В этом руководстве мы покажем, как создать небольшую, но мощную систему из двух агентов CrewAI, которые взаимодействуют с помощью модели Gemini Flash. Мы настроим нашу среду, выполним безопасную аутентификацию, определим специализированных агентов и организуем задачи, которые переходят от исследования к структурированному написанию.
Установка и настройка среды
1. Установка CrewAI и инструментов:
«`python
import os
import sys
import getpass
from textwrap import dedent
print(«Installing CrewAI and tools… (this may take 1-2 mins)»)
!pip install -q crewai crewai-tools
from crewai import Agent, Task, Crew, Process, LLM
«`
2. Безопасная аутентификация:
«`python
print(«\n— API Authentication —«)
api_key = None
try:
from google.colab import userdata
apikey = userdata.get(‘GEMINIAPI_KEY’)
print(» Found GEMINIAPIKEY in Colab Secrets.»)
except Exception:
pass
if not api_key:
print(» Key not found in Secrets.»)
api_key = getpass.getpass(» Enter your Google Gemini API Key: «)
os.environ[«GEMINIAPIKEY»] = api_key
if not api_key:
sys.exit(» Error: No API Key provided. Please restart and enter a key.»)
«`
3. Конфигурация модели Gemini Flash:
«`python
gemini_flash = LLM(
model=»gemini/gemini-2.0-flash»,
temperature=0.7
)
«`
Определение агентов и задач
1. Исследователь:
«`python
researcher = Agent(
role=’Tech Researcher’,
goal=’Uncover cutting-edge developments in AI Agents’,
backstory=dedent(«»»You are a veteran tech analyst with a knack for finding emerging trends before they become mainstream. You specialize in Autonomous AI Agents and Large Language Models.»»»),
verbose=True,
allow_delegation=False,
llm=gemini_flash
)
«`
2. Писатель:
«`python
writer = Agent(
role=’Technical Writer’,
goal=’Write a concise, engaging blog post about the researcher’s findings’,
backstory=dedent(«»»You transform complex technical concepts into compelling narratives. You write for a developer audience who wants practical insights without fluff.»»»),
verbose=True,
allow_delegation=False,
llm=gemini_flash
)
«`
3. Задачи:
«`python
research_task = Task(
description=dedent(«»»Conduct a simulated research analysis on ‘The Future of Agentic AI in 2025’. Identify three key trends: 1. Multi-Agent Orchestration 2. Neuro-symbolic AI 3. On-device Agent execution Provide a summary for each based on your ‘expert knowledge’.»»»),
expected_output=»A structured list of 3 key AI trends with brief descriptions.»,
agent=researcher
)
write_task = Task(
description=dedent(«»»Using the researcher’s findings, write a short blog post (approx 200 words). The post should have: — A catchy title — An intro — The three bullet points — A conclusion on why developers should care.»»»),
expected_output=»A markdown-formatted blog post.»,
agent=writer,
context=[research_task]
)
«`
4. Создание команды:
«`python
tech_crew = Crew(
agents=[researcher, writer],
tasks=[researchtask, writetask],
process=Process.sequential,
verbose=True
)
print(«\n— Starting the Crew —«)
result = tech_crew.kickoff()
from IPython.display import Markdown
print(«\n\n########################»)
print(«## FINAL OUTPUT ##»)
print(«########################\n»)
display(Markdown(str(result)))
«`
Запуск команды
Мы собираем агентов и задачи в команду и запускаем весь мультиагентный рабочий процесс. Мы наблюдаем, как система выполняет шаг за шагом, создавая окончательный вывод в формате Markdown. Это то место, где всё объединяется, и мы видим, как наши агенты взаимодействуют в реальном времени.
В заключение мы оцениваем, насколько плавно CrewAI позволяет нам создавать скоординированные системы агентов, которые думают, исследуют и пишут вместе. Мы на собственном опыте убеждаемся, что определение ролей, задач и потоков процессов позволяет нам модульно структурировать сложную работу и достигать согласованных результатов с минимальным количеством кода. Этот фреймворк даёт нам возможность создавать более богатые, автономные агентские приложения, и мы уходим уверенными в том, что сможем расширить эту основу до более крупных мультиагентных систем, производственных конвейеров или более творческих коллабораций с ИИ.
1. Какие основные шаги включает в себя настройка среды для работы с CrewAI и Gemini Flash?
В статье описывается три основных шага для настройки среды:
* установка CrewAI и инструментов с помощью команды `pip install -q crewai crewai-tools`;
* безопасная аутентификация с помощью `google.colab` и `getpass` для ввода API-ключа;
* конфигурация модели Gemini Flash с указанием модели и температуры.
2. Какие роли и цели определены для агентов в примере с CrewAI?
В примере определены два агента:
* Исследователь (`Tech Researcher`) с целью «Uncover cutting-edge developments in AI Agents».
* Писатель (`Technical Writer`) с целью «Write a concise, engaging blog post about the researcher’s findings».
3. Как организована передача задач между агентами в примере?
В примере организована последовательная передача задач между агентами:
* Исследователь выполняет задачу по анализу и выявлению ключевых тенденций в AI.
* Писатель использует результаты исследования для написания поста в блоге.
4. Какие инструменты и библиотеки используются для создания мультиагентного процесса в примере?
Для создания мультиагентного процесса в примере используются следующие инструменты и библиотеки:
* CrewAI для управления агентами и задачами;
* Gemini Flash как модель для обработки естественного языка;
* Python и его библиотеки (`os`, `sys`, `getpass`, `textwrap`).
5. Какие преимущества даёт использование CrewAI для организации мультиагентных процессов?
Использование CrewAI позволяет:
* создавать скоординированные системы агентов, которые думают, исследуют и пишут вместе;
* модульно структурировать сложную работу;
* достигать согласованных результатов с минимальным количеством кода;
* создавать более богатые, автономные агентские приложения.