Crewai 的多代理会议准备：4 个代理从混乱到清晰！

Rifx.Online
AI Applications , Best Practices , Case Studies
05 Mar, 2025

利用CrewAI框架进行AI驱动的会议准备

在本博客中，我们将探讨如何利用CrewAI框架创建一个AI驱动的会议准备系统。目标是通过使用专门的Agent协同工作，自动化收集关键信息、分析行业趋势、制定会议议程和生成执行简报的Process。

什么是 CrewAI？

CrewAI 是一个旨在协调多个 AI Agent 共同完成共享 Task 的框架。每个 Agent 专注于特定领域并执行明确的功能。这些 Agent 可以协作、共享数据，并朝着共同的目标努力。这对于需要多个专业领域的复杂 Task 来说是完美的，例如准备会议。

用例：AI 会议准备 Agent

对于这个用例，我们将创建一个自动化准备商务会议的系统。该系统将涉及以下 AI Agent：

Context Analyzer: 该 Agent 将收集并总结有关公司和会议背景的信息。
Industry Insights Generator: 该 Agent 将分析行业趋势、竞争对手和市场条件，以提供与会议相关的见解。
Strategy Formulator: 该 Agent 将根据背景和行业分析制定会议策略和议程。
Executive Briefing Creator: 该 Agent 将信息综合成一个简明的执行摘要，以便与会议参与者分享。

这些 Agent 将通过完成特定的 Task 和共享他们的输出进行协作，最终产生一个全面的会议准备包。

前提条件

要构建这个系统，您需要以下内容：

Python 3.x
CrewAI 库
OpenAI 或其他 LLMs 的 API 密钥
Serper API 密钥（用于网络搜索功能）

您可以使用以下命令安装所需的库：

pip install crewai
pip install openai
pip install crewai-tools

逐步实施

让我们逐步分析代码并详细解释每个部分：

1. 设置环境

使用 python -m venv .venv 创建 Python 环境，并从提供的 GitHub 安装给定的 requirements.txt 包。

import os
from crewai import Agent, Task, Crew, LLM
from crewai_tools import SerperDevTool

openai_key = 'your_openai_key'
serper_api_key = 'your_serper_api_key'

claude = LLM(model="gpt-4o-mini", temperature=0.7, api_key=openai_key)
search_tool = SerperDevTool()

OpenAI 密钥 用于与模型如 GPT 进行交互，以生成来自 AI 代理的响应。
SerperDevTool 用于实时搜索有关公司和行业的信息。

2. 定义代理

现在，我们定义将执行特定任务的代理。每个代理都被初始化为一个角色、目标和背景故事，这有助于代理理解其工作及如何贡献。

在给定的代码中，您将理解多个代理如何相互协作以解决问题。

context_analyzer = Agent(
    role='Meeting Context Specialist',
    goal='Analyze and summarize key background information for the meeting',
    backstory='You are an expert at quickly understanding complex business contexts and identifying critical information.',
    verbose=True,
    allow_delegation=False,
    llm=claude,
    tools=[search_tool]
)

industry_insights_generator = Agent(
    role='Industry Expert',
    goal='Provide in-depth industry analysis and identify key trends',
    backstory='You are a seasoned industry analyst with a knack for spotting emerging trends and opportunities.',
    verbose=True,
    allow_delegation=False,
    llm=claude,
    tools=[search_tool]
)

strategy_formulator = Agent(
    role='Meeting Strategist',
    goal='Develop a tailored meeting strategy and detailed agenda',
    backstory='You are a master meeting planner, known for creating highly effective strategies and agendas.',
    verbose=True,
    allow_delegation=False,
    llm=claude
)

executive_briefing_creator = Agent(
    role='Communication Specialist',
    goal='Synthesize information into concise and impactful briefings',
    backstory='You are an expert communicator, skilled at distilling complex information into clear, actionable insights.',
    verbose=True,
    allow_delegation=False,
    llm=claude
)

context_analyzer: 该代理收集会议的所有相关背景信息，例如最近的新闻、竞争对手以及公司的关键产品或服务。
industry_insights_generator: 该代理根据会议的背景生成与行业、市场趋势和竞争分析相关的洞见。
strategy_formulator: 该代理利用收集到的背景和行业洞见创建详细的会议策略和议程。
executive_briefing_creator: 该代理将所有信息综合成简洁的会议执行摘要。

3. 为每个 Agent 定义任务

每个 Agent 被分配一个任务，该任务定义了它需要完成的内容。例如，context_analysis_task 要求上下文分析器收集和分析关于公司及会议目标的信息。

context_analysis_task = Task(
    description=f"""
    Analyze the context for the meeting with {company_name}, considering:
    1. The meeting objective: {meeting_objective}
    2. The attendees: {attendees}
    3. The meeting duration: {meeting_duration} minutes
    4. Specific focus areas or concerns: {focus_areas}

    Research {company_name} thoroughly, including:
    1. Recent news and press releases
    2. Key products or services
    3. Major competitors

    Provide a comprehensive summary of your findings, highlighting the most relevant information for the meeting context.
    Format your output using markdown with appropriate headings and subheadings.
    """,
    agent=context_analyzer,
    expected_output="A detailed analysis of the meeting context and company background, including recent developments, financial performance, and relevance to the meeting objective, formatted in markdown with headings and subheadings."
)

4. 协调与 Crew 的 Agents

Crew 类将所有代理和任务汇集在一起，并确保它们按顺序工作以实现最终目标。Process.sequential 选项确保任务一个接一个地完成。

meeting_prep_crew = Crew(
    agents=[context_analyzer, industry_insights_generator, strategy_formulator, executive_briefing_creator],
    tasks=[context_analysis_task, industry_analysis_task, strategy_development_task, executive_brief_task],
    verbose=True,
    process=Process.sequential
)

5. 运行 Crew

最后，我们通过调用 kickoff() 来执行 Crew，这会按顺序触发所有任务，并允许 Agent 完成他们的工作。

result = meeting_prep_crew.kickoff()        
print(result)

通过运行上述单元，您将看到 Agent 如何相互运行以解决问题，您可以在终端中观察到这一点。这将输出所有 Agent 的结果，提供一个全面的会议准备包，包括：

对公司和会议目标的上下文分析。
行业洞察和趋势。
定制的会议策略和议程。
详细的执行简报。

以类似的方式，您可以使用多个 Agent 解决复杂问题。此外，您可以通过调用函数来检索数据，集成各种工具，如 API、自定义 API 和第三方工具。在这个系统中，每个 Agent 彼此通信，以协作解决复杂问题。结果可能会根据您使用的 LLM 模型而有所不同，例如 GPT-4o、GPT-01 或 GPT-4o-vision 等。

您不仅可以处理文本，还可以通过在 CrewAI 多 Agent 框架中利用视觉模型来处理与图像相关的任务，以解决与图像相关的问题。