常见问题解答

分层流程中如何处理任务执行？

我在哪里可以获取最新的 CrewAI 文档？

CrewAI 中的分层流程和顺序流程的主要区别是什么？

在 CrewAI 框架中使用内存有哪些好处？

为代理设置最大 RPM 限制的目的是什么？

人类输入在 CrewAI crew 中的任务执行中扮演什么角色？

在 CrewAI 中，有哪些高级定制选项可以调整和增强代理的行为和能力？

在哪些场景下，人类输入在代理执行中特别有用？

crewAI 中有哪些不同类型的内存可用？

如何在任务中使用 Output Pydantic？

要在任务中使用 Output Pydantic，需要将任务的预期输出定义为 Pydantic 模型。示例如下：

1

定义 Pydantic 模型

首先，需要定义一个 Pydantic 模型。例如，我们创建一个简单的用户模型：

from pydantic import BaseModel

class User(BaseModel):
    name: str
    age: int

2

然后，在创建任务时，将预期输出指定为此 Pydantic 模型：

from crewai import Task, Crew, Agent

# Import the User model
from my_models import User

# Create a task with Output Pydantic
task = Task(
    description="Create a user with the provided name and age",
    expected_output=User,  # This is the Pydantic model
    agent=agent,
    tools=[tool1, tool2]
)

3

在代理中，确保将 `output_pydantic` 属性设置为您正在使用的 Pydantic 模型：

from crewai import Agent

# Import the User model
from my_models import User

# Create an agent with Output Pydantic
agent = Agent(
    role='User Creator',
    goal='Create users',
    backstory='I am skilled in creating user accounts',
    tools=[tool1, tool2],
    output_pydantic=User
)

4

执行 crew 时，任务的输出将是一个 User 对象：

from crewai import Crew

# Create a crew with the agent and task
crew = Crew(agents=[agent], tasks=[task])

# Kick off the crew
result = crew.kickoff()

# The output of the task will be a User object
print(result.tasks[0].output)

以下是关于如何从代理中持续获取结构化输出的教程：

如何为我的 CrewAI 代理创建自定义工具？

如何从 Slack 启动一个 Crew

如何导出和使用 React 组件

点击省略号（已部署 crew 右侧的三个点），选择导出选项并将文件保存在本地。我们将使用 `CrewLead.jsx` 作为示例。

要在本地运行此 React 组件，您需要设置一个 React 开发环境，并将此组件集成到 React 项目中。以下是入门的分步指南：

1

安装 Node.js

从 Node.js 官方网站下载并安装 Node.js：https://node.org.cn/
选择 LTS（长期支持）版本以获得稳定性。

2

创建一个新的 React 项目

打开命令提示符或 PowerShell
导航到您要创建项目的目录
运行以下命令创建一个新的 React 项目：
```
npx create-react-app my-crew-app
```
切换到项目目录
```
cd my-crew-app
```

3

安装必要的依赖项

npm install react-dom

4

创建 CrewLead 组件

将下载的文件 `CrewLead.jsx` 移动到项目中的 `src` 文件夹中，

5

修改您的 `App.js` 文件以使用 `CrewLead` 组件

打开 `src/App.js`
将其内容替换为类似以下内容：

import React from 'react';
import CrewLead from './CrewLead';

function App() {
    return (
        <div className="App">
            <CrewLead baseUrl="YOUR_API_BASE_URL" bearerToken="YOUR_BEARER_TOKEN" />
        </div>
    );
}

export default App;

将 `YOUR_API_BASE_URL` 和 `YOUR_BEARER_TOKEN` 替换为您 API 的实际值。

6

启动开发服务器

在您的项目目录中，运行
```
npm start
```
这将启动开发服务器，并且您的默认网页浏览器应自动打开到 https://:3000，您将在其中看到您的 React 应用正在运行。

然后，您可以自定义 `CrewLead.jsx` 以添加颜色、标题等

如何邀请团队成员加入您的 CrewAI 企业版组织

在 CrewAI 企业版中使用 Webhooks

CrewAI 企业版允许您使用 Webhooks 自动化工作流程。本文将引导您完成设置和使用 Webhooks 启动 crew 执行的过程，重点介绍与 ActivePieces 的集成，ActivePieces 是一个类似于 Zapier 和 Make.com 的工作流程自动化平台。我们将在 CrewAI 企业版 UI 中设置 Webhooks。

1

访问 Kickoff 界面

导航到 CrewAI 企业版控制面板
寻找 `/kickoff` 部分，它用于启动 crew 执行

2

配置 JSON 内容

在 JSON 内容部分，您需要提供以下信息：

`inputs`：一个包含以下内容的 JSON 对象
- `company`：公司名称（例如，“tesla”）
- `product_name`：产品名称（例如，“crewai”）
- `form_response`：响应类型（例如，“financial”）
- `icp_description`：理想客户画像的简要描述
- `product_description`：产品简短描述
- `taskWebhookUrl`, `stepWebhookUrl`, `crewWebhookUrl`：各种 webhook 端点的 URL（ActivePieces、Zapier、Make.com 或其他兼容平台）

3

与 ActivePieces 集成

在此示例中，我们将使用 ActivePieces。您可以使用其他平台，如 Zapier 和 Make.com

要与 ActivePieces 集成

在 ActivePieces 中设置一个新的流程并命名
添加一个触发器（例如，每天计划）
添加一个 HTTP 操作步骤
- 将操作设置为“发送 HTTP 请求”
- 使用 POST 作为方法
- 将 URL 设置为您的 CrewAI 企业版 kickoff 端点
- 添加必要的头部（例如，Bearer Token）
- 在正文中，包含步骤 2 中配置的 JSON 内容
- 然后 crew 将在预定义的时间启动。

4

设置 Webhook

在 ActivePieces 中创建一个新的流程并命名
添加一个 webhook 步骤作为触发器
- 选择“捕获 Webhook”作为触发器类型
- 这将生成一个唯一的 URL，它将接收 HTTP 请求并触发您的流程
- 配置电子邮件以使用 crew webhook 正文文本

5

生成的输出

taskWebhookUrl - 每个任务结束时将执行的回调

{
    "action": "**Preliminary Research Report on the Financial Industry for crewai Enterprise Solution**\n1. Industry Overview and Trends\nThe financial industry in ....\nConclusion:\nThe financial industry presents a fertile ground for implementing AI solutions like crewai, particularly in areas such as digital customer engagement, risk management, and regulatory compliance. Further engagement with the lead is recommended to better tailor the crewai solution to their specific needs and scale.",
    "task_id": "97eba64f-958c-40a0-b61c-625fe635a3c0"
}

stepWebhookUrl - 每个代理内部思考时将执行的回调

{
    "description": "Using the information gathered from the lead's data, conduct preliminary research on the lead's industry, company background, and potential use cases for crewai. Focus on finding relevant data that can aid in scoring the lead and planning a strategy to pitch them crewai.The financial industry presents a fertile ground for implementing AI solutions like crewai, particularly in areas such as digital customer engagement, risk management, and regulatory compliance. Further engagement with the lead is recommended to better tailor the crewai solution to their specific needs and scale.",
    "task_id": "97eba64f-958c-40a0-b61c-625fe635a3c0"
}

crewWebhookUrl - crew 执行结束时将执行的回调

{
    "task_id": "97eba64f-958c-40a0-b61c-625fe635a3c0",
    "result": {
        "lead_score": "Customer service enhancement, and compliance are particularly relevant.",
        "talking_points": [
            "Highlight how crewai's AI solutions can transform customer service with automated, personalized experiences and 24/7 support, improving both customer satisfaction and operational efficiency.",
            "Discuss crewai's potential to help the institution achieve its sustainability goals through better data analysis and decision-making, contributing to responsible investing and green initiatives.",
            "Emphasize crewai's ability to enhance compliance with evolving regulations through efficient data processing and reporting, reducing the risk of non-compliance penalties.",
            "Stress the adaptability of crewai to support both extensive multinational operations and smaller, targeted projects, ensuring the solution grows with the institution's needs."
        ]
    }
}

如何使用 CrewAI 自定义 GPT 创建 crew

1

导航到 CrewAI 自定义 GPT

点击此处 https://chatgpt.com/g/g-qqTuUWsBY-crewai-assistant 访问 CrewAI 自定义 GPT

CrewAI 自定义 GPT

2

描述您的项目想法

例如

Suggest some agents and tasks to retrieve LinkedIn profile details for a given person and a domain.

3

GPT 将为您提供建议的代理和任务列表

以下是您将获得的响应示例：

4

在您的终端中输入以下命令创建项目结构：

crewai create crew linkedin-profile

这将在当前目录中创建一个名为 `linkedin-profile` 的新 crew。

按照 https://docs.crewai.org.cn/quickstart 中的完整说明创建 crew。

CrewAI 文档

5

让 GPT 将代理和任务转换为 YAML 格式。

以下是您需要保存到 `agents.yaml` 和 `tasks.yaml` 文件中的最终输出示例：

现在用上面的代码替换 `agents.yaml` 和 `tasks.yaml` 文件
让 GPT 创建自定义 LinkedIn 工具
让 GPT 将所有内容整合到 `crew.py` 文件中
您现在将拥有一个完全可用的 crew。

如何使用 Dall-E 生成图像

CrewAI 支持与 OpenAI 的 DALL-E 集成，允许您的 AI 代理作为任务的一部分生成图像。本指南将引导您了解如何在 CrewAI 项目中设置和使用 DALL-E 工具。

先决条件

已安装 CrewAI（最新版本）
具有访问 DALL-E 权限的 OpenAI API 密钥

设置 DALL-E 工具要在 CrewAI 项目中使用 DALL-E 工具，请按照以下步骤操作：

1

导入 DALL-E 工具

from crewai_tools import DallETool

2

将 DALL-E 工具添加到您的代理配置中

@agent
def researcher(self) -> Agent:
    return Agent(
        config=self.agents_config['researcher'],
        tools=[SerperDevTool(), DallETool()],  # Add DallETool to the list of tools
        allow_delegation=False,
        verbose=True
    )

使用 DALL-E 工具

将 DALL-E 工具添加到代理后，它可以根据文本提示生成图像。该工具将返回生成的图像的 URL，该 URL 可用于代理的输出或传递给其他代理进行进一步处理。

任务中的使用示例

role: >
    LinkedIn Profile Senior Data Researcher
goal: >
    Uncover detailed LinkedIn profiles based on provided name {name} and domain {domain}
    Generate a Dall-e image based on domain {domain}
backstory: >
    You're a seasoned researcher with a knack for uncovering the most relevant LinkedIn profiles.
    Known for your ability to navigate LinkedIn efficiently, you excel at gathering and presenting
    professional information clearly and concisely.

带有 DALL-E 工具的代理将能够生成图像并在其响应中提供一个 URL。然后您可以下载该图像。

最佳实践

在图像生成提示中要具体，以获得最佳结果。
请记住，图像生成可能需要一些时间，因此在任务规划时要考虑到这一点。
生成图像时，请始终遵守 OpenAI 的使用政策。

故障排除

确保您的 OpenAI API 密钥具有访问 DALL-E 的权限。
检查您是否正在使用最新版本的 crewAI 和 crewai-tools。
验证 DALL-E 工具是否已正确添加到代理的工具列表中。

如何在 crew.py 中使用注解

本指南解释了如何在 `crew.py` 文件中使用注解来正确引用代理、任务和其他组件。

简介

框架中的注解用于修饰类和方法，为 crew 的各种组件提供元数据和功能。这些注解有助于组织和构建代码，使其更具可读性和可维护性。

可用注解

CrewAI 框架提供以下注解：

@CrewBase：用于修饰主要的 crew 类。
@agent：修饰定义并返回 Agent 对象的方法。
@task：修饰定义并返回 Task 对象的方法。
@crew：修饰创建并返回 Crew 对象的方法。
@llm：修饰初始化并返回 Language Model 对象的方法。
@tool：修饰初始化并返回 Tool 对象的方法。
@callback：（未在示例中显示，但可用）用于定义回调方法。
@output_json：（未在示例中显示，但可用）用于输出 JSON 数据的方法。
@output_pydantic：（未在示例中显示，但可用）用于输出 Pydantic 模型的方法。
@cache_handler：（未在示例中显示，但可用）用于定义缓存处理方法。

使用示例

让我们根据提供的 LinkedinProfileCrew 类，通过示例来了解如何使用这些注解

1. Crew 基类

@CrewBase
class LinkedinProfileCrew():
    """LinkedinProfile crew"""
    agents_config = 'config/agents.yaml'
    tasks_config = 'config/tasks.yaml'

@CrewBase 注解用于修饰主要的 crew 类。此类通常包含创建代理、任务和 crew 本身的配置和方法。

2. 工具定义

@tool
    def myLinkedInProfileTool(self):
        return LinkedInProfileTool()

@tool 注解用于修饰返回工具对象的方法。这些工具可以被代理用于执行特定任务。

3. LLM 定义

@llm
def groq_llm(self):
    api_key = os.getenv('api_key')
    return ChatGroq(api_key=api_key, temperature=0, model_name="mixtral-8x7b-32768")

@llm 注解用于修饰初始化并返回 Language Model 对象的方法。这些 LLM 被代理用于自然语言处理任务。

4. 代理定义

@agent
def researcher(self) -> Agent:
    return Agent(
        config=self.agents_config['researcher']
    )

@agent 注解用于修饰定义并返回 Agent 对象的方法。

5. 任务定义

@task
def research_task(self) -> Task:
    return Task(
        config=self.tasks_config['research_linkedin_task'],
        agent=self.researcher()
    )

@task 注解用于修饰定义并返回 Task 对象的方法。这些方法指定任务配置以及负责该任务的代理。

6. Crew 创建

@crew
def crew(self) -> Crew:
    """Creates the LinkedinProfile crew"""
    return Crew(
        agents=self.agents,
                tasks=self.tasks,
                process=Process.sequential,
                verbose=True
    )

@crew 注解用于修饰创建并返回 Crew 对象的方法。此方法将所有组件（代理和任务）组装成一个可用的 crew。

YAML 配置

代理配置通常存储在 YAML 文件中。以下是 `agents.yaml` 文件中研究员代理的配置示例：

researcher:
    role: >
        LinkedIn Profile Senior Data Researcher
    goal: >
        Uncover detailed LinkedIn profiles based on provided name {name} and domain {domain}
        Generate a Dall-E image based on domain {domain}
    backstory: >
        You're a seasoned researcher with a knack for uncovering the most relevant      LinkedIn profiles.
        Known for your ability to navigate LinkedIn efficiently, you excel at            gathering and presenting
        professional information clearly and concisely.
    allow_delegation: False
    verbose: True
    llm: groq_llm
    tools:
        - myLinkedInProfileTool
        - mySerperDevTool
        - myDallETool

此 YAML 配置对应于 `LinkedinProfileCrew` 类中定义的研究员代理。配置指定了代理的角色、目标、背景故事以及其他属性，例如它使用的 LLM 和工具。

请注意 YAML 文件中的 `llm` 和 `tools` 如何对应于 Python 类中使用 `@llm` 和 `@tool` 修饰的方法。这种连接允许采用灵活和模块化的设计，您可以轻松更新代理配置而无需更改核心代码。

最佳实践

命名一致性：对方法使用清晰一致的命名约定。例如，代理方法可以根据其角色命名（例如，`researcher`、`reporting_analyst`）。
环境变量：对敏感信息（如 API 密钥）使用环境变量。
灵活性：通过允许轻松添加或删除代理和任务，设计您的 crew 以使其具有灵活性。
YAML 与代码的对应性：确保您的 YAML 文件中的名称和结构与 Python 代码中用注解修饰的方法正确对应。

通过遵循这些指南并正确使用注解，您可以使用 CrewAI 框架创建结构良好且易于维护的 crews。

如何将 CrewAI 企业版与 Zapier 集成

如何将 CrewAI 企业版与 HubSpot 集成

如何将 Azure OpenAI 连接到 Crew Studio？

如何使用 HITL？

如何将 Salesforce 配置与 CrewAI 企业版

如何控制整个 crew 每分钟可执行的最大请求数？

入门指南

操作指南

功能

资源

分层流程

顺序流程

哪种流程更适合复杂项目？