Technical Tutorials

مع تطور نماذج اللغات الكبيرة (LLMs) من روبوتات الدردشة البسيطة إلى محركات استدلال متطورة، يتغير نموذج هندسة البرمجيات. نحن نتحول من التطبيقات الضخمة إلى سير العمل الوكيل، حيث تتعاون وكلاء الذكاء الاصطناعي المتخصصين لحل المشكلات المعقدة. من بين الأدوات الناشئة في هذا المجال، اكتسبت CrewAI شعبية سريعة لنهجها البديهي القائم على لعب الأدوار في تنسيق الوكلاء. يستكشف هذا المنشور كيف يسمح CrewAI للمطورين ببناء أنظمة متعددة الوكلاء قوية بأقل قدر من الشيفرة المكررة، مما يوفر حلاً قابلاً للتوسع للمهام التي تتطلب التفويض، والتخطيط، والخبرة المتخصصة.

فهم البنية

على عكس الأطر الأخرى التي تعتمد بشكل كبير على آلات الحالة المعقدة أو تعريفات الأدوات اليدوية، تم بناء CrewAI على ثلاثة مفاهيم أساسية: الوكلاء (Agents)، والمهام (Tasks)، والفرق (Crews). يعكس هذا الهيكل الديناميكيات التنظيمية في العالم الحقيقي. الوكيل هو كيان مستقل يتمتع بدور محدد، وهدف، وخلفية. المهمة هي قطعة عمل محددة تُسند إلى وكيل، بينما الفريق هو المجموعة الجماعية من الوكلاء الذين يعملون معاً لتحقيق هدف أعلى.

هذا الهيكل الهرمي قوي بشكل خاص لأنه يسمح بفصل واضح للاهتمامات. بدلاً من حشر كل قدرة ممكنة في موجه واحد أو نموذج، يمكنك تفكيك المشكلة إلى مهام فرعية، وتعيينها إلى وكلاء متخصصين، والسماح للإطار بالتعامل مع تدفق الاتصال والتنفيذ.

بناء أول فريق لك

إن تنفيذ فريق في CrewAI أمر مباشر بشكل ملحوظ، بفضل واجهة برمجة التطبيقات الخاصة به بلغة بايثون. فيما يلي مثال عملي يوضح كيفية إنشاء فريق بحث يولد مسودة لمنشور مدونة. سنحدد وكيلين: باحث ومحرر.

from crewai import Agent, Task, Crew, Process
from langchain_openai import ChatOpenAI

# Define the LLM
llm = ChatOpenAI(model="gpt-4o")

# 1. Define Agents with specific roles and goals
researcher = Agent(
    role='Senior Tech Researcher',
    goal='Find the latest trends in {topic}',
    backstory='You are an expert in AI and tech trends with 10 years of experience.',
    llm=llm,
    verbose=True
)

editor = Agent(
    role='Tech Blog Editor',
    goal='Compile research into a structured outline',
    backstory='You are a seasoned editor who excels at structuring technical content.',
    llm=llm,
    verbose=True
)

# 2. Define Tasks
research_task = Task(
    description='Identify 5 key trends in {topic}',
    expected_output='A list of 5 bullet points with brief explanations',
    agent=researcher
)

outline_task = Task(
    description='Create a blog post outline based on the research',
    expected_output='A markdown formatted outline with headings',
    agent=editor
)

# 3. Form the Crew
tech_crew = Crew(
    agents=[researcher, editor],
    tasks=[research_task, outline_task],
    process=Process.sequential, # Agents work one after another
    verbose=True
)

# Execute the crew
result = tech_crew.kickoff(inputs={'topic': 'Generative AI'})
print(result)

في هذا المثال، نستخدم Process.sequential للتأكد من انتظار المحرر لمخرجات الباحث قبل البدء. للسيناريوهات الأكثر تعقيداً، قد تستخدم Process.hierarchical، الذي يفوض صنع القرار إلى وكيل "مدير"، مما يسمح بتخصيص مهام أكثر ديناميكية ومعالجة الأخطاء.

التكامل والقابلية للتوسع

أحد أقوى ميزات CrewAI هو تكامله السلس مع نظام LangChain البيئي. نظراً لأن CrewAI يستخدم LangChain تحت الغطاء الخلفي للذاكرة وتعريفات الأدوات، يمكنك الاستفادة من آلاف الأدوات الموجودة، مثل واجهات برمجة تطبيقات البحث على الويب، أو مفسرات الأكواد، أو استعلامات قواعد البيانات المخصصة. يعني هذا المعيارية أنك لست بحاجة إلى اختراع العجلة؛ فأنت مجرد ترفق الأدوات بوكلائك وتترك لهم القرار بشأن متى يستخدمونها.

الخاتمة

يمثل CrewAI خطوة كبيرة إلى الأمام في جعل أنظمة الوكلاء المتعددة في متناول مطوري بايثون. من خلال تجريد تعقيد اتصال الوكلاء وإدارة الحالة، يتيح للفرق التركيز على منطق سير العمل بدلاً من البنية التحتية. مع زيادة تعقيد تطبيقات الذكاء الاصطناعي، من المرجح أن تصبح أطر عمل مثل CrewAI أدوات قياسية في مجموعة أدوات المطور الحديث، مما يتيح إنشاء أنظمة مستقلة تكون ذكية وقابلة للصيانة في آن واحد.