跳转到主要内容

​
概述

CrewAI 中的训练功能允许您使用命令行界面 (CLI) 训练您的 AI 智能体。通过运行命令 crewai train -n <n_iterations>，您可以指定训练过程的迭代次数。 在训练过程中，CrewAI 利用技术结合人类反馈来优化智能体的性能。这有助于智能体提高其理解、决策和问题解决能力。

​
使用 CLI 训练您的 Crew

要使用训练功能，请遵循以下步骤
  1. 打开您的终端或命令提示符。
  2. 导航到您的 CrewAI 项目所在的目录。
  3. 运行以下命令
crewai train -n <n_iterations> -f <filename.pkl>
将 <n_iterations> 替换为所需的训练迭代次数，将 <filename> 替换为以 .pkl 结尾的相应文件名。
如果您省略 -f，输出将默认为当前工作目录中的 trained_agents_data.pkl。您可以传递绝对路径来控制文件的写入位置。

​
以编程方式训练您的 Crew

要以编程方式训练您的 Crew，请使用以下步骤
  1. 定义训练的迭代次数。
  2. 指定训练过程的输入参数。
  3. 在 try-except 块中执行训练命令以处理潜在错误。
代码
n_iterations = 2
inputs = {"topic": "CrewAI Training"}
filename = "your_model.pkl"

try:
    YourCrewName_Crew().crew().train(
      n_iterations=n_iterations,
      inputs=inputs,
      filename=filename
    )

except Exception as e:
    raise Exception(f"An error occurred while training the crew: {e}")

​
智能体如何使用训练数据

CrewAI 以两种方式使用训练工件：在训练期间整合您的人类反馈，以及在训练后通过整合的建议指导智能体。

​
训练数据流

​
在训练运行期间

  • 在每次迭代中，系统会为每个智能体记录
    • initial_output：智能体的第一个答案
    • human_feedback：当提示时您的内联反馈
    • improved_output：智能体在收到反馈后的后续答案
  • 此数据以智能体的内部 ID 和迭代为键，存储在一个名为 training_data.pkl 的工作文件中。
  • 在训练活跃期间，智能体会自动将其先前的用户反馈附加到其提示中，以便在训练会话的后续尝试中强制执行这些指令。训练是交互式的：任务将 human_input = true，因此在非交互式环境中运行将阻塞用户输入。

​
训练完成后

  • 当 train(...) 完成时，CrewAI 会根据每个智能体评估收集到的训练数据，并生成一个包含以下内容的整合结果
    • suggestions：从您的反馈以及初始/改进输出之间的差异中提炼出的清晰、可操作的指令
    • quality：衡量改进的 0-10 分数
    • final_summary：未来任务的分步操作项集合
  • 这些整合结果将保存到您传递给 train(...) 的文件名（CLI 默认值为 trained_agents_data.pkl）。条目以智能体的 role 为键，以便它们可以在会话之间应用。
  • 在正常（非训练）执行期间，每个智能体都会自动加载其整合的 suggestions 并将其作为强制指令附加到任务提示中。这使您可以在不更改智能体定义的情况下获得一致的改进。

​
文件摘要

  • training_data.pkl（临时，按会话）
    • 结构：agent_id -> { iteration_number: { initial_output, human_feedback, improved_output } }
    • 目的：在训练期间捕获原始数据和人类反馈
    • 位置：保存在当前工作目录 (CWD) 中
  • trained_agents_data.pkl（或您的自定义文件名）
    • 结构：agent_role -> { suggestions: string[], quality: number, final_summary: string }
    • 目的：为未来的运行保留整合的指导
    • 位置：默认写入 CWD；使用 -f 设置自定义（包括绝对）路径

​
小型语言模型注意事项

当使用小型语言模型（≤7B 参数）进行训练数据评估时，请注意它们可能在生成结构化输出和遵循复杂指令方面面临挑战。

​
小型模型在训练评估中的局限性

JSON 输出准确性

小型模型通常难以生成结构化训练评估所需的有效 JSON 响应，从而导致解析错误和不完整数据。

评估质量

与大型模型相比，参数小于 7B 的模型可能会提供细微差别较少、推理深度有限的评估。

指令遵循

复杂的训练评估标准可能不会被小型模型完全遵循或考虑。

一致性

小型模型在多次训练迭代中的评估可能缺乏一致性。

​
训练建议

  • 最佳实践
  • 小型模型使用
为了获得最佳训练质量和可靠评估，我们强烈建议使用至少具有 7B 参数或更大的模型
from crewai import Agent, Crew, Task, LLM

# Recommended minimum for training evaluation
llm = LLM(model="mistral/open-mistral-7b")

# Better options for reliable training evaluation
llm = LLM(model="anthropic/claude-3-sonnet-20240229-v1:0")
llm = LLM(model="gpt-4o")

# Use this LLM with your agents
agent = Agent(
    role="Training Evaluator",
    goal="Provide accurate training feedback",
    llm=llm
)
更强大的模型提供更高质量的反馈和更好的推理能力，从而带来更有效的训练迭代。

​
需要注意的关键点

  • 正整数要求： 确保迭代次数 (n_iterations) 为正整数。如果未满足此条件，代码将引发 ValueError。
  • 文件名要求： 确保文件名以 .pkl 结尾。如果未满足此条件，代码将引发 ValueError。
  • 错误处理： 代码处理子进程错误和意外异常，向用户提供错误消息。
  • 训练后的指导在提示时应用；它不会修改您的 Python/YAML 智能体配置。
  • 智能体会自动从当前工作目录中名为 trained_agents_data.pkl 的文件中加载训练过的建议。如果您训练到不同的文件名，请在运行前将其重命名为 trained_agents_data.pkl，或在代码中调整加载器。
  • 您可以使用 -f/--filename 在调用 crewai train 时更改输出文件名。如果要在 CWD 之外保存，则支持绝对路径。
需要注意的是，训练过程可能需要一些时间，具体取决于您的智能体的复杂性，并且在每次迭代中都需要您的反馈。 一旦训练完成，您的智能体将具备增强的能力和知识，准备好处理复杂的任务并提供更一致和有价值的见解。 请记住定期更新和重新训练您的智能体，以确保它们始终与该领域的最新信息和进展保持同步。