à ses débuts, tout comme Internet dans les années 1990. La structure fondamentale, les outils et les tissus sont toujours façonnés pour débloquer toute l’éventualité de l’IA indépendante. Un cadre similaire menant la charge est Crewai, conçu pour simplifier et améliorer la collaboration des agents d’IA et les poursuites. Dans cette composition, nous explorerons Crewai, ses caractéristiques cruciales et comment vous pouvez le travailler pour faire d’importants agents d’IA qui aident à la gestion de projet à l’aide d’un train JIRA CSV.

Que sont les agents de l’IA?

Les modèles de grandes langues (LLM) sont exceptionnels dans les tâches comme le retraitement, la résumé et la logique. Pourtant, leur véritable implicite va au-delà d’une génération de manuels non résistante. Pour exploiter complètement leur logique et leurs capacités de prise de décision, nous devons faire de l’agent LLMS – les équiper d’outils, de mémoire et de flux de travail structurés pour agir de manière autonome. Les agents de l’IA sont des LLM améliorés avec les bons outils et invites, leur permettant d’interagir avec un environnement externe. Ces agents peuvent automatiser des tâches similaires à la navigation Web, le grattage des données, la poursuite des requêtes SQL, les opérations de train, les appels d’API, etc. En utilisant les capacités logiques de LLMS, les agents de l’IA peuvent séduisant sévèrement les outils applicables fondés sur la tâche à accomplir. Bien qu’un seul agent puisse être utile, les opérations du monde réel portent souvent plusieurs agents travaillant ensemble pour gérer des workflows complexes. C’est là que les systèmes multi-agents entrent en jeu – permettant aux agents de l’IA de s’unir, de déléguer des tâches et de briser les problèmes plus efficacement. Lors de l’agitation des agents d’IA, Langchain est souvent le cadre incontournable. Pourtant, l’orchestrer manuellement plusieurs agents d’IA dans Langchain peut être exténuant, causant des problèmes importants dans la conception des relations et la gestion des dépendances. C’est là que Crewai entre en jeu – offrant une approche structurée de la structure et de la coordination des agents d’IA de manière transparente.

Préface à Crewai

Crewai est un cadre open-source conçu pour orchestrer des agents d’IA indépendants et indépendants. Il permet la création de systèmes d’IA coopératifs qui peuvent réaliser efficacement des prétentions complexes. Le cadre permet aux agents de l’IA d’assumer des lieux distincts, de déléguer des tâches et d’aligner leur sueur vers des objets participants un peu comme une équipe réelle travaillant ensemble. Il y a alors quelques caractéristiques de nom d’agents fondés sur le rôle de Crewai, les agents peuvent être définis avec des lieux, des prétentions et des histoires spécifiques, perfectionnant l’environnement pour les LLM pendant les poursuites. Les tâches de gestion des tâches peuvent être définies avec des outils associés et stout affectés aux agents fondés sur leurs lieux et capacités. Les agents de délégation inter-agents peuvent se déléguer des tâches, favorisant une collaboration sans faille.

Diagramme

L’illustration ci-dessus représente le processus Crewai, illustrant comment les agents interagissent inclusivement, gérent les tâches et réalisent les problèmes. Crewai s’intègre parfaitement à l’écosystème de Langchain, permettant aux médicaments de travailler les outils de Langchain et les intégrations LLM. Cela fait de Crewai un cadre important pour ériger des systèmes d’IA sophistiqués et multi-agents. ériger des agents d’IA avec

Crewai (Guide pratique)

Dans cette section, nous allons montrer comment Crewai peut être utilisé pour créer un système d’IA coopératif pour un cas d’utilisation de gestion de projet. Le cas d’utilisation implique plusieurs agents d’IA travaillant ensemble pour lire et disséquer des données de conception, induire des visualisations et collecter un rapport final. Chaque agent se voit attribuer des lieux et des tâches spécifiques, imitant un peloton réel. En utilisant Crewai, nous orchestrons ces agents de manière transparente pour réaliser la croissance demandée. Connons dans le codage. Comme toute conception Python, commencez par configurer un terrain virtuel et installez les dépendances nécessaires. Nous aurons besoin de la bibliothèque Crewai et de la clé API Chatgpt. Vous pouvez utiliser d’autres LLM, comme les modèles à accès ouvert de Google et Facebook.

Installer et importer des bibliothèques

L’étape à venir consiste à charger des configurations pour les agents et les tâches des lignes YAML. Ces configurations définissent les lieux, les outils et les tâches des agents de l’IA, leur permettant d’effectuer des opérations spécifiques. Les lignes YAML servent d’arrangements pour rationaliser la création d’agents et l’attribution des tâches. Échantillon d’agents.yaml échantillon de tâches.yaml

Tâche

Agents

Définissons le CSV_TOOL pour notre cas d’utilisation. Étant donné que les données sont remises au format CSV, cet outil permettra une exécution efficace des données. De plus, d’autres outils peuvent être créés et définis comme exigés pour s’adapter aux conditions spécifiques.

Outil CSV

Définissons les agents et la tâche.

Tâche d’agent

Nous avons trois agents, chacun conçu pour une partie spécifique de notre flux de travail de l’opération de conception. Ces lieux et configurations donnent à l’environnement nécessaire pour que le LLM puisse fonctionner efficacement. Pour le cas, le dataframe_agent est équipé de l’outil CSV pour gérer les requêtes de données, tandis que le chart_generation_agent se concentre sur les données d’imagerie, et le report_agent compile le rapport final. « 

L’étape à venir consiste à créer un équipage pour la «gestion de projet».

Créer un équipage

Exécutez maintenant le flux de travail de l’équipage, affichez les résultats, calculez, affichez le coût et convertissez les critères de fonctionnement en trame de données

Coup d’envoi de l’équipage

Ce sont les résultats que nous obtenons après l’accusation

Résultat de l’équipage

Explication du droit

La loi ci-dessous démontre la manière suivante
• Définition de l’agent Configuration des agents avec des lieux spécifiques similaires à l’analyse des données, à la génération de cartes et aux rapports.
• Définition de la tâche Affectation des tâches aux agents ayant un environnement et des interdépendances.
• Agents et tâches de création de l’équipage dans un équipage à unir sur la conception.
• Concevoir des poursuites en remontrant la conception et le dosage des résultats, y compris les coûts et l’exploitation des jetons.

Caractéristiques cruciales du cas d’utilisation

1. Spécialisation en partie
• DataFrame_agent gère toutes les tâches d’analyse des données à l’aide de pandas.
• Chart_generation_agent se concentre sur la création de visualisations perspicaces.
• Reporting_agent compile le rapport final fondé sur les entrées des autres agents.
2. Collaboration
• Les agents participent à leurs travaux et s’unissent pour négocier la chose.
3. Orchestration sans couture
• Les tâches sont strictement assignées aux agents et leurs interdépendances sont gérées efficacement.
Ces agents gèrent chacun différents aspects de la conception, participant parfaitement aux informations et aux problèmes. Crewai gère efficacement les relations et les workflows, attribuant strictement des tâches fondées sur les capacités des agents et les exigences spécifiques du flux de travail.

Opérations du monde réel

• Les opérations implicites pour les agents d’IA indépendantes s’étendent largement à travers les disciplines colorées, en particulier les acolytes avancés, des acolytes particuliers sont capables de gérer de manière autonome les tâches de routine, de résumé des données et de perceptivité étayée.
• Interprétation du droit Les praticiens axés sur l’IA qui exécutent des tâches de programmation en temps réel, offrant un support de codage interactif.
• Précepteurs virtuels Les précepteurs de l’IA peuvent offrir des gestes éducatifs confirmés acclimatés aux styles et objets d’alphabétisation individuels.
• Les opérations logicielles axées sur les agents sont érigées autour de conceptions d’agent-premier qui répondent intimement aux relations de stoner sans intervention d’amorce.
• L’informatique spatiale et les agents AR / VR AI améliorent les gestes immersifs, liant parfaitement les relations virtuelles avec un environnement physique.

Vous avez trouvé cela utile? PARTAGEZ-LE