Hello folks，我是 Luga，今天我们继续来聊一下人工智能（AI）生态领域相关的技术 - AI Agents ，本文将继续聚焦在针对新型开源 AI Agents CrewAI 的技术进行解析，使得大家能够了解 CrewAI 的基本概念以及基于 CrewAI 对其进行应用及市场开发。
LLM (大型语言模型) 已经渗透到我们生活的方方面面，从日常聊天到文档解析，发挥着重要作用。随着 LLM 在全球范围内的热潮席卷而来，开发者们开始将重点放在人类推理和问题解决上，创造了更加专注和目标导向的 LLL（Language and Logic Learning）应用程序，以应对当今面临的各种复杂问题。
这些创新的 LLL 应用程序通过优化、扩展和提升 LLM 的能力，为我们提供了更加高效、智能化的解决方案。不论是在商业、科学还是社会领域，这些应用程序都成为了我们理解和应对复杂问题的有力工具，同时也开辟了全新的可能性。
— 01 —
传统 AI Agents 的出路在哪里 ？
随着技术的蓬勃发展，AI Agents 正在成为改变游戏规则的力量，迅速成为解决问题、创造力和创新的合作伙伴，而这正是 CrewAI 的独特之处。
能想象一下？仅仅几分钟内，可以将一个想法转化为一个完整的登录页面，这正是我们利用 CrewAI 一起实现的场景。
最近的一个案例展示了 CrewAI 与 LangChain 和 OpenHermes2.5（由 Ollama 提供支持）合作的成果，将一行简单的文字转变为一个完整的登录页面。这个案例揭示了 AI Agents 协作中尚未开发的巨大潜力，以及更快速进行市场测试想法的能力，而这只是 CrewAI 在 Replit 中使用代码的一个应用场景。
如下为将 Ollama 与 CrewAI 集成 Demo 示例：
代码语言：javascript复制from langchain.llms import Ollama
ollama_openhermes = Ollama(model="agent")
# Pass Ollama Model to Agents: When creating your agents within the CrewAI framework, you can pass the Ollama model as an argument to the Agent constructor. For instance:
local_expert = Agent(
role='Local Expert at this city',
goal='Provide the BEST insights about the selected city',
backstory="""A knowledgeable local guide with extensive information
about the city, it's attractions and customs""",
tools=[
SearchTools.search_internet,
BrowserTools.scrape_and_summarize_website,
],
llm=ollama_openhermes, # Ollama model passed here
verbose=True
)实例化 Ollama 模型
CrewAI 的愿景非常明确，即让工程师们能够借助 AI Agents 的集体力量，超越传统的自动化方法。CrewAI 将各种代理聚集在一起，简化决策过程，增强创造力，并迎接解决复杂挑战的挑战。
这种新型协作方式不仅提供了高效的工具和技术支持，而且还鼓励创新和实验。CrewAI 的出现为工程师们创造了一个全新的机遇，使他们能够更快速地推动想法的实现，并在竞争激烈的市场中保持领先地位。
— 02 —
什么是 CrewAI 库 ？
由 OpenAI 开发，于 2023 年 8 月发布。CrewAI 提供了一组通用的工具和库，可用于处理多代理系统的常见任务，如代理通信、协调和决策。CrewAI 的潜在应用包括机器人协作、自动驾驶、虚拟现实以及增强现实等多种不同领域。
作为一个专为构建和编排 AI Agents 组而设计的库。CrewAI 基于简单化理念以及模块化策略的模式，使得我们可以将 CrewAI 集成到我们的项目中变得轻而易举。我们可以这样理解：将 CrewAI 想象成一组构建块，每个构建块都是独一无二的，但它们都经过精心设计，可以无缝组合在一起。
从技术实现角度而言，CrewAI 建立在 LangChain 之上，这使得它能够与多种不同的现有工具兼容，包括通过 Ollama 等平台的本地开源模型。
通过借助 CrewAI，我们可以轻松构建一个强大的 AI Agents 组，以解决各种复杂任务和挑战。无论是自然语言处理、问题解答还是智能决策，CrewAI 提供了丰富的功能和灵活性。我们可以根据具体需求自由选择和组合各种模块，以创建一个符合我们预期目标的独特系统。
借助 CrewAI 的模块化设计，我们可以将现有的工具和技术与其无缝集成，实现更高效的开发和部署。基于所提供的简单易用接口和开发人员友好的文档，使得我们能够快速上手并快速实现我们的创意。
不仅如此，CrewAI 同时也是一个持续发展和更新的库，积极采纳并融合最新的研究成果和技术进展。这意味着我们可以始终与前沿的人工智能能力和最佳实践保持同步。
— 03 —
CrewAI 架构设计及实现原理
类似于 LangChain 的设计理念，CrewAI 的设计思想是让工程师们能够以简单的方式构建复杂的 AI 应用。通过模块化的方法，将功能划分为独立的构建块，每个构建块都具有特定的功能和任务。这种模块化的设计思维使得工程师们可以根据需要自由选择、组合和定制这些构建块，从而快速搭建出符合自己需求的系统。
通常来说，CrewAI 的核心组件主要涉及如下：
1、Agent - 代理
Agent 通常为我们忠诚而值得信赖的伙伴，每个 Agent 都有自己独特的个性、背景故事和技能。他们能够随时准备被协调支配，无论是去实现某一特定的功能场景、解决棘手的难题，还是探索未知的世界。
2、Task - 任务
CrewAI 任务是为了解决特定问题或完成特定目标而设计的。每个任务都具有明确的目标和要求，并且被分解成小而专注的子任务。这种任务的细分使得 Agent 能够更加集中精力，并以更高效的方式完成任务。
每个 CrewAI 任务都具有独特的特征和要求，Agent 需要根据任务的性质和目标来选择合适的方法和策略。这使得任务的执行更加灵活和自适应，Agent 可以根据具体情况做出相应的决策和调整。
3、Tools - 工具
在 CrewAI 中，Agent 被用作高效执行任务的工具。我们可以利用 LangChain 中的各种现有工具，也可以快速开发自己的工具。同时，CrewAI 也鼓励我们根据具体任务的需求，快速编写自定义工具。这种灵活性使得我们能够根据特定情况和任务的要求，定制化代理工具，以更好地满足我们的需求。
通过结合使用 LangChain 中的现有工具和自定义工具，我们能够最大程度地发挥代理的潜力，提高任务执行的效率和质量。
4、Process - 流程
Process 是根据任务的性质和复杂程度进行定制的。不同的任务可能需要不同的 Process 来达到最佳效果。Process 可以包括任务的分解、资源的分配、沟通协调等环节，旨在最大限度地提高团队的工作效率和任务完成质量。
Process 的设计也可以根据经验和实践进行不断优化和改进。通过对 Process 的不断迭代和优化，团队可以提高工作效率、减少错误和风险，并提供更好的团队协作和成果交付。
5、Crew - 执行者
Crew 在 CrewAI 中是代理人、任务和过程相结合的容器层，是任务执行的实际场所。作为一个协同合作的环境，Crew 提供了代理人之间的交流、合作和按照规定过程执行任务的平台。通过 Crew 的设计，代理人能够更好地协作并以高效的方式完成任务。
从架构设计角度而言，经过 ReActSingleInputOutputParser 增强，每个 CrewAI Agent 本质上都是一个 LangChain Agent。该解析器经过专门修改，以便更好地进行功能支持，包含用于上下文焦点的绑定停用词，并集成了内存机制（使用 LangChain 的 ConversationSummaryMemory）以实现任务的连续性。
Agent 是建立在 LangChain 之上的，这一事实创造了飞轮效应，主要的一个是我们可以立即使用所有 LangChain 工具和工具包，从而使得 CrewAI 具有很强的可扩展性和灵活性，可用于各种任务。
在当前的迭代中，Agent 自主运行，通过自我对话来确定工具的使用。这使得其能够适应不断变化的环境和任务要求。然而，CrewAI 的未来版本计划引入不同的流程类型。这些将允许代理在更复杂的场景中协同工作，例如在团队合作任务或需要多个代理来解决单个问题的情况下。
在最新版本的 CrewAI 平台中，每个 Task 在创建时都将明确分配至指定的代理单元来执行。这有助于更清晰识别每个代理当前负责的任务类型与量，以及任务运行进度。
同时，系统还能针对每个 Task 限定其使用的工具范围，例如仅允许调用某类算法库等，从而可以有效避免由于工具限制导致的任务失败，也防止单个代理长期占用特定资源阻塞其他工作。
Crew 作为封装代理和任务的框架，促进它们顺序执行工作，从而使得更容易管理代理之间的依赖关系，并确保任务以正确的顺序执行。在业务实践中，我们可能会发现部署多个独立的 Crew（每个 Crew 配备几个特工）更为有效。这种模块化方法允许每个工作人员产生不同的结果，而不是由单个大型工作人员处理许多任务和代理处理单一输出。
— 04 —
CrewAI 与 Autogen 以及 ChatDev Agents 的对比分析
Autogen 擅长创建能够协同工作的会话代理，但其缺点是缺乏固有的流程概念。这意味着在 Autogen 中，编排代理的交互需要额外的编程。随着任务规模的增长，这可能会变得复杂和繁琐。
相对于 CrewAI， 具体来说，Autogen 在以下方面存在缺陷：
1、缺乏流程概念：这意味着 Autogen 代理只能按照它们被编程的方式进行交互。如果需要代理以不同的方式交互，则需要进行额外的编程。
2、编程复杂：编程 Autogen 代理的交互可能非常复杂，尤其是对于复杂的任务及逻辑。
3、可扩展性差：Autogen 代理的编程方式不利于可扩展性。随着任务规模的增长，编程代理的交互变得更加困难。
ChatDev 将流程的概念引入了 AI 代理领域，但其实现相当僵化。ChatDev 中的自定义是有限的，并且不适合生产环境。这意味着 ChatDev 可能难以满足复杂应用程序的需求，并且可能导致可扩展性和灵活性问题。
同样，相对于 CrewAI，ChatDev 的不足主要体在以下几个方面，具体：
1、自定义有限：ChatDev 中的自定义是有限的。这意味着 ChatDev 可能难以满足复杂应用程序的需求。
2、不适合生产环境：ChatDev 不适合生产环境。这意味着 ChatDev 可能难以满足实际应用程序的要求。
3、可扩展性差：ChatDev 的实现不利于可扩展性。随着任务规模的增长，ChatDev 可能难以满足应用程序的需求。
总的来说，相对于 Autogen 和 ChatDev 创建会话代理的工具，CrewAI 的构建以生产为中心，既提供了Autogen 对话代理的灵活性，又采用了 ChatDev 的结构化流程方法，但又不失灵活性。
CrewAI 基于动态的流程设计理念，具有很强的适应性，可以无缝地融入开发和生产工作流程，以使得工作流程可以根据需求进行调整和优化，以适应不同的工作场景和业务需求。
未来，CrewAI 将继续丰富其工作流程能力，支持涵盖更多领域的流程定义。同时，CrewAI 平台将进一步优化不同助手间的协作体系，提高工作效率和质量。
与此同时，CrewAI 在用户体验和定制性方面也在不断改进。基于简单直观的集成接口，可以有效地帮助企业快速定义和执行定制化的工作流，用户无需关注底层技术细节，便可安全有效地利用 AI 助手团队。
因此，从某种意义上来讲，CrewAI 不仅是一个解决人工智能协同问题的有效工具，同时，也在重新塑造人类与 AI 之间的关系模式。它将 AI 助手的能力发挥到极致，助推 AI 在各行各业的广泛应用。随着 CrewAI 技术的不断成熟，AI 将成为企业协同工作的重要力量。
Reference ：
[1] https://github.com/joaomdmoura/crewai
Adiós !
