Промпт для создания AI-агентов в CrewAI

Привет! Я рад стать твоим ментором по CrewAI. Поскольку ты уже знаком с машинным обучением, мы пропустим базовые объяснения того, "что такое LLM", и перейдем сразу к архитектуре мульти-агентных систем.

CrewAI — это фреймворк, который позволяет оркестрировать ролевых AI-агентов. Думай об этом не как о вызове модели, а как о создании виртуального отдела сотрудников, где у каждого есть своя роль, цель, инструменты и история (backstory).

Для начала давай синхронизируемся. Чтобы наши следующие шаги были максимально эффективными, мне нужно немного контекста.

🛠 Этап 0: Уточнение требований

Прежде чем мы перейдем к сложной архитектуре, ответь, пожалуйста, на несколько вопросов (кратко):

1. Цель: Какую задачу должен решать "экипаж" (Crew)? (Например: анализ акций, написание кода, парсинг новостей, support-бот).
2. LLM: Планируешь использовать облачные модели (OpenAI, Anthropic, Groq) или локальные (Ollama/Llama 3)?
3. Инструменты: Должны ли агенты иметь доступ к интернету, базе данных или конкретным API?
4. Среда: Где планируется запуск? (Локально, AWS Lambda, Docker-контейнер).

🚀 Этап 1: Быстрый старт (MVP)

Пока ты формулируешь ответы, давай разберем базовую структуру и запустим простейшего агента.

Установка:

pip install crewai crewai-tools

Ключевые сущности CrewAI:

1. Agent (Агент): "Сотрудник". Имеет роль, цель, предысторию и LLM.
2. Task (Задача): То, что агент должен сделать. Должна быть конкретной и иметь ожидаемый результат (output).
3. Process (Процесс): Как задачи распределяются (обычно sequential — последовательно, или hierarchical — через менеджера).
4. Crew (Экипаж): Контейнер, объединяющий агентов и задачи.

Пример кода: Исследователь и Писатель

Создадим скрипт main.py. Этот пример демонстрирует, как два агента взаимодействуют: один ищет информацию (симуляция), второй пишет пост.

import os
from crewai import Agent, Task, Crew, Process

# Если используешь OpenAI (по умолчанию)
# os.environ["OPENAI_API_KEY"] = "sk-..."

# 1. Создание Агентов
# Backstory - это и есть "System Prompt", определяющий поведение.
researcher = Agent(
    role='Старший аналитик данных',
    goal='Найти передовые тренды в области AI-агентов в 2024 году',
    backstory="""Ты опытный аналитик, который умеет находить скрытые инсайты. 
    Ты всегда проверяешь источники и ищешь факты.""",
    verbose=True, # Логирование мыслей агента
    allow_delegation=False # Не может поручать работу другим в этом примере
    # llm=... (можно указать конкретную модель здесь)
)

writer = Agent(
    role='Технический контент-райтер',
    goal='Написать увлекательный пост для блога на основе аналитики',
    backstory="""Ты пишешь простым и понятным языком о сложных технологиях. 
    Твои тексты всегда структурированы.""",
    verbose=True,
    allow_delegation=False
)

# 2. Создание Задач (Tasks)
task1 = Task(
    description="""Проведи комплексный анализ трендов AI-агентов на 2024 год. 
    Выдели ключевые технологии и потенциальные риски.""",
    expected_output="Список из 5 ключевых трендов с кратким описанием.",
    agent=researcher
)

task2 = Task(
    description="""Используя отчет аналитика, напиши пост для блога на русском языке. 
    Пост должен быть в формате Markdown, с заголовками и списками.""",
    expected_output="Готовый пост в формате Markdown.",
    agent=writer
)

# 3. Сборка Экипажа (Crew)
crew = Crew(
    agents=[researcher, writer],
    tasks=[task1, task2],
    verbose=True, # Расширенное логирование всего процесса
    process=Process.sequential # Задачи выполняются по порядку списка
)

# 4. Запуск
result = crew.kickoff()

print("\n\n########################")
print("## РЕЗУЛЬТАТ РАБОТЫ ##")
print("########################\n")
print(result)

🧠 Этап 2: Важные концепции для ML-разработчика

Так как ты разработчик, вот что тебе нужно знать "под капотом":

• Prompt Engineering в CrewAI: Тебе не нужно писать огромные промпты вручную. CrewAI собирает промпт динамически: System Prompt (Role + Backstory) + Task Description + Context (результаты предыдущих задач) + Tools Schema. Твоя задача — четко писать goal и description.
• Memory (Память): CrewAI имеет встроенную кратковременную память (контекст разговора) и может быть подключен к векторным базам (RAG) для долговременной памяти, чтобы агенты "помнили" опыт прошлых запусков.
• Delegation (Делегирование): Если включить allow_delegation=True, агент может сам решить: "Я не знаю ответа, спрошу-ка я у другого агента в команде". Это создает автономное поведение.

📋 План действий (Roadmap)

Вот как мы построим твое обучение и разработку:

1. Прототипирование (Текущий этап): Запуск "Hello World", понимание ролей.
2. Подключение инструментов (Tools): Научим агента гуглить, читать файлы или дергать API (здесь вступает LangChain integration).
3. RAG и Custom Tools: Создание собственных инструментов на Python для специфичных задач твоей системы.
4. Архитектура: Переход от последовательного процесса к иерархическому (с менеджером).
5. Оптимизация: Выбор модели (GPT-4 для "мозга", Llama-3 для простых задач) для экономии денег/ресурсов.
6. Деплой: Упаковка в Docker, создание API (FastAPI) вокруг агента.

Что делаем дальше?

Жду твои ответы на вопросы из Этапа 0. Как только ты опишешь задачу, я:

1. Подберу оптимальную архитектуру (какие агенты нужны).
2. Покажу, как написать Custom Tool для твоих данных.
3. Дам рекомендации по выбору модели.

Готов приступить?