关于人工智能船员的博客，写关于人工智能船员的博客 | 作者：Ryan A Ellis | Medium
- Rifx.Online
- Programming , Autonomous Systems , Generative AI
- 03 Jan, 2025
介绍
这篇博客的目的是简要展示我使用 crewAI 框架构建的内容以及使其工作的组件。我想测试一下我从 DeepLearning.AI 的短期课程 Multi AI Agent Systems with crewAI 中学到的知识。本文将简要解释我使用的 crewAI 组件，以构建我自己的团队来撰写博客。为了演示，该项目是在 jupyter notebook 中用 python 编写的，最后会提供 notebook 的链接。
什么是 Crew AI？
CrewAI 是一个用 Python 编写的多智能体框架，允许用户创建自主的 AI 代理，以协同工作来完成一个或多个任务。有关其详细信息和功能，您可以访问他们的网站 crewai.com。Crew AI 的核心组件可以分为以下几类：
代理： CrewAI 中的代理是具有明确角色和目标的自主实体。例如，“研究员”可能负责收集信息，而“撰稿人”则专注于撰写引人入胜的内容。
任务： 这些是分配给代理的单独任务。每个任务都有描述和预期输出，以确保清晰和方向明确。
工具： 代理使用各种工具来完成任务。这些工具可能包括网页抓取工具、API 集成功能或语言模型。
流程： CrewAI 通过流程协调任务执行。这些流程可以是顺序的或层次化的，有效地指导代理完成任务。
项目设置
我的目标是利用 crewAI 的模板代码并进行定制，以创建一个能够规划、研究和撰写既具有教育意义又易于理解的技术博客的团队。像代理人一样划分工作，我将项目分为几个部分，并在后续添加细节。最终计划如下：
- 安装 crewAI
- 定义工具和密钥
- 定义代理角色
- 设置任务
- 定义并运行你的团队！
现在，让我们开始吧！
第一步：安装 Crew AI
要安装 crewAI，您需要在系统上安装 Python >=3.10 和 <=3.13：
%pip install crewai==0.30.11 crewai_tools==0.2.6
恭喜！crewAI 现在应该已安装完成！
第2步：定义工具和密钥
在处理API密钥时，建议将其存储为*.env文件中的变量，并将该文件包含在.gitignore中，以确保敏感信息保持私密。为了加载这些环境变量，我使用dotenv*库，如果在您的环境中尚不可用，可能需要进行安装。对于这个项目，我们有两个需要保密的变量：我们的OpenAI密钥和Serper API密钥。以下是我的.env文件的示例，以及我如何将变量导入本地环境。
SERPER_API_KEY = 'Your Key Here'
OPENAI_API_KEY= 'Your Key Here'
OPENAI_MODEL_NAME='gpt-4o'
from dotenv import load_dotenv
## Loading variables from .env file
load_dotenv()
加载完我们的API密钥后，我们现在可以初始化AI工具。
from crewai_tools import ScrapeWebsiteTool, SerperDevTool, YoutubeChannelSearchTool, YoutubeVideoSearchTool, CodeDocsSearchTool
codeDocTool = CodeDocsSearchTool()
youtubeChannelTool= YoutubeChannelSearchTool()
youtubeVideoTool = YoutubeVideoSearchTool()
search_tool = SerperDevTool()
scrape_tool = ScrapeWebsiteTool()
对于我们选择的大型语言模型，我们选择了gpt-4o。然而，您并不局限于OpenAI的llm。CrewAI允许您使用多种您选择的模型！想要了解更多内容，请访问crewAI的文档。CrewAI的核心组成部分之一是其工具的使用。您可以使用预构建的工具或创建自定义工具。由于不确定AI可能需要的具体工具，我决定为其配备五个预构建的工具：ScrapeWebsiteTool、SerperDevTool、YoutubeChannelSearchTool、YoutubeVideoSearchTool和CodeDocsSearchTool。以下是每个工具的简要描述：
- ScrapeWebsiteTool： 通过抓取整个网站来促进全面的数据收集。
- SerperDevTool： 实现高效的Google搜索。
- YoutubeChannelSearchTool： 一种检索增强生成（RAG）工具，用于在YouTube频道内搜索，适合视频内容分析。
- YoutubeVideoSearchTool： 一种RAG工具，旨在在YouTube视频中搜索，适合提取视频数据。
- CodeDocsSearchTool： 一种RAG工具，优化用于搜索代码文档和相关技术文档。
第3步：定义代理角色
在crewAI中定义代理时，必须为他们分配角色、目标和背景故事。角色和目标应与代理将执行的任务对齐。背景故事增加了个性和背景，使代理更加贴近用户。例如，对于研究代理，我们的目标是确保其摘要简洁明了，以便写作代理能够轻松扩展。请注意，输入的更清晰和简洁的组合将大大影响代理的表现。
##############################################################
## Agent: Planner
#
##############################################################
planner = Agent(
role="内容规划师",
goal="规划关于{topic}的引人入胜且事实准确的内容",
backstory="您正在规划一篇关于主题：{topic}的博客文章。"
"您收集有助于受众学习和做出明智决策的信息。"
"您的工作是内容写作者在该主题上撰写文章的基础。",
allow_delegation=False,
tools=[scrape_tool, search_tool]
)
##############################################################
## Agent: Researcher
#
##############################################################
researcher = Agent(
role="技术研究员",
goal="为写作者找到优秀的信息来源作为起点。",
tools=[search_tool, scrape_tool,codeDocTool, youtubeChannelTool, youtubeVideoTool],
backstory=(
"作为技术研究员，您在导航和提取文档中的关键信息方面的能力无与伦比。"
"您是阅读代码并将其翻译成通俗英语的专家"
)
)
##############################################################
## Agent: Writer
#
##############################################################
writer = Agent(
role="内容写作者",
goal="撰写关于主题：{topic}的深入且易于理解的教程",
backstory="您正在撰写关于主题：{topic}的新教程。"
"您的写作基于内容规划师的工作，内容规划师提供大纲和相关背景信息。"
"您遵循大纲的主要目标和方向，"
"由内容规划师提供。"
"您还提供客观和公正的见解，并用内容规划师提供的信息进行支持。"
"您会说明您的来源。",
allow_delegation=False
)
##############################################################
## Agent: Editor
#
##############################################################
editor = Agent(
role="编辑",
goal="编辑给定的博客文章，使其符合组织的写作风格。"
"确保博客文章是为初学者撰写的",
backstory="您是一名编辑，收到内容写作者提供的博客文章。"
"您的目标是审查博客文章，"
"确保其遵循新闻最佳实践，"
"在提供观点或主张时提供平衡的观点，"
"并尽可能避免重大争议话题或观点。",
allow_delegation=False
)
代理可以在代理或任务级别分配单独的工具。当在任务级别分配时，工具的使用优先级更高。默认情况下，委派是启用的，但对于这个特定的设计，我们禁用委派，以使代理专注于特定任务。在其他情况下，启用委派可能有助于使代理与其任务对齐，当任务可能由多个专业代理处理时。
第4步：设置任务
请记住，这个团队的目标是撰写一篇博客。我创建了四个任务来实现这个目标：
- 计划： 为博客创建一个大纲。
- 研究： 收集并分析各种博客来源。
- 写作： 使用提供的来源草拟博客。
- 编辑： 校对博客并优化搜索引擎优化（SEO）。
每个任务都需要一个描述、预期输出和分配的代理。描述和输出可以包含变量，用{}表示，可以在初始化团队时进行自定义。
################################################################################
## 任务：计划
#
################################################################################
plan = Task(
description=(
"1. 选择一个易于复制的任务，主题为： "
"{topic}。\n"
"2. 为对 Python 知识有限的人规划文章。\n"
"3. 制定详细的内容大纲，包括 "
"引言、关键点和行动号召。\n"
"4. 包括 SEO 关键字和相关数据或来源。"
),
expected_output="一份全面的内容计划文档，"
"包含大纲、受众分析、"
"SEO 关键字和资源。"
"应以逐步的方式格式化。",
agent=planner,
tools=[search_tool, scrape_tool]
)
################################################################################
## 任务：研究
#
################################################################################
research = Task(
description=("根据内容规划者的当前计划，确保执行以下操作。\n"
"1. 确定哪些网站是搜索的最佳选择。针对计划主题 {topic}。\n"
"2. 制作一个资源摘要，供写作者在撰写文章时参考。"
),
expected_output="一份结构化的资源列表，每个来源都有简要描述。",
agent=researcher,
tools=[search_tool, scrape_tool,codeDocTool, youtubeChannelTool, youtubeVideoTool],
context=[plan]
)
################################################################################
## 任务：写作
#
################################################################################
write = Task(
description=(
"1. 根据内容规划者和技术研究者提供的大纲，撰写一篇关于 {topic} 的博客文章。\n"
"2. 自然地融入 SEO 关键字。\n"
"3. 各部分/小标题命名应当吸引人。\n"
"4. 确保文章结构合理，包含 "
"引人入胜的引言、深刻的正文，"
"以及总结性的结论。\n"
"5. 文章应以一种读者可以复制的方式撰写。\n"
"6. 校对语法错误，并确保与品牌声音一致。\n"
),
expected_output="一篇格式良好的博客文章，"
"采用 markdown 格式，准备发布，"
"每个部分应有 2 或 3 段。",
agent=writer,
tools=[search_tool, scrape_tool],
context = [plan,research]
)
################################################################################
## 任务：编辑
#
################################################################################
edit = Task(
description=("校对给定的博客文章，"
"检查语法错误，并确保内容丰富。"),
expected_output="一篇格式良好的博客文章，采用 markdown 格式，"
"准备发布，"
"每个部分应有 2 或 3 段。",
agent=editor,
context=[plan,research,write],
output_file="final_article.md"
)
为了确保任务所需的所有资源可用，您可以定义上下文。此上下文是一个任务数组，必须在当前任务执行之前完成。
第5步：定义并运行你的团队！
我们快要结束了！现在，我们需要定义团队并启动其运行。对于这个项目，我们使用 crewAI 的顺序流程，按给定顺序执行任务。或者，crewAI 还提供了一个层次流程，其中经理 LLM 将任务分配给代理。我们还为团队启用了记忆功能，允许代理之间进行检索增强生成 (RAG)。有关记忆组件如何工作的更多详细信息，请参阅 crewAI 文档。
from crewai import Crew, Process
from langchain_openai import ChatOpenAI
crew = Crew(
agents=[planner, researcher, writer, editor],
tasks=[plan, research, write, edit],
process=Process.sequential,
verbose=True,
memory=True
)
现在让我们运行我们的团队！
result = crew.kickoff(inputs={"topic": "Building a Simple blog writing Crew with CrewAI"})
当我们运行团队时，我们将给团队提供输入，这些输入将充当我们在任务中使用的变量。输入是一个文本字典，但你可以让这些文本指向你想要的任何内容。例如，你可以让文本值指向 pdf 文件的位置。不过，要使其正常工作，代理还必须配备相应的工具来读取 pdf。
结论
在本文中，我演示了如何使用 crewAI 框架创建一个用于撰写博客的团队。您可以在我的 GitHub 上找到我的结果，格式为 markdown，链接 这里。
额外资源
- 源文件： 我使用的 Jupyter Notebook。
- CrewAI 文档： 官方的 crewAI 文档。
- 使用 crewAI 的多 AI 代理系统： 由 Deeplearning.AI 提供的短期课程，为我提供了 crewAI 框架的基础概念。
