Kako izgraditi potpuno autonomni sustav višestrukih agenata za…

U ovom tutorialu, detaljno ćemo obraditi kako izgraditi mali, ali moćan sustav s dva agenta koristeći CrewAI, koji surađuju s modelom Gemini Flash. Uputa će vas voditi kroz postavljanje okoline, sigurnu autentifikaciju, definiciju specijaliziranih agenata i orkestraciju zadataka od istraživanja do struktuiranog pisanja. Pratit ćemo kako svaki dio sustava radi u stvarnom vremenu, pružajući vam praktično razumijevanje modernih agentnih radnih tokova pokretanih LLM-ovima. S tim koracima, jasno ćete vidjeti kako se višestruki agentni tokovi pretvaraju u praktične, modulne i prijateljske za razvoj.

Priprema okoline

Prvi korak je postavljanje okoline i instalacija potrebnih paketa CrewAI. Ovo osigurava da sve radi glatko u Colab okruženju. Uvođenje potrebnih modula stvara čistu osnovu za naš višestruki agentni radni tok.

“`python
import os
import sys
import getpass
from textwrap import dedent

print(“Instaliranje CrewAI i alata… (ovo može potrajati 1-2 minute)”)
!pip install -q crewai crewai-tools
from crewai import Agent, Task, Crew, Process, LLM
“`

Sigurna autentifikacija

Autentifikacija je ključna za sigurno korištenje Gemini API ključa. Ovaj korak osigurava da je ključ sigurno pohranjen u okruženju, omogućujući modelu da radi bez prekida. To nam daje pouzdanje da naš agentni okvir može pouzdano komunicirati s LLM-om.

“`python
print(“\n— API Autentifikacija —“)
api_key = None
try:
from google.colab import userdata
api_key = userdata.get(‘GEMINI_API_KEY’)
print(“ Pronađen GEMINI_API_KEY u Colab Tajkama.”)
except Exception:
pass
if not api_key:
print(“ Ključ nije pronađen u Tajkama.”)
api_key = getpass.getpass(“ Unesite vaš Google Gemini API Ključ: “)
os.environ[“GEMINI_API_KEY”] = api_key
if not api_key:
sys.exit(“ Greška: Nije unesen API Ključ. Molimo pokrenite ponovno i unesite ključ.”)
“`

Definicija agenata

Definicija agenata je centralni dio našeg sustava. Svaki agent ima specifične sposobnosti i uloge, što omogućuje modularnost i prilagodbu. U ovom primjeru, definiramo dva agenta: jedan za istraživanje i drugi za pisanje.

“`python
print(“\n— Definicija Agenta za Istraživanje —“)
agent_istrazivanje = Agent(
role=”Istraživački agent”,
goal=”Pronaći najnovije informacije o umjetnoj inteligenciji”,
backstory=”Ekspert za istraživanje s dubokim razumijevanjem AI tehnologija”,
verbose=True,
allow_delegation=False,
llm=LLM(
model=”gemini-pro”,
api_key=api_key
)
)

print(“\n— Definicija Agenta za Pisanje —“)
agent_pisanje = Agent(
role=”Agent za pisanje”,
goal=”Stvoriti struktuirane i informativne članke”,
backstory=”Ekspert za pisanje s bogatim iskustvom u stvaranju sadržaja”,
verbose=True,
allow_delegation=False,
llm=LLM(
model=”gemini-pro”,
api_key=api_key
)
)
“`

Kreiranje zadataka

Zadaci su ključni za orkestraciju agenata. Svaki zadatak ima specifične upute i ciljeve, što omogućuje agenima da rade zajedno kako bi postigli željeni rezultat. U ovom primjeru, stvaramo zadatak za istraživanje i zadatak za pisanje.

“`python
print(“\n— Kreiranje Zadatka za Istraživanje —“)
zadatak_istrazivanje = Task(
description=”Pronađite najnovije informacije o umjetnoj inteligenciji i sažmite ih u kratak izvještaj.”,
expected_output=”Kratak izvještaj o najnovijim trendovima u umjetnoj inteligenciji.”,
agent=agent_istrazivanje,
async_execution=True
)

print(“\n— Kreiranje Zadatka za Pisanje —“)
zadatak_pisanje = Task(
description=”Stvorite struktuirani članak na temelju izvještaja o najnovijim trendovima u umjetnoj inteligenciji.”,
expected_output=”Struktuirani članak o najnovijim trendovima u umjetnoj inteligenciji.”,
agent=agent_pisanje,
async_execution=True
)
“`

Orkestracija agenata

Orkestracija agenata je završni korak u postavljanju našeg sustava. Ovaj korak omogućuje agenima da rade zajedno kako bi postigli željeni rezultat. U ovom primjeru, stvaramo ekipu koja uključuje oba agenta i zadatke.

“`python
print(“\n— Orkestracija Agenta —“)
ekipa = Crew(
agents=[agent_istrazivanje, agent_pisanje],
tasks=[zadatak_istrazivanje, zadatak_pisanje],
process=Process.sequential,
verbose=2
)

print(“\n— Pokretanje Ekipa —“)
rezultat = ekipa.kickoff()
“`

Praćenje rezultata

Praćenje rezultata je ključno za razumijevanje kako sustav radi. U ovom primjeru, prikazujemo rezultate svakog zadatka kako bismo vidjeli kako su agenti surađivali.

“`python
print(“\n— Rezultati Zadatka za Istraživanje —“)
print(rezultat[0])

print(“\n— Rezultati Zadatka za Pisanje —“)
print(rezultat[1])
“`

Zaključak

U ovom tutorialu, detaljno smo obradili kako izgraditi potpuno autonomni sustav višestrukih agenata za istraživanje koristeći CrewAI. Uputa vas je vodila kroz postavljanje okoline, sigurnu autentifikaciju, definiciju specijaliziranih agenata i orkestraciju zadataka od istraživanja do struktuiranog pisanja. Pratili smo kako svaki dio sustava radi u stvarnom vremenu, pružajući vam praktično razumijevanje modernih agentnih radnih tokova pokretanih LLM-ovima. S tim koracima, jasno ćete vidjeti kako se višestruki agentni tokovi pretvaraju u praktične, modulne i prijateljske za razvoj.

Česta pitanja

Kako postavljam okruženje za CrewAI?

Postavljanje okruženja za CrewAI uključuje instalaciju potrebnih paketa i uvođenje potrebnih modula. Ovo osigurava da sve radi glatko u Colab okruženju.

Kako se autentificiram s Gemini API ključem?

Autentifikacija s Gemini API ključem uključuje povlačenje ili unos ključa i sigurno ga pohranjivanje u okruženju. Ovo osigurava da model može raditi bez prekida.

Kako definiram agente u CrewAI?

Definicija agenata u CrewAI uključuje dodjeljivanje specifičnih sposobnosti i uloga svakom agentu. Ovo omogućava modularnost i prilagodbu.

Kako kreiram zadatke u CrewAI?

Kreiranje zadataka u CrewAI uključuje dodjeljivanje specifičnih uputa i ciljeva svakom zadatku. Ovo omogućava agenima da rade zajedno kako bi postigli željeni rezultat.

Kako orkestriram agente u CrewAI?

Orkestracija agenata u CrewAI uključuje stvaranje ekipe koja uključuje agente i zadatke. Ovo omogućava agenima da rade zajedno kako bi postigli željeni rezultat.

Kako pratim rezultate u CrewAI?

Praćenje rezultata u CrewAI uključuje prikazivanje rezultata svakog zadatka. Ovo omogućava razumijevanje kako sustav radi.

Kako se višestruki agentni tokovi pretvaraju u praktične, modulne i prijateljske za razvoj?

Višestruki agentni tokovi postaju praktični, modulni i prijateljski za razvoj kroz definiranje specijaliziranih agenata, kreiranje zadataka i orkestraciju agenata. Ovo omogućava agenima da rade zajedno kako bi postigli željeni rezultat.