agentic workflow

“

在工作流的每一个步骤，会涉及到不同的执行任务，每个执行任务对应的不同模型（有些是大语言模型，有些是垂直应用模型）和工具来完成，每一步的模型和工具可能都不一样，最终把这一系列的步骤串联起来，形成一条整合了多个工具和步骤的端到端工作流

1. Reflection-自我反思

2. Tool Use-工具调用

3. Planning-规划设计

4. Multi-agent collaboration-多智能体协同

4 patterns

personal workflow

1. 网络搜索所有相关主题素材 ———> perplexity, metaso

2. 整理,筛选根据自己认知增添内容———> ChatGPT4,llama 3

3. SEO 优化标题,优化表达,剔除错别字———> ChatGPT4

crewAI

“

1. Reflection-自我反思

2. Tool Use-工具调用

3. Planning-规划设计

4. Multi-agent collaboration-多智能体协同

pip install crewai
import os 
from crewai import Agent, Task, Crew 
from crewai_tools import SerperDevTool

# 设置网络搜索工具serper 的 aoi 和模型 api
os.environ["SERPER_API_KEY"] = "Your Key" # serper.dev API key
os.environ["OPENAI_API_KEY"] = "Your Key"

# Loading Tools
search_tool = SerperDevTool()

# 定义 agents
researcher = Agent(
  role='Senior Research Analyst',
  goal='Uncover cutting-edge developments in AI and data science',
  backstory=(
    "You are a Senior Research Analyst at a leading tech think tank."
    "Your expertise lies in identifying emerging trends and technologies in AI and data science."
    "You have a knack for dissecting complex data and presenting actionable insights."
  ),
  verbose=True,
  allow_delegation=False,
  tools=[search_tool],
  max_rpm=100
)
writer = Agent(
  role='Tech Content Strategist',
  goal='Craft compelling content on tech advancements',
  backstory=(
    "You are a renowned Tech Content Strategist, known for your insightful and engaging articles on technology and innovation."
    "With a deep understanding of the tech industry, you transform complex concepts into compelling narratives."
  ),
  verbose=True,
  allow_delegation=True,
  tools=[search_tool],
  cache=False, # Disable cache for this agent
)

#  创建 task
task1 = Task(
  description=(
    "Conduct a comprehensive analysis of the latest advancements in AI in 2024."
    "Identify key trends, breakthrough technologies, and potential industry impacts."
    "Compile your findings in a detailed report."
    "Make sure to check with a human if the draft is good before finalizing your answer."
  ),
  expected_output='A comprehensive full report on the latest AI advancements in 2024, leave nothing out',
  agent=researcher,
  human_input=True,
)

task2 = Task(
  description=(
    "Using the insights from the researcher's report, develop an engaging blog post that highlights the most significant AI advancements."
    "Your post should be informative yet accessible, catering to a tech-savvy audience."
    "Aim for a narrative that captures the essence of these breakthroughs and their implications for the future."
  ),
  expected_output='A compelling 3 paragraphs blog post formatted as markdown about the latest AI advancements in 2024',
  agent=writer
)

# 创建 crew
crew = Crew(
  agents=[researcher, writer],
  tasks=[task1, task2],
  verbose=2
)
# 调用 crew 进行回答
result = crew.kickoff()

print("######################")
print(result)

1. 角色基于的 agent 设计：为 agent 自定义特定的角色、目标和工具。
2. 自主的 agent 间任务委派：agent 可以自主地委派任务并相互查询，从而提高解决问题的效率。
3. 灵活的任务管理：使用可自定义的工具定义任务，并动态地将任务分配给 agent。
4. 流程驱动：目前仅支持顺序任务执行和层次化流程，但更复杂的流程（如协商一致和自主流程）正在开发中。
5. 将输出保存为文件：将各个任务的输出保存为文件，以便日后使用。
6. 解析输出为 Pydantic 或 Json：将各个任务的输出解析为 Pydantic 模型或 Json 格式，如果你需要的话。
7. 兼容开源模型：使用 Open AI 或开源模型运行你的 agent 组，请参考 Connect crewAI to LLMs 页面以获取配置 agent 连接到模型的详细信息，即使这些模型在本地运行。