CrewAI: คู่มือปฏิบัติสำหรับการจัดการเอเจนต์ตามบทบาท

บทนำ

CrewAI เป็นเฟรมเวิร์ก Python ที่มีน้ำหนักเบาและรวดเร็วมาก สำหรับการจัดการเอเยนต์ AI อัตโนมัติที่ทำงานร่วมกันเป็น "ทีม" เพื่อทำภารกิจให้สำเร็จ CrewAI ถูกสร้างขึ้นตั้งแต่รากฐานโดยไม่มีนามธรรมที่ซับซ้อน และไม่พึ่งพา LangChain หรือไลบรารีเอเยนต์อื่นใดเลย CrewAI มอบความเรียบง่ายในระดับสูงและการควบคุมในระดับต่ำแก่ผู้พัฒนา มันถูกปรับให้เหมาะสมกับเวิร์กโฟลว์หลายเอเยนต์ที่พร้อมใช้งานจริง โดยคำนึงถึงความน่าเชื่อถือ การสังเกตการณ์ และความคุ้มค่า

คอร์สเร่งรัดนี้จะพาคุณจากการเริ่มต้นกับ "hello world" ไปสู่การสร้างเวิร์กโฟลว์หลายเอเย่นต์ระดับโปรดักชันด้วย CrewAI คุณจะได้ทำความรู้จักกับแนวคิดสำคัญ ตั้งค่าโปรเจกต์ เขียนโค้ดเวิร์กโฟลว์จริง เชื่อมต่อกับเครื่องมือทรงพลัง และเรียนรู้แนวทางปฏิบัติที่ดีที่สุดสำหรับความน่าเชื่อถือและการติดตามผล เมื่อจบคอร์สนี้ คุณจะรู้วิธีตัดสินใจว่า CrewAI เหมาะกับกรณีการใช้งานของคุณหรือไม่ และเทียบกับเฟรมเวิร์กอื่นๆ อย่าง LangGraph และ AutoGen อย่างไร มาเริ่มกันเลย!

ข้อสรุปสำคัญ

• CrewAI ถูกสร้างขึ้นเพื่อการผลิต ไม่ใช่เพื่อสาธิต CrewAI ให้ความสำคัญกับความน่าเชื่อถือ การสังเกต และการควบคุมค่าใช้จ่าย มันมีน้ำหนักเบาและทำงานได้โดยไม่พึ่งพา LangChain ดังนั้นจึงเหมาะสำหรับระบบหลายหน่วยงานในโลกจริง
• เอเย่นต์ตามบทบาทช่วยเพิ่มความชัดเจนและขยายขนาดได้ง่ายขึ้น เอเย่นต์ได้รับมอบหมายบทบาทที่ชัดเจน (นักวิจัย นักเขียน ผู้จัดการ ฯลฯ) แทนที่จะใช้คำสั่งรวมบทบาทเพียงชุดเดียว บทบาทเหล่านี้ช่วยให้การแบ่งงานสามารถทำได้อย่างเรียบร้อย ขยายได้ และสนับสนุนความร่วมมือระหว่างเอเย่นต์
• โมเดลทางความคิดหลักนั้นง่ายและทรงพลัง โมเดลทางความคิดของ CrewAI อิงตามองค์ประกอบพื้นฐานสี่อย่าง: ตัวแทน, งาน, เครื่องมือ และทีม วิธีการนี้ส่งผลให้เกิดเวิร์กโฟลว์ที่เรียบง่าย สม่ำเสมอ และง่ายต่อการทำความเข้าใจ ขยาย และแก้ไขข้อผิดพลาด
• ความยืดหยุ่นแบบประกาศและโปรแกรมช่วยเร่งการทำซ้ำ เวิร์กโฟลว์ของ CrewAI สามารถประกาศในรูปแบบ YAML เพื่อการทำซ้ำที่รวดเร็ว จากนั้นสามารถอัปเกรดเป็น API ของ Python แบบโปรแกรมเพื่อการจัดการขั้นสูง ลอจิกที่กำหนดเอง และการควบคุมที่ลึกซึ้งยิ่งขึ้นเมื่อจำเป็น
• ระเบียบวินัยด้านวิศวกรรมที่เข้มแข็งเป็นสิ่งจำเป็น ระบบ CrewAI ที่มีประสิทธิภาพอาศัยแนวทางป้องกัน เช่น การระบุภารกิจที่ชัดเจน การมอบหมายงานอย่างจำกัด ขีดจำกัดการทำซ้ำ การใช้งานเครื่องมืออย่างถูกต้อง และการสังเกตอย่างเหมาะสม เพื่อป้องกันการวนลูป ความเพ้อฝัน และค่าใช้จ่ายเกินงบประมาณ

CrewAI คืออะไร?

CrewAI เป็นกรอบงานแบบหลายเอเย่นต์ที่อิงตามบทบาทสำหรับ Python ซึ่งช่วยให้คุณสามารถกำหนดเอเย่นต์หลายตัวที่ขับเคลื่อนด้วย LLM โดยมีความเชี่ยวชาญและวัตถุประสงค์ที่กำหนดไว้ และจัดระเบียบให้พวกเขาทำงานร่วมกันในกระบวนงานที่มีโครงสร้าง สมาชิกของทีมทำงานโดยอัตโนมัติบางส่วนในสาขาที่เชี่ยวชาญ ขณะเดียวกันก็สามารถสร้างกระบวนการประสานงานแยกต่างหาก (เอเย่นต์ผู้จัดการ) เพื่อจัดการกระบวนงานได้ด้วย

การจัดการเอเย่นต์ AI เป็นทีมที่มีบทบาทชัดเจนช่วยให้คุณหลีกเลี่ยงการให้เอเย่นต์คนเดียวทำทุกอย่างเหมือนในระบบที่ง่ายกว่า ตัวอย่างเช่น เอเย่นต์หนึ่งอาจเชี่ยวชาญด้านการวิจัย อีกเอเย่นต์หนึ่งเชี่ยวชาญด้านการเขียน และอีกเอเย่นต์หนึ่งเชี่ยวชาญด้านการตัดสินใจ CrewAI จะจัดการการสื่อสารและการจัดระเบียบระหว่างเอเย่นต์ ทำให้พวกเขาสามารถทำงานร่วมกันในงานย่อยต่าง ๆ เพื่อให้ได้ผลลัพธ์สุดท้าย

การติดตั้ง

สิ่งที่ต้องมีเบื้องต้น: Python 3.10 ถึง 3.13. CrewAI ต้องการ Python >=3.10 และ <3.14. ตรวจสอบให้แน่ใจว่าคุณอยู่ในช่วงนี้ (ตรวจสอบโดยใช้ python3 --version) หากไม่อยู่ ให้ทำการอัปเดต Python ของคุณก่อน นอกจากนี้ CrewAI ใช้ OpenAI API ในการทำงานเบื้องหลัง ดังนั้นคุณต้องมี API key ของ OpenAI (หรือ key จากผู้ให้บริการ LLM รายอื่นใด) พร้อมใช้งาน

ขั้นตอนที่ 1: ติดตั้ง CrewAI. CrewAI ถูกแจกจ่ายผ่าน PyPI ไลบรารีหลักสามารถติดตั้งได้ผ่าน pip การติดตั้งนี้จะติดตั้งแพ็กเกจและ CLI ของ CrewAI

pip install crewai

หากคุณต้องการการสนับสนุนเครื่องมืออย่างครบถ้วน คุณสามารถติดตั้งแพ็กเกจเครื่องมือเพิ่มเติมได้ ซึ่งจะทำให้คุณมีห้องสมุดเครื่องมือที่สร้างไว้ล่วงหน้าของ CrewAI

pip install crewai[tools]

หมายเหตุ: CrewAI มีตัวจัดการสภาพแวดล้อมของตัวเองที่เรียกว่า UV ซึ่งยังจัดการการพึ่งพาให้คุณด้วย การใช้งานนี้เป็นทางเลือก แต่เอกสารของ CrewAI แนะนำให้ใช้

• ติดตั้ง UV (ครั้งเดียว): บน macOS/Linux ให้รัน:

curl \-LsSf https://astral.sh/uv/install.sh

นี่จะติดตั้งคำสั่ง uv

• จากนั้น ติดตั้ง CrewAI ผ่านเครื่องมือ UV: uv tool install crewai ซึ่งจะทำสิ่งเดียวกับ pip แต่ยังตั้งค่าสภาพแวดล้อมแยกและเครื่องมือ CLI ให้โดยอัตโนมัติด้วย

หลังการติดตั้ง คุณสามารถตรวจสอบว่าทุกอย่างทำงานได้โดยการตรวจสอบเวอร์ชัน คุณควรเห็นผลลัพธ์ประมาณ crewai v0.x.x เพื่อยืนยันว่าติดตั้งเรียบร้อยแล้ว

crewai --version

ขั้นตอนที่ 2: สร้างโครงสร้างโครงการ CrewAI CrewAI มาพร้อมกับ CLI เพื่อสร้างโครงการใหม่โดยมีโครงสร้างที่แนะนำ ในเทอร์มินัล ให้รัน:

crewai create crew my_project_name

แทนที่ my_project_name ด้วยชื่อที่คุณต้องการให้กับโปรเจกต์ของคุณ ซึ่งจะสร้างโฟลเดอร์ my_project_name/ พร้อมเทมเพลตที่พร้อมใช้งาน:

my_project_name/
├── .gitignore
├── pyproject.toml
├── README.md
├── .env                # for API keys and config
├── knowledge/          # (optional knowledge base)
└── src/
   └── my_project_name/
       ├── crew.py     # Crew orchestration code
       ├── main.py     # Entry point to run your crew
       ├── agents.yaml # Define your agents here
       ├── tasks.yaml  # Define tasks/workflows here
       └── tools/      # Custom tools (with __init__.py and example tool file)

โครงสร้างนี้มอบ จุดเริ่มต้นที่มีโครงสร้าง ให้กับคุณ ไฟล์ agents.yaml และ tasks.yaml คือที่ที่คุณสามารถกำหนดการตั้งค่าของทีมงานของคุณแบบเชิงประกาศ (บทบาท, เป้าหมาย, ลำดับงาน ฯลฯ) ในขณะที่ main.py และ crew.py เป็นจุดเริ่มต้นของ Python ในกรณีที่คุณต้องการการตั้งค่าผ่านโค้ด .env คือที่ที่คุณจะเก็บคีย์ API (เช่น OPENAI_API_KEY=...) เพื่อให้ไม่ต้องฝังในโค้ดโดยตรง

ขั้นตอนที่ 3: ติดตั้งการพึ่งพาของโปรเจกต์ ภายในไดเรกทอรีโปรเจกต์ของคุณ ให้รัน:

crewai install

คำสั่งนี้จะเรียกใช้ CrewAI CLI เพื่อติดตั้ง dependencies ใดๆ ที่โครงการอาจต้องการ (ตั้งค่าสภาพแวดล้อม, ตรวจสอบให้แน่ใจว่ามีการติดตั้งแพ็กเกจ crewai-tools ฯลฯ) หากโครงการของคุณต้องการติดตั้งแพ็กเกจ Python เพิ่มเติม คุณสามารถระบุได้โดยใช้ ‘uv add <package>’ (UV) หรือผ่าน ‘pip install’ ตามปกติ

ขั้นตอนที่ 4: เริ่มทีมแรกของคุณ ตอนนี้คุณพร้อมที่จะรันทีมตัวอย่างเริ่มต้นแล้ว เพียงแค่รัน:

crewai run

นี่จะรันทีมงานที่กำหนดไว้ในโครงสร้างของคุณ (โดยค่าเริ่มต้น อาจรันตัวอย่างความร่วมมือระหว่างเอเจนต์สองตัวอย่างง่าย ๆ) หากทุกอย่างทำงานได้ คุณควรจะเห็นเอเจนต์คิด/ทำงานในคอนโซล

ข้อควรระวังทั่วไปในการติดตั้ง*:*

• เวอร์ชันของ Python – ติดตั้งบนเวอร์ชันที่รองรับ (3.10–3.13) เพราะการติดตั้งอาจล้มเหลวในเวอร์ชันเก่าของ Python เนื่องจากปัญหาด้านการพึ่งพา
• เวอร์ชัน SDK ของ OpenAI – CrewAI อาจต้องการ OpenAI Python SDK ในเวอร์ชันขั้นต่ำ (เช่น openai >= 1.13.3 เป็นข้อกำหนดสำหรับ CrewAI 0.175.0) หากคุณพบข้อผิดพลาดในการนำเข้าเกี่ยวกับ OpenAI ให้ตรวจสอบและอัปเดตแพ็กเกจ OpenAI ของคุณ
• เครื่องมือสร้าง Windows – หากคุณพบข้อผิดพลาดในการสร้าง chroma-hnswlib บน Windows คุณจำเป็นต้องติดตั้ง Visual Studio C++ Build Tools (CrewAI ใช้ Chroma สำหรับหน่วยความจำ; วิธีแก้ไขคือให้มีเครื่องมือสร้าง C++ พร้อมใช้งาน)
• UV ไม่อยู่ใน PATH – หากไม่พบคำสั่ง uv หลังจากติดตั้ง ให้รัน uv tool update-shell เพื่ออัปเดต PATH ของคุณ

โมเดลทางความคิดของ CrewAI: ตัวแทน งาน เครื่องมือ และทีม

คุ้มค่าที่จะมองไปที่สี่ส่วนประกอบหลักของ CrewAI กระบวนการทำงานของ CrewAI ประกอบด้วยส่วนประกอบหลัก 4 อย่าง: ตัวแทน, งาน, เครื่องมือ และทีมงานเอง (ซึ่งเป็นตัวควบคุมที่รวมตัวแทนและงานเข้าด้วยกัน)

เอเย่นต์: ผู้ปฏิบัติงาน LLM ตามบทบาท

เอเจนต์ใน CrewAI คือพนักงานที่ขับเคลื่อนด้วย LLM ซึ่งมีบทบาทที่กำหนด เป้าหมายที่ต้องบรรลุ และ (ถ้ามี) บริบทพื้นหลังบางอย่าง เอเจนต์ทำงานได้อย่างอิสระ โดยตัดสินใจตามความสามารถในสาขาของตน ตัวอย่างเช่น คุณอาจมีเอเจนต์ที่มีบทบาทเป็นนักวิเคราะห์วิจัย โดยมีเป้าหมายในการทำการวิจัย และอีกเอเจนต์ที่มีบทบาทเป็นนักเขียน มีเป้าหมายในการจัดทำรายงาน คุณสร้างเอเจนต์โดยระบุบทบาท เป้าหมาย และตัวแปรอื่น ๆ ต่อไปนี้คือตัวอย่าง:

from crewai import Agent

researcher = Agent(
    role="Senior Research Analyst",
    goal="Identify emerging AI trends and their business implications",
    backstory="You have 10 years of experience in AI research...",
    llm=your_llm_instance,         # (Optional) use a specific LLM for this agent
    tools=[web_search_tool, document_loader_tool],
    memory=True,                   # Enable short/long-term memory for this agent
    verbose=True                   # Log the agent's thought process and decisions
)

คุณสมบัติสำคัญของตัวแทน:

• บทบาท: ชื่อหรือชุดทักษะของตัวแทน (สิ่งนี้สามารถมีผลต่อพฤติกรรมได้ เช่น “ที่ปรึกษาด้านการเงิน”, “นักวิเคราะห์ฐานข้อมูล SQL”)
• เป้าหมาย: เป้าหมายระดับสูงที่เอเย่นต์ต้องบรรลุ.
• เรื่องราวเบื้องหลัง: บริบทหรือบุคลิกภาพพื้นฐาน สิ่งนี้สามารถช่วยปรับปรุงคุณภาพของพรอมต์โดยการให้มุมมองหรือโทนเสียงแก่ตัวแทน (เช่น “คุณมีประสบการณ์ด้านความปลอดภัยทางไซเบอร์มา 10 ปี…”)
• เครื่องมือ: รายการเครื่องมือ (ฟังก์ชัน/API) ที่เอเจนต์สามารถเรียกใช้เพื่อช่วยในการทำงานของมัน
• llm: คุณสามารถกำหนด LLM เฉพาะให้กับแต่ละเอเย่นต์ได้ ตัวอย่างเช่น คุณอาจใช้โมเดลที่ราคาถูกกว่าในการทำงานแบบสืบค้นง่ายหรือการค้นหาด้วยคำสำคัญ และใช้โมเดล GPT-5 ที่ทรงพลังมากขึ้นสำหรับงานที่ซับซ้อนกว่า เพื่อช่วยปรับสมดุลประสิทธิภาพ
• ความจำ: ถ้าเป็นจริง ตัวแทนจะสามารถรักษาความจำในการทำงานต่าง ๆ (ทำให้มันจำอดีตได้ เช่น การโต้ตอบ/คำถาม/ข้อค้นพบที่ผ่านมา)
• verbose: หากเลือก True ตัวแทนจะพิมพ์บันทึกกิจกรรมอย่างละเอียด (เป็นประโยชน์สำหรับการดีบัก/ติดตามการตัดสินใจ)

งาน: หน่วยงานเฉพาะ

งาน (Task) ใน CrewAI หมายถึงหน่วยของงานที่ตัวแทนต้องทำ รวมถึงคำแนะนำและผลลัพธ์ที่คาดหวัง คุณสามารถคิดว่ามันเหมือนกับการมอบหมายรายการสิ่งที่ต้องทำให้กับตัวแทนของคุณ นี่คือวิธีที่คุณกำหนดงาน (Task) ในโค้ด:

from crewai import Task

analysis_task = Task(
    description="Analyze the top 5 AI trends in 2025 and assess their market potential.",
    expected_output="A structured analysis including each trend's name, market size, key players, and growth forecast.",
    agent=researcher,
    async_execution=False,      # False = this task runs synchronously (waits for previous tasks if any)
    output_file="analysis.md",  # save the output to a file
    depends_on=[research_task]  # (Optional) task dependency: run after research_task
)

คุณสมบัติสำคัญของงาน:

• คำอธิบาย: คำแนะนำสำหรับงาน (สิ่งที่ตัวแทนควรทำ)
• expected_output: คำอธิบายเกี่ยวกับสิ่งที่ผลลัพธ์ควรเป็น (สิ่งนี้ยังช่วยให้ตัวแทนสามารถจัดรูปแบบและโครงสร้างของผลลัพธ์ได้)
• ตัวแทน: จะใช้ตัวแทนใดสำหรับงานนี้ (ซึ่งเราได้กำหนดไว้ก่อนหน้านี้)
• async_execution: ถ้าเป็น True งานสามารถทำงานพร้อมกันกับงานอื่น ๆ ได้ (มีประโยชน์เมื่อแต่ละงานเป็นอิสระต่อกัน) โดยค่าเริ่มต้นจะเป็น False สำหรับการทำงานแบบเรียงลำดับ
• output_file: หากระบุไว้ CrewAI จะบันทึกผลลัพธ์ของเอเจนต์ลงในไฟล์นี้บนดิสก์
• depends_on: รายการของงานอื่น ๆ ที่ต้องเสร็จสิ้นก่อนที่งานนี้จะเริ่มได้ ซึ่งช่วยให้คุณสามารถสร้างความสัมพันธ์ระหว่างงานและรับประกันลำดับการดำเนินงานที่ถูกต้อง (หากจำเป็น)

เครื่องมือ: ความสามารถของตัวแทน

เครื่องมือคือวิธีที่คุณมอบความสามารถเพิ่มเติมให้กับตัวแทน เครื่องมือโดยพื้นฐานแล้วคือฟังก์ชันหรือการเชื่อมต่อ API ที่ตัวแทนสามารถเรียกใช้เป็นส่วนหนึ่งของกระบวนการการคิดของมัน ตัวอย่างเช่น เครื่องมือค้นหาเว็บจะช่วยให้ตัวแทนสามารถสืบค้นข้อมูลบนอินเทอร์เน็ตได้ เครื่องมือฐานข้อมูลจะช่วยให้ตัวแทนดึงข้อมูล และอื่น ๆ

CrewAI มาพร้อมกับเครื่องมือบางอย่างที่ติดมาพร้อมตัวโปรแกรม และยังอนุญาตให้คุณกำหนดเครื่องมือแบบกำหนดเองได้ การแนบเครื่องมือเข้ากับเอเจนต์หมายถึงว่าเอเจนต์สามารถตัดสินใจใช้เครื่องมือเหล่านั้นตามความจำเป็นเพื่อให้บรรลุเป้าหมายของมัน

นี่คือตัวอย่างการใช้เครื่องมือหนึ่งของ CrewAI ที่มีอยู่ในตัว ระบบค้นหาเว็บ รวมถึงเครื่องมือการอ่านและเขียนไฟล์:

from crewai_tools import SerperDevTool, FileReadTool, FileWriteTool

# Initialize some tools
web_search = SerperDevTool()   # web search via Serper (Google)
file_reader = FileReadTool()   # read from files
file_writer = FileWriteTool()  # write to files

# Give our researcher agent the ability to use these tools
researcher.tools = [web_search, file_reader, file_writer]

เครื่องมือที่กำหนดเองคือฟังก์ชัน Python (หรือคลาส) ที่ตกแต่งด้วย @tool จาก CrewAI ซึ่งสามารถใช้งานโดยเอเจนต์ได้:

from crewai.tools import tool
import json

@tool("Database Query")
def query_database(sql: str) -> str:
    """Execute an SQL query against the company database."""
    # Simple validation example:
    if "DROP" in sql.upper():
        return "Error: Destructive queries are not allowed."
    # (Pretend we run the query and get results)
    results = execute_sql(sql)
    return json.dumps(results)

ในตัวอย่างนี้ เราได้สร้างเครื่องมือชื่อว่า “Database Query” ชื่อฟังก์ชันและ docstring ให้บริบทเพื่อให้เอเจนต์เข้าใจหน้าที่ของเครื่องมือ เราได้รวมการตรวจสอบความปลอดภัยสำหรับคำสั่ง SQL ที่อาจเป็นอันตราย เอเจนต์สามารถเรียกใช้ query_database("SELECT * FROM Customers") โดยใช้เครื่องมือนี้ในขณะรันไทม์

CrewAI รองรับเครื่องมือและการโต้ตอบหลายประเภท:

• เครื่องมือที่มีมาในตัว: มีเครื่องมือในตัวสำหรับการค้นหาเว็บประเภทต่างๆ การอ่าน/เขียนไฟล์ การส่งคำขอ HTTP เป็นต้น เหล่านี้ใช้งานง่าย แค่ติดตั้งเป็นปลั๊กอินก็ใช้ได้ทันที
• เครื่องมือแบบกำหนดเอง: คุณสามารถขยายความสามารถได้ตามต้องการด้วยเครื่องมือที่คุณสร้างเอง แน่นอนว่าสิ่งนี้สามารถทำได้ง่ายเหมือนตัวอย่างข้างต้น หรือคุณสามารถสร้างพฤติกรรมที่ซับซ้อนมากขึ้นโดยการสืบทอดคลาส BaseTool ของ CrewAI
• การมอบหมายงาน: ตัวแทน CrewAI สามารถมอบหมายงานไปยังตัวแทนอื่นได้ มันสามารถตัดสินใจได้ว่าต้องการความช่วยเหลือจากตัวแทนผู้เชี่ยวชาญอีกคนหนึ่ง และกระตุ้นการสร้างงานย่อยสำหรับตัวแทนนั้น (CrewAI จะจัดการในพื้นหลัง)

ลูกเรือ: เครื่องยนต์การประสานงาน

ทีมงานจะประสานงานกับตัวแทนที่มีหน้าที่และควบคุมลำดับการทำงาน เมื่อสร้างวัตถุ Crew คุณต้องให้ทีมงานมีรายการตัวแทน รายการงาน และการตั้งค่าการทำงานของกระบวนการตามที่คุณต้องการ ตัวอย่างเช่น:

from crewai import Crew, Process

crew = Crew(
    agents=[researcher, writer, manager],
    tasks=[research_task, writing_task, review_task],
    process=Process.HIERARCHICAL,  # The manager agent will delegate tasks to the others
    manager_agent=manager,        # Specify which agent is the manager (for hierarchical process)
    memory=True,                  # Enable shared memory among agents (they can see each other's outputs)
    verbose=True                  # Enable detailed logging for debugging
)

result = crew.kickoff(inputs={"topic": "AI Safety"})

ในตัวอย่างนี้ เรากำลังเริ่มต้นทีมงานด้วยเจ้าหน้าที่ 3 คนและงาน 3 งาน เราเลือกใช้กระบวนการแบบลำดับชั้น โดยมีเจ้าหน้าที่ผู้จัดการรับผิดชอบกระบวนการทำงานและมอบหมายงานให้เจ้าหน้าที่ผู้ปฏิบัติงาน นอกจากนี้ยังมีข้อมูลนำเข้า (หัวข้อ: “ความปลอดภัยด้าน AI ”) ซึ่งสามารถใช้เติมในช่องว่างในคำอธิบายงานหรือตัวเป้าหมายของเจ้าหน้าที่ได้

ประเภทของกระบวนการ: CrewAI มอบกลยุทธ์การดำเนินงานหลายแบบผ่านการตั้งค่า Process:

• ตามลำดับ: ตัวแทนจะถูกดำเนินการหนึ่งต่อหนึ่งตามลำดับที่กำหนด (เวิร์กโฟลว์เชิงเส้นง่าย ๆ)
• แบบลำดับชั้น: ตัวแทนผู้จัดการ (หรือผู้ประสานงาน) รับผิดชอบกระบวนการนั้น สามารถมอบหมายหรือแบ่งงานไปยังตัวแทนอื่น ๆ ได้อย่างยืดหยุ่นและติดตามผลลัพธ์ (เหมาะสำหรับเวิร์กโฟลว์ที่ซับซ้อนซึ่งตัวแทน "หัวหน้า" ควบคุมงานย่อย)
• กำหนดเอง: คุณสามารถระบุตรรกะการจัดการของคุณเองได้หากคุณมีข้อกำหนดพิเศษ (สำหรับสถานการณ์ขั้นสูงนอกเหนือจากกระบวนการที่มีอยู่ในระบบ)

ภายใต้พื้นหลัง, crew.kickoff() จะกำหนดทิศทางของเวิร์กโฟลว์ตามประเภทของกระบวนการ:

• ในโหมดเรียงลำดับ CrewAI จะวนทำงานตามลำดับรายการงานโดยตรง
• ในโหมดลำดับชั้น ตัวแทนผู้จัดการอาจกำหนดลำดับหรือสร้างงานแบบไดนามิก
• หาก memory=True ตัวแทนจะสามารถเข้าถึงพื้นที่หน่วยความจำร่วม ซึ่งพวกเขาสามารถใช้ผลลัพธ์ของตัวแทนอื่นหรือเก็บบริบทได้

ตอนนี้ที่เราได้กล่าวถึงพื้นฐานของส่วนประกอบของ CrewAI แล้ว มาลองดูตัวอย่างของเวิร์กโฟลว์หลายตัวแทนที่คุณสามารถสร้างได้กันเถอะ

สร้างเวิร์กโฟลว์จริง (โครงการแนะนำ)

สมมติว่าเราต้องการสร้างเวิร์กโฟลว์อัตโนมัติสำหรับการวิจัยและการเขียนเนื้อหา — อาจจะเป็น “วิจัยหัวข้อและสร้างรายงานสรุป” เราจะตั้งค่าตัวแทนสองตัว: ตัวแทนหนึ่งทำหน้าที่วิจัย ("นักวิจัย") และอีกตัวหนึ่งใช้ข้อมูลที่พบมาเขียนสรุป ("นักเขียน") นี่จะเป็นตัวอย่างง่าย ๆ ของกรณีการใช้งานในโลกจริงที่เกี่ยวข้องกับการทำงานร่วมกันแบบต่อเนื่อง การใช้เครื่องมือ (สำหรับการวิจัย) และการส่งต่อผลลัพธ์ระหว่างตัวแทน

ขั้นตอนที่ 1: กำหนดตัวแทน เราต้องการ ตัวแทนผู้วิจัย และ ตัวแทนผู้เขียน ใน YAML (agents.yaml) หรือ Python เราจะระบุว่า:

# agents.yaml
agents:
  - name: researcher
    role: Researcher
    goal: "Gather relevant information on a given topic"
    backstory: "An expert at finding and analyzing information."
    tools: [WebSearchTool]    # allow web search capability
    allow_delegation: false

  - name: writer
    role: Writer
    goal: "Produce a clear, concise summary of the research findings"
    backstory: "Skilled at summarizing information into reports."
    tools: []                 # no external tools, just relies on LLM
    allow_delegation: false

สังเกตว่าพวกเราได้กำหนดให้ Researcher มีเครื่องมือ WebSearchTool – เป็นเครื่องมือ “dummy” ซึ่งเป็นเอเย่นต์ที่สามารถทำการค้นหาบนเว็บได้ (มีเครื่องมืออย่าง SerperApiTool ใน CrewAI ที่สามารถทำการค้นหา Google ผ่าน API ได้จริง – เราสามารถขอรับกุญแจ API สำหรับนั้นและตั้งค่าเครื่องมือตามที่ต้องการ) ส่วน Writer ไม่ต้องการเครื่องมือ; มันใช้ LLM ที่เป็นพื้นฐานในการสร้างข้อความ ทั้งสองมี allow_delegation: false เพื่อความง่าย (เราไม่ได้ทำการมอบหมายงานให้เอเย่นต์อื่นในขั้นตอนนี้) เรายังสามารถระบุ memory: true สำหรับแต่ละเอเย่นต์ (หรือเพียง memory: true ในระดับทีมถ้าเราต้องการให้เอเย่นต์ทุกตัวมีพฤติกรรมนี้ – การตั้งค่าทีมจะส่งต่อไปยังเอเย่นต์) หากเราต้องการให้พวกเขาจดจำข้อมูล

ขั้นตอนที่ 2: กำหนดงานและกระบวนการ เราต้องการให้ผู้วิจัยทำงานก่อน จากนั้นจึงตามด้วยผู้เขียน นี่เป็น กระบวนการตามลำดับ: งานที่ 1 (การวิจัย) -> งานที่ 2 (การเขียน) ใน CrewAI เราสามารถกำหนดงานในรูปแบบ YAML (tasks.yaml) ได้ดังนี้:

# tasks.yaml
tasks:
  - id: do_research
    description: "Research the topic: {{topic}}"
    expected_output: "Key points and relevant facts about {{topic}}."
    agent: researcher

  - id: write_report
    description: |
      "Write a summary report on '{{topic}}' using the research findings."
    expected_output: "A well-structured summary of the topic."
    agent: writer
    context: [do_research]  # use output of research task as context
process: sequential

มีบางอย่างที่ควรจำ: คุณสามารถใส่ตัวแทนที่ว่างในคำอธิบายได้ (เช่น {{topic}}) เพื่อกรอกเมื่อเรารันทีมงานด้วยพารามิเตอร์ เราได้ระบุว่า งาน write_report มี context: [do_research] ซึ่งจะให้เอาต์พุตของนักวิจัยกับตัวแทน Writer เป็นอินพุต/บริบทโดยอัตโนมัติ นี่สำคัญมาก — นี่คือวิธีที่ข้อมูล/บริบทไหลระหว่างตัวแทน เราได้กำหนด process: sequential เพื่อทำให้ลำดับการรันชัดเจน ฟิลด์ expected_output ใช้เพื่อแนะนำตัวแทน (และยังใช้กำหนดการตรวจสอบความถูกต้องด้วย)

ขั้นตอนที่ 3: เขียนโค้ดการประสานงาน (crew.py/main.py) ด้วยการตั้งค่า YAML หากเรารัน crewai run CrewAI จะทำการประสานงานให้เราเอง มาดูกันว่าใน Python มันเป็นอย่างไร เพื่อให้เราเข้าใจภายในระบบได้ดียิ่งขึ้น:

# crew.py (conceptual example)
from crewai import Crew, Task, Process

# Import agents and tools definitions (or define inline)
from crewai import Agent
from crewai_tools import WebSearchTool

# Initialize tools
search_tool = WebSearchTool()  # assume configured with API key via .env

# Create Agent instances
researcher = Agent(role="Researcher", goal="Gather relevant info on a topic",
                   tools=[search_tool], allow_delegation=False)
writer = Agent(role="Writer", goal="Summarize research into a report",
               tools=[], allow_delegation=False)

# Define Tasks
research_task = Task(
    description="Research the topic: {topic}",
    agent=researcher,
    expected_output="Key facts about {topic}",
)
write_task = Task(
    description="Write a summary report on '{topic}' using the research findings.",
    agent=writer,
    context=[research_task],  # link output of research_task
    expected_output="Summary report for {topic}"
)

# Create a Crew with sequential process
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,  # sequential execution
    memory=True  # enable memory if we want agents to retain info
)

ตอนนี้ ในการดำเนินการกับทีมนี้ เราจะเรียกใช้ crew.kickoff(topic="ผลกระทบจากการเปลี่ยนแปลงสภาพอากาศ") (ตัวอย่างเช่น การให้พารามิเตอร์ topic ตามที่คำอธิบายงานของเราคาดหวัง) จากนั้น CrewAI จะ:

1. เริ่มงานวิจัย: ตัวแทนผู้วิจัยได้รับคำสั่งว่า "ค้นคว้าหัวข้อ: ผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศ" ตัวแทนผู้วิจัยมีความสามารถในการใช้เครื่องมือค้นหาข้อมูลบนเว็บ (WebSearchTool) ซึ่งหมายความว่าระบบ LLM ของตัวแทนสามารถตัดสินใจเรียกใช้เครื่องมือนี้ได้ (หากต้องการ) ตัวแทนอาจค้นหาข้อมูลเกี่ยวกับ “ข้อเท็จจริงสำคัญเกี่ยวกับผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศ” และเรียกดูผลลัพธ์บางรายการ ข้อมูลที่ได้จากการเรียกเครื่องมือนี้ (เช่น ข้อมูลย่อบางส่วน) จะถูกส่งกลับไปยังตัวแทน ซึ่ง LLM ของตัวแทนจะนำข้อมูลเหล่านั้นมาใช้ในการตอบกลับ ตัวแทนจะสร้างผลลัพธ์บางอย่าง: ในกรณีนี้ อาจเป็นรายการประเด็นสำคัญเกี่ยวกับผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศ CrewAI จะจัดเก็บผลลัพธ์นี้ (และยังทำการจัดทำดัชนีในหน่วยความจำด้วย หากเปิดใช้งานการจัดทำดัชนี)
2. ดำเนินการไปที่ write_task: ตัวแทนผู้เขียนได้รับคำสั่งว่า “เขียนรายงานสรุปเกี่ยวกับ ‘ผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศ’ โดยใช้ผลการวิจัย” บริบทที่ CrewAI จัดให้โดยอัตโนมัติคือผลลัพธ์ของ research_task ตัวแทนผู้เขียนจะได้รับรายการประเด็นสำคัญจากนักวิจัย LLM ของผู้เขียนจะร่างรายงานสรุปตามประเด็นสำคัญเหล่านั้น
3. เสร็จสิ้น: จากนั้น CrewAI จะส่งผลลัพธ์สุดท้าย (รายงานของผู้เขียน) ซึ่งสามารถพิมพ์ลงคอนโซลหรือบันทึกได้ขึ้นอยู่กับโครงสร้างของ main.py เนื่องจากเราได้ให้ expected_output สำหรับแต่ละงาน CrewAI อาจตรวจสอบด้วยว่าผลลัพธ์นั้นตรงกับความคาดหวังโดยคร่าว ๆ หรือไม่ (นี่ไม่ใช่การตรวจสอบที่เข้มงวด เป็นเพียงแนวทางเท่านั้น)

ขั้นตอนที่ 4: รันและทดสอบเวิร์กโฟลว์ เราจะเรียกใช้ crewai run --param topic=“ผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศ” (หากใช้ CLI กับ YAML) หรือเรียกใช้ crew.kickoff(topic=“ผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศ”) ในสคริปต์ Python ตรวจสอบผลลัพธ์ที่ปรากฏบนคอนโซล:

• คุณควรเห็นกระบวนการคิดของตัวแทนผู้วิจัย (ถ้า verbose=True บนทีมงานหรือตัวแทน) – มันอาจจะแสดงบางอย่างเช่น “นักวิจัย: กำลังค้นหา ‘ข้อเท็จจริงสำคัญเกี่ยวกับผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศ’… ” จากนั้น “นักวิจัย: พบข้อมูลเกี่ยวกับระดับน้ำทะเลที่สูงขึ้น สภาพอากาศสุดโต่ง ฯลฯ ” และ “นักวิจัย: งานวิจัยเสร็จสมบูรณ์ ”
• จากนั้นเอเจนต์ผู้เขียนอาจแสดงผลลัพธ์ในขณะที่มันร่างสรุปอยู่
• สุดท้าย ข้อความรายงานสรุปจะถูกส่งออกเป็นผลลัพธ์

เคล็ดลับการผลิตสำหรับการสร้างเวิร์กโฟลว์:

• ระบุรายละเอียดงานให้ชัดเจน: อย่าใช้คำสั่งที่คลุมเครือ ตัวอย่างเช่น ในคำสั่งของนักเขียน เราได้เพิ่ม "โดยใช้ผลการวิจัย" เพื่อชี้แจงว่าสิ่งที่ควรสรุป หากเราเขียนเพียง "เขียนสรุป" อาจทำให้เกิดเนื้อหาที่ไม่ตรงประเด็นหรือข้ามจุดสำคัญไปได้
• ใช้ expected_output เพื่อกำหนดรูปแบบคำตอบ เราได้ให้รูปแบบที่คาดหวังไว้ (รายการ “ประเด็นสำคัญ” แล้วตามด้วย “สรุปที่มีโครงสร้างดี”) คุณสามารถใช้สิ่งนี้เป็นข้อกำหนดหรือข้อจำกัดแบบหยาบ หากผลลัพธ์จริงของเอเย่นต์ไม่ตรงตามนี้ คุณอาจจำเป็นต้องปรับคำสั่งหรือจัดการผลลัพธ์ในโค้ดของคุณ
• ทดสอบแต่ละเอเจนต์แยกกัน การลองรันเอเจนต์แบบแยกส่วนพร้อมกับพรอมต์อาจช่วยให้คุณเข้าใจพฤติกรรมของมันได้ ตัวอย่างเช่น ทดสอบพรอมต์ของนักวิจัยแยกออกมาเพื่อดูว่าเครื่องมือค้นหาเว็บสามารถทำงานและให้ข้อมูลที่เป็นประโยชน์ได้หรือไม่ เมื่อยืนยันแล้ว จึงค่อยนำไปรวมเข้ากับทีมของคุณ
• ใช้ประโยชน์จาก YAML เพื่อการทดลองอย่างรวดเร็ว ไฟล์การตั้งค่า YAML ของ CrewAI ช่วยให้คุณแก้ไขบทบาท, การแจ้งเตือน, และการตั้งค่าอื่น ๆ ได้โดยไม่ต้องเปลี่ยนโค้ดพื้นฐาน คุณสามารถรัน crewai validate (หากติดตั้งแล้ว) เพื่อตรวจสอบว่า YAML ของคุณถูกฟอร์แมตรูปแบบถูกต้องหรือไม่ หากคุณต้องการตรรกะที่ซับซ้อน (ลูป, เงื่อนไข) คุณสามารถใช้โค้ด Python แทน (ผ่าน SDK ของ CrewAI) เพื่อเพิ่มตรรกะเพิ่มเติมให้กับทีมของคุณ (ตัวอย่างเช่น ใช้คำสั่ง if เพื่อเพิ่มงานแบบมีเงื่อนไข) แต่หลายเวิร์กโฟลว์สามารถระบุได้แบบประกาศ

ขยายตัวอย่าง: คุณสามารถขยายเวิร์กโฟลว์นี้ได้อย่างง่ายดายโดยการเพิ่มเอเจนต์ที่สาม (เช่น เอเจนต์ “บรรณาธิการ” ที่ตรวจสอบรายงานของนักเขียนในเรื่องคุณภาพหรือการปฏิบัติตามสไตล์) คุณยังสามารถเพิ่มเอเจนต์ “ตรวจสอบข้อเท็จจริง” ที่ตรวจสอบข้อเท็จจริงโดยใช้การค้นหาเว็บครั้งที่สอง คุณจะเพิ่มงานเพิ่มเติม สร้างลิงก์บริบทที่จำเป็น และอาจอนุญาตให้เอเจนต์บรรณาธิการขอแก้ไข (มอบหมาย) หากจำเป็น

เครื่องมือ & การรวมระบบ

CrewAI มาพร้อมกับห้องสมุดขนาดใหญ่ของเครื่องมือในตัวที่ช่วยให้ผู้ใช้งานสามารถโต้ตอบกับไฟล์ เว็บ ฐานข้อมูล ร้านเก็บเวกเตอร์ และบริการภายนอก ด้านล่างนี้เป็นตารางที่สรุปประเภทหลักของเครื่องมือ ตัวอย่างเครื่องมือสำหรับแต่ละประเภท และกรณีทั่วๆ ไปที่คุณจะใช้เครื่องมือเหล่านี้

CrewAI รวมไลบรารีเครื่องมือในตัวที่ครอบคลุมซึ่งช่วยให้เอเจนต์สามารถโต้ตอบกับไฟล์ เว็บ ฐานข้อมูล ร้านเวกเตอร์ และบริการภายนอก ตารางด้านล่างสรุปหมวดหมู่เครื่องมือหลัก เครื่องมือตัวอย่าง และกรณีการใช้งานทั่วไป

การรวมระบบและเครื่องมือขั้นสูง: CrewAI ยังสามารถรวมกับ Model Context Protocol (MCP) ซึ่งเป็นระบบนิเวศน์ของเครื่องมือที่สร้างโดยชุมชนทั้งหมดที่สามารถเข้าถึงได้ผ่านอินเทอร์เฟซทั่วไป การเปิดใช้งานการรวม MCP สำหรับเอเจนต์ของคุณหมายความว่าเอเจนต์สามารถเข้าถึงเครื่องมือหลายพันรายการที่รันบนเซิร์ฟเวอร์ MCP (เช่น บริการประมวลผลข้อมูลซับซ้อน API เฉพาะทาง เป็นต้น) ซึ่งสิ่งนี้ต้องติดตั้ง crewai-tools[mcp] เพิ่มเติม และ (ทางเลือก) การรันเซิร์ฟเวอร์ MCP หรือเชื่อมต่อกับเซิร์ฟเวอร์หนึ่ง

รูปแบบความน่าเชื่อถือสำหรับเวิร์กโฟลว์หลายเอเจนต์

ในการผลิต คุณจะต้องพิจารณาถึงรูปแบบความล้มเหลวหลายประเภท เช่น ตัวแทนเข้าสู่ลูปไม่สิ้นสุด เครื่องมือทำงานผิดพลาด ต้นทุนสูงขึ้นอย่างต่อเนื่อง เป็นต้น CrewAI มีรูปแบบและเครื่องมือในตัวที่ช่วยปรับปรุงความน่าเชื่อถือ นี่คือบางรูปแบบสำคัญที่ควรรู้:

การสังเกตและการดีบัก

ตารางนี้สรุปสามชั้นการสังเกตการณ์ที่ใช้งานได้จริงที่สุดสำหรับเวิร์กโฟลว์ของ CrewAI แสดงให้เห็นวิธีเริ่มต้นด้วยการมองเห็นผ่านคอนโซลแบบง่าย ๆ ในระหว่างการพัฒนา จากนั้นพัฒนาต่อเป็นการติดตามแบบมีโครงสร้างและการตรวจสอบจากภายนอกสำหรับการใช้งานจริง สุดท้ายเพิ่มจุดเชื่อมต่อสำหรับดีบักและการประเมินผลเพื่อปรับปรุงความน่าเชื่อถือและคุณภาพของผลลัพธ์อย่างต่อเนื่องตามเวลา

CrewAI vs LangGraph vs AutoGen

ตัวแทนแต่ละตัวอาจมีปรัชญา สถาปัตยกรรม หรือคุณสมบัติที่แตกต่างกันซึ่งเหมาะกับกรณีการใช้งานของคุณ สามกรอบงานที่ได้รับความนิยมมากที่สุดคือ CrewAI, LangGraph และ AutoGen ลองมาเปรียบเทียบทั้งสามแบบอย่างย่อเพื่อชี้ให้เห็นความคล้ายคลึงและความแตกต่างที่สำคัญ:

คำถามที่พบบ่อย

1. CrewAI คืออะไร และแตกต่างจากเอเจนต์ AI แบบดั้งเดิมอย่างไร?

CrewAI เป็นกรอบงานที่ออกแบบมาเพื่อจัดการผู้ช่วย AI หลายตัวที่ทำงานร่วมกันโดยใช้บทบาท เป้าหมาย และความรับผิดชอบที่กำหนดไว้อย่างชัดเจน แตกต่างจากการตั้งค่าผู้ช่วย AI แบบเดี่ยวแบบดั้งเดิม CrewAI มุ่งเน้นที่ความร่วมมือและการมอบหมายงาน เหมือนกับการทำงานเป็นทีมของมนุษย์ ซึ่งทำให้เหมาะอย่างยิ่งสำหรับงานที่ซับซ้อนและมีหลายขั้นตอนที่ต้องการการวางแผน การปฏิบัติ และการตรวจสอบ

2. การประสานงานของเอเจนต์ตามบทบาทใน CrewAI ทำงานอย่างไร?

ใน CrewAI ตัวแทนแต่ละคนจะถูกกำหนดบทบาทเฉพาะ เช่น นักวิจัย นักเขียน หรือผู้ตรวจสอบ พร้อมกับเป้าหมายที่กำหนดไว้ งานจะถูกแจกจ่ายตามบทบาทเหล่านี้ เพื่อให้ตัวแทนมุ่งเน้นเฉพาะสิ่งที่ตนเองถนัด วิธีการที่มีโครงสร้างนี้ช่วยเพิ่มประสิทธิภาพ ลดความซ้ำซ้อน และสร้างผลลัพธ์ที่สอดคล้องกันมากขึ้น

3. กรณีการใช้งานทั่วไปของ CrewAI คืออะไร?

CrewAI ถูกใช้อย่างแพร่หลายในด้านการสร้างเนื้อหา อัตโนมัติการวิจัย กระบวนการวิเคราะห์ข้อมูล และเวิร์กโฟลว์ของผลิตภัณฑ์ที่ขับเคลื่อนด้วย AI โดยเฉพาะอย่างยิ่งในสถานการณ์ที่งานต้องทำตามลำดับหรือทำงานร่วมกัน ตัวอย่างเช่น การสร้างระบบ RAG การทำรายงานอัตโนมัติ และการประสานงานเครื่องมือหลายตัวที่ใช้พลังของ LLM

4. ฉันจำเป็นต้องมีความรู้ด้าน AI ขั้นสูงหรือ Python เพื่อเริ่มต้นกับ CrewAI หรือไม่?

การมีความคุ้นเคยพื้นฐานกับ Python และโมเดลภาษาขนาดใหญ่จะเป็นประโยชน์แต่ไม่จำเป็นต้องมี CrewAI ถูกออกแบบมาให้ง่ายต่อการใช้งานสำหรับนักพัฒนา โดยมีการแยกส่วนที่ชัดเจนสำหรับเอเจนต์ งาน และเวิร์กโฟลว์ ผู้เริ่มต้นสามารถเริ่มจากตัวอย่างง่าย ๆ แล้วค่อย ๆ ขยับไปสู่รูปแบบการประสานงานหลายเอเจนต์ที่ซับซ้อนมากขึ้น

5. CrewAI สามารถรวมเข้ากับเครื่องมือและกรอบงานที่มีอยู่ได้หรือไม่?

ใช่, CrewAI สามารถผนวกเข้ากับผู้ให้บริการ LLM ยอดนิยม, API และเครื่องมือภายนอก เช่น ฐานข้อมูลเวกเตอร์และเครื่องยนต์เวิร์กโฟลว์ ความยืดหยุ่นนี้ทำให้สามารถปรับเข้ากับระบบ AI ที่มีอยู่ได้อย่างราบรื่น ส่งผลให้ทีมสามารถพัฒนาระบบปัจจุบันได้โดยไม่ต้องเขียนใหม่ทั้งหมดจากศูนย์

สรุป

CrewAI มีประโยชน์มากที่สุดเมื่อคุณมอง \“ทีม\” เป็นเวิร์กโฟลว์ที่ถูกออกแบบมา ไม่ใช่แค่การทดลองแชท กำหนดบทบาทและขอบเขตงาน วางขั้นตอนสำคัญด้วยเครื่องมือ และบังคับใช้ข้อจำกัดเพื่อป้องกันพฤติกรรมที่ออกนอกลูป เพื่อให้ระบบไม่เสื่อมสภาพเป็นลูป พัง หรือมีค่าใช้จ่ายแปลก ๆ จากนั้นติดตั้งเครื่องมือทุกอย่าง—บันทึก แทรซ และการประเมินผลแบบเบา—เพื่อให้คุณสามารถแก้ปัญหาได้อย่างรวดเร็วและยกระดับคุณภาพในแต่ละเวอร์ชัน หากคุณต้องการระบบอัตโนมัติหลายขั้นตอนที่คาดการณ์ได้ มีเจ้าของชัดเจน และควบคุมการผลิต CrewAI เป็นตัวเลือกที่แข็งแกร่ง อย่างไรก็ตาม หากปัญหาของคุณเป็นเรื่องตรรกะสาขาที่ซับซ้อนหรือการทำงานร่วมกันแบบสนทนาแบบเปิด LangGraph หรือ AutoGen อาจเหมาะสมกว่า

เอกสารอ้างอิง

• CrewAI คืออะไร?
• เริ่มต้นกับ CrewAI - ติดตั้ง กำหนดค่า และสร้างทีม AI แรกของคุณ
• ภาพรวมของตัวแทน
• สร้างระบบหลายตัวแทนด้วย CrewAI - คู่มือแบบครบวงจร
• เครื่องมือ CrewAI
• เริ่มต้นอย่างรวดเร็ว: เปิดใช้งานการทำงานร่วมกัน

ขอบคุณที่เรียนรู้ร่วมกับชุมชน Linux-Console.net