Fortgeschrittene KI-Zusammenarbeit: Erstellen Sie ein Multi-Agenten-Sy

Erweiterte KI-Zusammenarbeit: Entwicklung eines Multi-Agenten-Systems mit CrewAI

Hallo! Ich bin Tommy, und ich werde Sie durch das fortgeschrittene Gebiet der Multi-Agenten-Systeme führen, ein Thema, das die Fähigkeiten einzelner KI-Agenten in leistungsstarke, kooperative Einheiten erweitert, die komplexe Probleme der realen Welt bewältigen können. In diesem Leitfaden werden wir erkunden, wie man mehrere KI-Agenten koordiniert, um komplexe Aufgaben zu lösen, wobei der Schwerpunkt auf Skalierbarkeit, Orchestrierung und Zusammenarbeit liegt. Ob Sie autonomes Kundensupport-Systeme oder komplexe Problemlösungsanwendungen entwickeln, dieses Tutorial bietet Ihnen die Werkzeuge und das Wissen, die Sie für Ihren Erfolg benötigen. Bleiben Sie dran, um zu sehen, wie alles mit einer praktischen Implementierung in Google Colab am Ende zusammenkommt!

Übersicht über Multi-Agenten-Systeme und Framework

Multi-Agenten-Systeme stellen einen bedeutenden Fortschritt gegenüber traditionellen KI-Paradigmen dar. Anstatt sich auf eine einzelne KI-Einheit zu verlassen, die alle Aufgaben verwaltet, ermöglichen Multi-Agenten-Systeme spezialisierte Agenten, die jeweils für spezifische Rollen entwickelt wurden. Diese Spezialisierung ermöglicht eine effizientere Verarbeitung, parallele Aufgabenausführung und die Fähigkeit, komplexere Probleme zu bewältigen.

Vorteile:

Skalierbarkeit: Jeder Agent kann unabhängig optimiert und skaliert werden, was es dem System ermöglicht, steigende Arbeitslasten durch Hinzufügen weiterer Agenten zu bewältigen.
Robustheit: Wenn ein Agent ausfällt, können andere weiterhin funktionieren, was einen Failover-Mechanismus bietet, der die Zuverlässigkeit des Systems erhöht.
Effizienz: Agenten können parallel oder hierarchisch arbeiten, was die Gesamtdauer der Aufgabenerledigung beschleunigt, insbesondere in Szenarien, in denen Aufgaben unabhängig sind oder in kleinere Unteraufgaben zerlegt werden können.
Modularität: Die modulare Natur von Multi-Agenten-Systemen bedeutet, dass Agenten in verschiedenen Systemen wiederverwendet werden können, wodurch die Entwicklungszeit für neue Projekte verkürzt wird.

Herausforderungen:

Koordinationskomplexität: Sicherzustellen, dass Agenten nahtlos zusammenarbeiten, kann schwierig sein, insbesondere wenn die Anzahl der Agenten zunimmt.
Kommunikationsaufwand: Die Notwendigkeit, dass Agenten kommunizieren, fügt Overhead hinzu, insbesondere wenn sie auf unterschiedlichen Modellen oder Frameworks basieren.
Fehlerbehandlung: Fehler in einem Agenten können sich ausbreiten oder Probleme bei anderen verursachen, was anspruchsvolle Fehlerbehandlungsmechanismen erfordert.

Einführung in CrewAI

CrewAI ist ein hervorragendes Framework zum Verwalten und Orchestrieren mehrerer Agenten. Es vereinfacht die komplexen Konzepte von Multi-Agenten-Systemen in handhabbare Strukturen und bietet Werkzeuge zum Erstellen, Bereitstellen und Verwalten von Multi-Agenten-Systemen in Produktionsumgebungen.

Einige Hauptmerkmale von CrewAI umfassen:

Sequenzielle, parallele und hierarchische Aufgabenausführung: Standardmäßig werden Aufgaben sequenziell verarbeitet, aber CrewAI unterstützt auch parallele und hierarchische Ausführung, die entscheidend für groß angelegte Systeme ist.
Integration benutzerdefinierter Werkzeuge: CrewAI ermöglicht Entwicklern, benutzerdefinierte Werkzeuge zu erstellen und zu integrieren, die auf spezifische Aufgaben der Agenten zugeschnitten sind, wodurch die Vielseitigkeit und Effektivität des Systems für ihren Anwendungsfall verbessert wird.
Speichermanagement: CrewAI bietet Mechanismen für Kurzzeit-, Langzeit- und Entitätsspeicher, die es Agenten ermöglichen, aus früheren Erfahrungen zu lernen und sich im Laufe der Zeit zu verbessern.
Rollenbasierte Agentenkonfiguration: Indem Agenten auf spezifische Rollen und Ziele fokussiert werden, stellt CrewAI sicher, dass jeder Agent für seine Aufgabe optimiert ist, was die Gesamteffizienz des Systems verbessert.

Einrichtung und Abhängigkeiten

Bevor wir die Agenten definieren, stellen wir sicher, dass Ihre Umgebung korrekt eingerichtet ist. Für dieses Tutorial verwenden wir Google Colab. Befolgen Sie diese Schritte, um die erforderlichen Abhängigkeiten zu installieren und Ihre Umgebungsvariablen einzurichten:

Installieren Sie die Abhängigkeiten:

Da wir an Google Colab arbeiten, ist die Installation der Abhängigkeiten einfach. Wir verwenden die Pakete crewai, crewai_tools, langchain_community und pymongo. Diese Bibliotheken bieten die grundlegende Funktionalität zur Erstellung und Verwaltung von KI-Agenten, zur Integration externer Werkzeuge wie die von LangChain und zur Verbindung mit einer MongoDB-Datenbank.

Der obige Befehl wurde in einem Google Colab-Notizbuch ausgeführt, aber wenn Sie ihn lokal ausführen, entfernen Sie das Ausrufezeichen (!).

Umgebungsvariablen einrichten:

Als nächstes müssen Sie Ihre Umgebungsvariablen einrichten. Für dieses Tutorial verwenden wir das gpt-3.5-turbo-Modell von OpenAI, da es allgemein zugänglich ist. Wenn Sie Zugang zu GPT-4 haben, können Sie diesen Schritt überspringen oder die Umgebungsvariable entsprechend ändern.

Fügen Sie den folgenden Code zu Ihrem Colab-Notizbuch hinzu und ersetzen Sie die Platzhalterwerte durch Ihre tatsächlichen API-Keys und Anmeldeinformationen. Dieses Setup ermöglicht es Ihren Agenten, sicher mit externen Diensten und Datenbanken zu interagieren.

Entwerfen eines Multi-Agenten-Systems

Das Design eines Multi-Agenten-Systems beginnt mit einer klaren Definition der Rollen und Verantwortlichkeiten jedes Agenten. Lassen Sie uns ein praktisches Beispiel durchgehen: den Aufbau eines Kundendienstsystems, bei dem verschiedene Agenten unterschiedliche Aufgaben wie Datenabruf, Beantwortung von Anfragen und Qualitätsüberprüfung übernehmen.

SCHRITT 1: Die Agenten definieren

Bei der Erstellung von KI-Agenten ist es wichtig, ein starkes mentales Framework zu etablieren. Beginnen Sie damit, sich Schlüsselfragen zu stellen, die den Denkprozess eines Managers widerspiegeln:

Zielorientierung: Was ist das Hauptziel des Agenten? Welche Prozesse muss der Agent durchlaufen, um dieses Ziel effektiv zu erreichen?
Teamaufbau - Analogie: Wenn dies eine menschliche Aufgabe wäre, welche Art von Personen würden Sie einstellen, um die Aufgabe zu erledigen? Berücksichtigen Sie die benötigten Rollen und Fachkenntnisse und übertragen Sie diese Eigenschaften auf die Fähigkeiten des KI-Agenten.

Jeder Agent kann in einem Multi-Agenten-System auf einem anderen Sprachmodell (LLM) laufen. Da wir CrewAI für dieses Tutorial verwenden, ist es erwähnenswert, dass Agenten auch Modelle von Hugging Face Hub integrieren können. Diese Flexibilität ermöglicht es, die Agenten an spezifische Bedürfnisse anzupassen und maßgeschneiderte Antworten zu liefern.

Zum Beispiel können Sie Modelle wie phi-3, tinyLLama oder Llama-3 feinabstimmen, um sie besser an Ihren Anwendungsfall anzupassen. Wenn Sie mit diesem Prozess nicht vertraut sind, können Sie sich auf meine früheren Tutorials zur Feinabstimmung dieser Modelle beziehen:

Feinabstimmung von Phi-3
Feinabstimmung von tinyllama
Feinabstimmung von Llama-3

Um ein Modell von Hugging Face Hub zu verwenden, können Sie es wie folgt in Ihren Agenten laden:

Verständnis des Datenabruf-Agenten

Rolle: Dieser Agent wird als "Datenabruf-Spezialist" definiert, der sich auf das Abrufen von Daten konzentriert.
Ziel: Das Ziel des Agenten ist es, alle relevanten Informationen zu einem Kunden aus der Datenbank abzurufen.
Hintergrundgeschichte: Die Hintergrundgeschichte bietet Kontext und hilft dem Agenten, seine Rolle innerhalb des umfassenderen Systems zu verstehen.
Delegation zulassen: Auf Falsch gesetzt, was bedeutet, dass dieser Agent seine Aufgaben nicht an andere delegieren wird.
Ausführlich: Ermöglicht detailliertes Protokollieren der Aktionen des Agenten.

Verständnis des Support-Agenten

Rolle: Der "Senior Support Representative" ist dafür verantwortlich, einen hervorragenden Kundenservice zu bieten.
Ziel: Der Agent zielt darauf ab, freundlichen und hilfreichen Support zu leisten.
Hintergrundgeschichte: Dieser Agent verwendet die vom Datenabruf-Spezialisten bereitgestellten Daten, um dem Kunden zu helfen.
Delegation zulassen: Auf Falsch gesetzt, um die Verantwortung der Aufgabe innerhalb dieses Agenten zu behalten.
Ausführlich: Detaillierte Protokollierung hilft Ihnen, nachzuvollziehen, wie dieser Agent abschneidet.

Verständnis des Support-Qualitätssicherungs-Agenten

Rolle: Der "Support Quality Assurance Specialist" sorgt für die Qualität des angebotenen Supports.
Ziel: Das Ziel dieses Agenten ist es, Anerkennung für die Aufrechterhaltung einer hohen Supportqualität zu erreichen.
Hintergrundgeschichte: Er sorgt dafür, dass die Antworten des Senior Support Representative umfassend und genau sind.
Ausführlich: Wie bei den anderen Agenten ist das ausführliche Protokollieren aktiviert, um die Aktivitäten des Agenten zu überwachen.

Schritt 2: Die Aufgaben definieren

Nachdem unsere Agenten definiert sind, ist der nächste Schritt, die Aufgaben zu erstellen, die sie ausführen werden. Aufgaben sind zentral für die Funktionsweise der Agenten und bieten einen klaren Satz von Aktionen, die mit spezifischen Werkzeugen durchgeführt werden sollen. Der Parameter tools ist entscheidend, da er angibt, welche Ressourcen oder Hilfsmittel der Agent zur Erfüllung der Aufgaben nutzen wird. Es gibt verschiedene Werkzeuge, darunter die von LangChain, aber es ist wichtig, dasjenige auszuwählen, das am besten zur Rolle und zum Ziel des Agenten passt. Vermeiden Sie es, Ihre Agenten mit zu vielen Werkzeugen zu überlasten - konzentrieren Sie sich auf die, die für die jeweilige Aufgabe am effektivsten sind.

Wichtige Elemente effektiver Werkzeuge:

Vielseitigkeit: Das Werkzeug sollte verschiedene Arten von Eingaben des Agenten verarbeiten und sich an verschiedene Szenarien anpassen können.
Fehlertoleranz: Es sollte sich anmutig verhalten, möglicherweise indem es weitere Anfragen stellt, Fehlermeldungen sendet oder spezifische Eingabebereiche anfordert.
Zwischenspeicherung: Dies verhindert unnötige wiederholte Anfragen durch die Nutzung einer übergreifenden Zwischenspeicherschicht, die die Effizienz optimiert, selbst wenn dieselbe Anfrage von verschiedenen Agenten verwendet wird.

Bevor wir die Aufgaben definieren, lassen Sie uns das Werkzeug initialisieren, das wir verwenden werden.

Werkzeuginitialisierung

Werkzeuge können je nach Anforderungen der Aufgabe integriert oder benutzerdefiniert sein. In diesem Tutorial verwenden wir mehrere Werkzeuge, einschließlich DirectoryReadTool und FileReadTool zum Lesen von Dateien aus einem bestimmten Verzeichnis und ein benutzerdefiniertes Werkzeug für den Datenbankabruf.

Zuerst sollten wir die integrierten Werkzeuge initialisieren:

Als nächstes definieren wir ein benutzerdefiniertes Werkzeug zum Abrufen von Daten aus einer MongoDB-Datenbank. Bei der Erstellung dieses Werkzeugs stieß ich auf ein Problem, bei dem die Initialisierung des MongoDB-Clients im üblichen __init__-Konstruktor Fehler verursachte. Nach einigen Recherchen stellte ich fest, dass die Initialisierung als Klassenvariable mit der entsprechenden Typannotation das Problem behob.

your_code_here

Die Aufgaben definieren

Aufgaben repräsentieren spezifische Ziele, die Agenten erreichen müssen. Jede Aufgabe wird durch eine description, ein expected_output, die tools, die sie verwenden wird, und den agent, der für die Durchführung der Aufgabe verantwortlich ist, definiert.

Aufgabe zum Datenabruf

Diese Aufgabe wird unserem data_retrieval_agent zugewiesen, dessen Aufgabe es ist, alle relevanten Informationen über den Kunden aus der Datenbank zu sammeln. Die hier gesammelten Daten sind entscheidend für die Bearbeitung der Anfrage des Kunden in den nachfolgenden Aufgaben.


data_retrieval_task = Task(
    description=dedent("""
        Sammeln Sie alle relevanten {customer}-Daten aus der Datenbank, mit dem Fokus auf entscheidenden Daten, die wichtig sind, um die Anfrage des Kunden zu bearbeiten.
    """),
    expected_output=dedent("""
        Ein umfassendes Datenset der Informationen des Kunden. Hervorhebung wichtiger Informationen des Kunden, die dem Team hilfreich sein werden, um die Anfrage des Kunden zu bearbeiten.
    """),
    tools=[retrival_tool],
    agent=data_retrieval_agent,
)

In dieser Aufgabe ruft das retrival_tool die notwendigen Daten aus der Datenbank ab, die der Agent dann verarbeitet, um sicherzustellen, dass sie relevant und vollständig sind.

Aufgabe zur Bearbeitung von Anfragen

Sobald die Daten abgerufen wurden, wird der support_agent diese Informationen nutzen, um die Anfrage des Kunden zu bearbeiten. Diese Aufgabe beinhaltet die Durchsuchung relevanter Dateien und das Erstellen einer detaillierten Antwort.


inquiry_resolution = Task(
    description=dedent("""
        {customer} hat sich mit einer sehr wichtigen Anfrage gemeldet:
        {inquiry}
        {customer} ist die Person, die sich gemeldet hat. Stellen Sie sicher, dass Sie alles, was Sie wissen, gebruiken, um die bestmögliche Unterstützung zu bieten. Sie müssen sich bemühen, eine vollständige, klare und genaue Antwort auf die Anfrage des Kunden zu formulieren.
    """),
    expected_output=dedent("""
        Eine detaillierte, informative Antwort auf die Anfrage des Kunden, die alle Aspekte seiner Frage behandelt.
        Die Antwort sollte Verweise auf alles enthalten, was Sie verwendet haben, um die Antwort zu finden, einschließlich externer Daten oder Lösungen. Stellen Sie sicher, dass die Antwort vollständig ist und keine Fragen offen lässt, und bewahren Sie währenddessen einen hilfreichen und freundlichen Ton.
    """),
    tools=[directory_read_tool, file_read_tool],
    agent=support_agent,
)

Hier helfen das directory_read_tool und das file_read_tool dem support_agent, durch die gespeicherten Dokumentationen zu filtern, um sicherzustellen, dass die Antwort an den Kunden gut informiert und genau ist.

Aufgabe zur Qualitätsüberprüfung

Abschließend überprüft der support_quality_assurance_agent die vom support_agent erzeugte Antwort. Diese Aufgabe stellt sicher, dass die Antwort den hohen Standards des Unternehmens entspricht, umfassend ist und kundenfreundlich bleibt.


quality_assurance_review = Task(
    description=dedent("""
        Überprüfen Sie die von dem Senior Support Representative auf die Anfrage von {customer} vorbereitete Antwort. Stellen Sie sicher, dass die Antwort umfassend, genau und den hohen Qualitätsstandards entspricht, die für den Kundenservice erwartet werden.
        Überprüfen Sie, ob alle Teile der Anfrage des Kunden gründlich angesprochen wurden, und bewahren Sie einen hilfreichen und freundlichen Ton bei.
        Überprüfen Sie die verwendeten Quellen und Referenzen, um sicherzustellen, dass die Antwort gut untermauert ist und keine Fragen offenlässt.
    """),
    expected_output=dedent("""
        Eine endgültige, detaillierte und informative Antwort, die bereit ist, an den Kunden gesendet zu werden.
        Diese Antwort sollte die Anfrage des Kunden vollständig ansprechen und alle relevanten Rückmeldungen und Verbesserungen beinhalten.
        Seien Sie nicht zu formal, wir sind ein entspanntes und cooles Unternehmen, aber bewahren Sie währenddessen einen professionellen und freundlichen Ton.
    """),
    agent=support_quality_assurance_agent,
    output_file="response.md",
    human_input=True,
)

Diese Aufgabe fügt eine Qualitätskontrolle hinzu, um sicherzustellen, dass die Bedürfnisse der Kunden vollständig erfüllt werden und dass die Antwort den Standards des Unternehmens entspricht.

Schritt 3: Die Crew initialisieren

Jetzt, wo wir unsere Agenten und Aufgaben definiert haben, ist es an der Zeit, alles zusammenzuführen, indem wir eine Crew initialisieren. Die Crew ist die zentrale Einheit, die die Ausführung der Aufgaben durch die Agenten verwaltet. Sie orchestriert, wie Aufgaben verarbeitet werden und ob Agenten sich an frühere Interaktionen erinnern können.

Prozessoptionen

Der Parameter process steuert, wie Aufgaben von der Crew ausgeführt werden. Die Optionen umfassen:

Sequenziell (Standard): Aufgaben werden nacheinander in einer bestimmten Reihenfolge ausgeführt.
Hierarchisch: Ein Agent fungiert als Manager, der Aufgaben an andere Agenten delegiert und dabei ein übergreifendes Gedächtnis der Aufgaben beibehält.
Parallel: Aufgaben werden gleichzeitig ausgeführt, sodass mehrere Aufgaben zur gleichen Zeit ablaufen können.

Speichertypen

Der Speicher verbessert die Fähigkeit der Agenten, sich an frühere Interaktionen zu erinnern, was die Qualität der Antworten im Laufe der Zeit verbessert. Der Speicherparameter, wenn er auf Wahr gesetzt ist, aktiviert verschiedene Arten von Speicher:

Kurzzeitgedächtnis: Nur während der Laufzeit der Crew verfügbar. Sobald die Crew abgeschlossen ist, wird dieses Gedächtnis gelöscht und ist in nachfolgenden Läufen nicht mehr zugänglich.
Langzeitgedächtnis: Speichert Antworten in persistenten Speicher, sodass die Crew sich auch nach Beendigung der Sitzung an frühere Interaktionen erinnern kann.
Entitätsspeicher: Gruppiert und erkennt Entitäten (z.B. Kundennamen, Produkte) innerhalb der Konversation, um kontextuellere und sinnvollere Antworten zu liefern. Es ist ebenfalls kurzlebig und wird nach dem Ende der Sitzung gelöscht.

Standardmäßig ist der Speicher auf Falsch gesetzt, aber wenn aktiviert (memory=True), werden alle Arten von Speicher aktiviert, um eine bessere Leistung zu gewährleisten.

So initialisieren wir die Crew mit unseren Agenten, Aufgaben und Speicherkonfiguration:

your_code_here

Wichtige Parameter erklärt

agents: Eine Liste von Agenten, die an der Crew teilnehmen. Jeder Agent wird spezifischen Aufgaben zugewiesen, basierend auf seinen definierten Rollen und Zielen.
tasks: Eine Liste von Aufgaben, die die Agenten erfüllen müssen. Diese Aufgaben sind standardmäßig so konzipiert, dass sie sequenziell ausgeführt werden, aber Sie können den Ausführungsfluss anpassen, indem Sie den process-Parameter ändern.
verbose: Wenn Sie diesen auf 2 setzen, wird detaillierte Protokollierung aktiviert, sodass Sie überwachen können, wie die Agenten miteinander interagieren und wie sie bei den Aufgaben vorankommen.
memory: Indem Sie memory=True setzen, aktivieren wir alle Arten von Speicher, um sicherzustellen, dass die Agenten sich an frühere Interaktionen erinnern können und informiertere Antworten geben.

Ausführungsablauf

Mit dieser Konfiguration wird die Crew die Aufgaben nacheinander ausführen:

Datenabruf: Der data_retrieval_agent ruft relevante Kundeninformationen aus der Datenbank ab.
Inquiry Resolution: Der support_agent verwendet die abgerufenen Daten sowie zusätzliche Informationen aus Verzeichnissen und Dateien, um eine umfassende Antwort auf die Anfrage des Kunden zu geben.
Qualitätsüberprüfung: Der support_quality_assurance_agent überprüft die Antwort, um sicherzustellen, dass sie den Qualitätsstandards entspricht und speichert sie anschließend in einer Datei.

Schritt 4: Crew starten

Nachdem die Crew mit Ihren Agenten und Aufgaben initialisiert wurde, ist der nächste Schritt, sie zu starten, indem Sie die erforderlichen Eingaben bereitstellen. Diese Eingaben werden die Agenten leiten, während sie ihre zugewiesenen Aufgaben bearbeiten.

In diesem Beispiel verwenden wir die folgenden Eingaben:

customer: Der Name des anfragenden Kunden.
inquiry: Die spezifische Frage oder das Problem, das der Kunde angesprochen haben möchte.

Erklärung der Eingaben

customer: "Tommy Ade" ist der Kunde, dessen Informationen abgerufen werden und dessen Anfrage von den Agenten bearbeitet wird. Dies wird auch verwendet, um die Antworten und Interaktionen zu personalisieren.
inquiry: Der Kunde fragt, wie man das Llama 3 Modell feinabstimmt und bittet um Hintergrundinformationen über das große Sprachmodell (LLM). Diese Eingabe treibt die Aufgaben an, die von den Agenten durchgeführt werden, vom Datenabruf über die Anfragebeantwortung bis hin zur Qualitätsprüfung.

Schritt 5: Überprüfung der Ausführung der Crew

Sobald die Kicks-Off-Methode aufgerufen wird, beginnt die Crew, die Aufgaben auszuführen. Die detaillierte Protokollierung sorgt dafür, dass umfassende Logs erstellt werden, die zeigen, wie die Agenten zusammenarbeiten, um das Ziel zu erreichen. Dies ist besonders nützlich, um den Entscheidungsprozess zu verstehen und zu sehen, wie jeder Agent zur finalen Antwort beiträgt.

Sie sollten sehen, dass der Datenabruf-Spezialist mit der Abruffaufgabe beginnt, begleitet von detaillierten Logs und Ausgaben. Ein kleiner Fehler tritt auf, wenn das benutzerdefinierte Werkzeug, das wir zuvor definiert haben, verwendet wird; da CrewAI uns hilft, Fehler sanft zu verwalten, hat es die Ausführung nicht beeinträchtigt und hat dem Agenten die richtige Variable übermittelt, die uns die gewünschten Kundendetails gab.

Nachdem der Agent seine Arbeit beendet hat, gibt er die finale Ausgabe an den nächsten Agenten weiter, der die nächste Aufgabe übernimmt. Der Support-Agent beginnt dann und nutzt die Verzeichnis- und Dateiw.tools, um alle Dateien zu lesen und eine Antwort auf die Anfrage des Kunden vorzubereiten. Nachdem der Support-Agent seine Antwort gegeben hat, wird die nächste Aufgabe eingeläutet, und der QA-Agent beginnt. Er delegiert dann erneut eine Aufgabe an den Support-Agenten zur Überprüfung seiner Antwort.

Der QA-Agent erhält die Rückmeldung vom Support-Agenten und sucht jetzt gegebenenfalls unser Feedback für eine bessere Antwort. Der QA-Agent erhält dann das Feedback und arbeitet an seiner Antwort basierend auf dem, was gesagt wurde, und gibt eine geeignete Antwort aus.

Endausgabe im Markdown-Format

Nachdem die Crew alle Aufgaben abgeschlossen hat, generiert sie das Endergebnis im Markdown-Format. Dieses Format ist besonders nützlich für Dokumentationszwecke oder um die Ergebnisse strukturiert und lesbar zu teilen.

Da wir eine output_file für unsere QA-Aufgabe eingestellt haben, wird die Datei mit der Antwort in unserem aktuellen Verzeichnis gespeichert. Der Inhalt der Ausgabedatei enthält die endgültige Antwort des Support-QA-Agenten. Sie können das Google Colab-Notizbuch, das für dieses Tutorial verwendet wurde, HIER einsehen.

Verallgemeinerung über Anwendungsfälle hinaus

Adaptation an mehrere Bereiche

Während dieses Tutorials Beispiele aus dem Kundenservice behandelt, können die Prinzipien von Multi-Agenten-Systemen auf verschiedene Branchen angewendet werden, von der Lieferkettenverwaltung bis hin zu personalisierten KI-gesteuerten Diensten.

Modulares und wiederverwendbares Design

Beim Entwerfen Ihres Systems sollten Sie Modularität priorisieren. Strukturieren Sie die Agenten und ihre Interaktionen so, dass sie leicht anpasst oder in verschiedenen Projekten wiederverwendet werden können, was Zeit und Ressourcen bei künftigen Entwicklungen spart.

Fazit

In diesem Tutorial haben wir ein komplexes Multi-Agenten-System mit CrewAI erstellt und demonstriert, wie man Kundensupportaufgaben effektiv automatisiert. Wir begannen damit, die Umgebung einzurichten, spezialisierte Agenten zu definieren und Aufgaben zu erstellen, die verschiedene Werkzeuge nutzen, einschließlich eines benutzerdefinierten DatabaseRetrivalTool. Durch das Initialisieren und Starten der Crew haben wir gesehen, wie Agenten zusammenarbeiten, um Daten abzurufen, Antworten zu entwerfen und die Qualität sicherzustellen, während sie Gedächtnis und menschliches Feedback nutzen, um ein verfeinertes Endergebnis zu produzieren.

Um tiefere Einblicke in die Möglichkeiten und Potenziale von Multi-Agenten-Systemen zu erhalten, werfen Sie einen Blick in die Dokumentation von CrewAI.

Fortgeschrittene KI-Zusammenarbeit: Erstellen Sie ein Multi-Agenten-System mit CrewAI