团队

什么是团队？¶

在 crewAI 中，团队代表一个协作的代理组，他们共同努力以完成一系列任务。每个团队定义了任务执行、代理协作和整体工作流程的策略。

# 示例代码
def example_function():
    print("Hello, World!")

Crew属性¶

属性	参数	描述
任务	`tasks`	分配给Crew的任务列表。
代理	`agents`	属于Crew的代理列表。
过程 (可选)	`process`	Crew遵循的过程流程（例如，顺序、层级）。
详细程度 (可选)	`verbose`	执行期间记录的详细程度。
管理者 LLM (可选)	`manager_llm`	管理代理在层级过程中使用的语言模型。在使用层级过程时必需。
功能调用 LLM (可选)	`function_calling_llm`	如果传递，Crew将使用此 LLM 为Crew中的所有代理进行工具的功能调用。每个代理可以拥有自己的 LLM，这将覆盖Crew的功能调用 LLM。
配置 (可选)	`config`	Crew的可选配置设置，格式为 `Json` 或 `Dict[str, Any]`。
最大请求速率 (可选)	`max_rpm`	Crew在执行期间遵循的每分钟最大请求数。
语言 (可选)	`language`	Crew使用的语言，默认为英语。
语言文件 (可选)	`language_file`	用于Crew的语言文件路径。
记忆 (可选)	`memory`	用于存储执行记忆（短期、长期、实体记忆）。
缓存 (可选)	`cache`	指定是否使用缓存来存储工具执行的结果。
嵌入器 (可选)	`embedder`	Crew使用的嵌入器的配置。当前主要用于记忆。
完整输出 (可选)	`full_output`	Crew是否应返回包含所有任务输出的完整输出，或仅返回最终输出。
步骤回调 (可选)	`step_callback`	每个代理每一步之后调用的函数。可用于记录代理的操作或执行其他操作；它不会覆盖代理特定的 `step_callback`。
任务回调 (可选)	`task_callback`	每个任务完成后调用的函数。用于监控或任务执行后的额外操作。
共享Crew (可选)	`share_crew`	是否希望与 crewAI 团队共享完整的Crew信息和执行，以改善库，并允许我们训练模型。
输出日志文件 (可选)	`output_log_file`	是否希望拥有一个包含完整Crew输出和执行的文件。您可以使用 True 设置它，它将默认为您当前所在的文件夹，并命名为 logs.txt，或者传递一个字符串，包含文件的完整路径和名称。
管理者代理 (可选)	`manager_agent`	`manager` 设置将用作管理者的自定义代理。
管理者回调 (可选)	`manager_callbacks`	`manager_callbacks` 接受一个回调处理程序的列表，当使用层级过程时由管理代理执行。
提示文件 (可选)	`prompt_file`	用于Crew的提示 JSON 文件路径。
规划 (可选)	`planning`	为Crew添加规划能力。在每次Crew迭代之前激活时，所有Crew数据将发送到 AgentPlanner，AgentPlanner 将规划任务，并将此计划添加到每个任务描述中。
规划 LLM (可选)	`planning_llm`	在规划过程中，AgentPlanner 使用的语言模型。

Crew最大请求速率

max_rpm 属性设置Crew每分钟可以执行的最大请求数，以避免速率限制，如果您设置它，将覆盖单个代理的 max_rpm 设置。

创建团队¶

在组建团队时，您需要将具有互补角色和工具的代理组合在一起，分配任务，并选择一个决定它们执行顺序和互动的流程。

# 示例代码
def create_team(agents):
    # 逻辑代码
    pass

示例：组建团队¶

from crewai import Crew, Agent, Task, Process
from langchain_community.tools import DuckDuckGoSearchRun
from crewai_tools import tool

@tool('DuckDuckGoSearch')
def search(search_query: str):
    """Search the web for information on a given topic"""
    return DuckDuckGoSearchRun().run(search_query)

# 定义具有特定角色和工具的代理
researcher = Agent(
    role='高级研究分析师',
    goal='发现创新的人工智能技术',
    backstory="""你是一家大公司的高级研究分析师。
        你负责分析数据并为业务提供洞察。
        你目前正在进行一个项目，分析人工智能领域的趋势和创新。""",
    tools=[search]
)

writer = Agent(
    role='内容撰写者',
    goal='撰写关于人工智能发现的引人入胜的文章',
    backstory="""你是一家大公司的高级撰写者。
        你负责为业务创建内容。
        你目前正在进行一个项目，为下次会议撰写关于人工智能领域趋势和创新的内容。""",
    verbose=True
)

# 为代理创建任务
research_task = Task(
    description='识别突破性的人工智能技术',
    agent=researcher,
    expected_output='前5个最重要的人工智能新闻的要点总结'
)
write_article_task = Task(
    description='撰写关于最新人工智能技术的文章',
    agent=writer,
    expected_output='关于最新人工智能技术的3段博客文章'
)

# 通过顺序流程组建团队
my_crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_article_task],
    process=Process.sequential,
    full_output=True,
    verbose=True,
)

Crew Output¶

理解 Crew 输出

在 crewAI 框架中，团队的输出封装在 CrewOutput 类中。该类提供了一种结构化的方式来访问团队执行的结果，包括原始字符串、JSON 和 Pydantic 模型等多种格式。 CrewOutput 包含最终任务输出、令牌使用情况和各个任务输出的结果。

# 代码块内容保持不变

Crew输出属性¶

属性	参数	类型	描述
原始	`raw`	`str`	Crew的原始输出。这是输出的默认格式。
Pydantic	`pydantic`	`Optional[BaseModel]`	一个 Pydantic 模型对象，表示Crew的结构化输出。
JSON 字典	`json_dict`	`Optional[Dict[str, Any]]`	一个表示Crew JSON 输出的字典。
任务输出	`tasks_output`	`List[TaskOutput]`	一个 `TaskOutput` 对象的列表，每个对象表示Crew中一个任务的输出。
令牌使用	`token_usage`	`Dict[str, Any]`	令牌使用的摘要，提供有关语言模型在执行过程中的性能的见解。

Crew输出方法和属性¶

方法/属性	描述
json	如果输出格式为 JSON，则返回Crew输出的 JSON 字符串表示。
to_dict	将 JSON 和 Pydantic 输出转换为字典。
**str**	返回Crew输出的字符串表示，优先考虑 Pydantic，然后是 JSON，最后是原始格式。

访问团队输出¶

一旦团队执行完毕，可以通过 Crew 对象的 output 属性访问其输出。CrewOutput 类提供了多种方式与该输出进行交互和展示。

示例¶

# Example crew execution
crew = Crew(
    agents=[research_agent, writer_agent],
    tasks=[research_task, write_article_task],
    verbose=2
)

crew_output = crew.kickoff()

# Accessing the crew output
print(f"Raw Output: {crew_output.raw}")
if crew_output.json_dict:
    print(f"JSON Output: {json.dumps(crew_output.json_dict, indent=2)}")
if crew_output.pydantic:
    print(f"Pydantic Output: {crew_output.pydantic}")
print(f"Tasks Output: {crew_output.tasks_output}")
print(f"Token Usage: {crew_output.token_usage}")

内存利用率¶

工作人员可以利用内存（短期内存、长期内存和实体内存）来增强他们的执行和学习能力。此功能允许工作人员存储和回忆执行记忆，从而帮助决策和任务执行策略。

# Code block example
def example_function():
    pass

Cache Utilization¶

Caching can be used to store the results of tool executions, making the process more efficient by reducing the need to re-execute the same tasks.

团队使用指标¶

在团队执行后，您可以访问 usage_metrics 属性，以查看团队执行的所有任务的语言模型（LLM）使用指标。这提供了对运营效率和改进领域的洞察。

# Access the crew's usage metrics
crew = Crew(agents=[agent1, agent2], tasks=[task1, task2])
crew.kickoff()
print(crew.usage_metrics)

Crew Execution Process¶

顺序流程: 任务一个接一个地执行，允许工作线性流动。
层级流程: 一名经理代理协调团队，分配任务并在继续之前验证结果。注意: 此流程需要一个 manager_llm 或 manager_agent，并且对验证流程至关重要。

启动团队¶

一旦您的团队组建完成，使用 kickoff() 方法启动工作流程。这将根据定义的流程开始执行过程。

# Start the crew's task execution
result = my_crew.kickoff()
print(result)

不同的团队启动方式¶

一旦您的团队组建完成，使用适当的启动方法来启动工作流程。CrewAI 提供了几种方法以更好地控制启动过程：kickoff(), kickoff_for_each(), kickoff_async() 和 kickoff_for_each_async()。

kickoff()：根据定义的流程启动执行过程。 kickoff_for_each()：为每个代理单独执行任务。 kickoff_async()：异步启动工作流程。 kickoff_for_each_async()：以异步方式为每个代理单独执行任务。

# Start the crew's task execution
result = my_crew.kickoff()
print(result)

# Example of using kickoff_for_each
inputs_array = [{'topic': 'AI in healthcare'}, {'topic': 'AI in finance'}]
results = my_crew.kickoff_for_each(inputs=inputs_array)
for result in results:
    print(result)

# Example of using kickoff_async
inputs = {'topic': 'AI in healthcare'}
async_result = my_crew.kickoff_async(inputs=inputs)
print(async_result)

# Example of using kickoff_for_each_async
inputs_array = [{'topic': 'AI in healthcare'}, {'topic': 'AI in finance'}]
async_results = my_crew.kickoff_for_each_async(inputs=inputs_array)
for async_result in async_results:
    print(async_result)

这些方法提供了在团队内管理和执行任务的灵活性，允许根据您的需求进行同步和异步工作流程。

从特定任务重放：¶

您现在可以使用我们的命令行界面命令 replay 从特定任务重放。

CrewAI 中的重放功能允许您使用命令行界面 (CLI) 从特定任务重放。通过运行命令 crewai replay -t <task_id>，您可以指定重放过程中的 task_id。

Kickoffs 现在将最新的 kickoffs 返回的任务输出保存在本地，以便您能够进行重放。

从特定任务使用CLI进行重放¶

要使用重放功能，请按照以下步骤操作：

打开终端或命令提示符。
导航到您的CrewAI项目所在的目录。
运行以下命令：

要查看最新的启动任务_id，请使用：

crewai log-tasks-outputs

crewai replay -t <task_id>

这些命令允许您从最新的启动任务进行重放，同时保留之前执行任务的上下文。