【Use Cases】15. CrewAI与LlamaIndex集成案例分析

1. 案例目标本案例展示了如何将CrewAI多智能体框架与LlamaIndex的RAG(检索增强生成)管道集成创建能够协同工作的智能体团队。主要目标包括演示CrewAI与LlamaIndex的基本集成方法展示如何使用LlamaIndex工具作为CrewAI智能体的查询接口构建一个基于Uber 10K报告的金融分析师智能体团队实现多智能体协作完成复杂任务的工作流程2. 技术栈与核心依赖核心依赖库crewai- 多智能体协作框架用于创建和管理智能体团队llama-index- RAG框架用于构建检索增强生成系统llama-index-llms-openai- LlamaIndex的OpenAI语言模型集成openai- OpenAI API客户端langchain-openai- LangChain的OpenAI集成用于CrewAI工具wget- 用于下载文件3. 环境配置安装依赖!pip install llama-index crewai llama-index-llms-openai openai langchain-openaiAPI密钥设置import os os.environ[OPENAI_API_KEY] sk-...4. 案例实现4.1 基础CrewAI与LlamaIndex集成首先案例展示了基础的集成方法创建一个简单的数学教师智能体团队导入必要的库from crewai import Agent, Task, Crew from llama_index.core import SimpleDirectoryReader, VectorStoreIndex, Document from llama_index.llms.openai import OpenAI from llama_index.core.tools import LlamaIndexTool创建测试文档和索引# 创建一个简单的数学文档 document Document(text 数学公式和计算示例 1. 加法(25 13) * 2 76 2. 减法100 / (5 3) 12.5 3. 乘法(45 - 15) * 3 90 4. 除法75 / (5 * 3) 5 ) # 创建向量索引 llm OpenAI(modelgpt-4o) index VectorStoreIndex.from_documents([document]) query_engine index.as_query_engine(llmllm)创建LlamaIndex工具# 创建查询工具 query_tool LlamaIndexTool.from_query_engine( query_engine, nameMath Query Tool, descriptionUse this tool to answer math questions, )创建智能体和任务# 创建教师智能体 teacher Agent( role数学教师, goal帮助学生理解数学概念和解决问题, backstory你是一位经验丰富的数学教师擅长解释复杂的数学概念 并帮助学生解决各种数学问题。, verboseTrue, allow_delegationFalse, tools[query_tool], ) # 创建任务 task Task( description创建一个包含10道数学选择题的测试 每道题有4个选项并标明正确答案。, expected_output完整的数学测试包含题目、选项和正确答案, agentteacher, ) # 创建团队 crew Crew( agents[teacher], tasks[task], verbose2, )执行结果执行团队任务后智能体生成了包含10道数学选择题的完整测试每道题都有4个选项和正确答案。这展示了CrewAI智能体如何使用LlamaIndex工具来获取信息并完成任务。4.2 金融分析师智能体团队接下来案例展示了一个更复杂的应用创建一个基于Uber 10K报告的金融分析师团队下载和加载Uber 10K报告# 下载Uber 10K报告 !wget https://s23.q4cdn.com/407969754/files/doc_financials/2019/ar/Uber-Technologies-Inc-2019-Annual-Report.pdf -O uber_10k.pdf # 加载文档 from llama_index.core import SimpleDirectoryReader, VectorStoreIndex from llama_index.llms.openai import OpenAI reader SimpleDirectoryReader(input_files[uber_10k.pdf]) docs reader.load_data()创建RAG查询引擎# 创建索引和查询引擎 llm OpenAI(modelgpt-4o) index VectorStoreIndex.from_documents(docs) query_engine index.as_query_engine(similarity_top_k5, llmllm)创建金融分析师工具# 创建查询工具 query_tool LlamaIndexTool.from_query_engine( query_engine, nameUber 2019 10K Query Tool, descriptionUse this tool to lookup the 2019 Uber 10K Annual Report, )创建智能体团队# 定义智能体 researcher Agent( role高级金融分析师, goal揭示不同科技公司的洞察, backstory你在一家资产管理公司工作。 你的目标是理解像Uber这样的科技股票。, verboseTrue, allow_delegationFalse, tools[query_tool], ) writer Agent( role技术内容策略师, goal撰写关于技术进步的引人入胜的内容, backstory你是一位著名的内容策略师以富有洞察力和吸引力的文章而闻名。 你将复杂的概念转化为引人入胜的叙述。, verboseTrue, allow_delegationFalse, ) # 创建任务 task1 Task( description对Uber 2019年的风险因素进行全面分析。, expected_output完整的分析报告以要点形式呈现, agentresearcher, ) task2 Task( description利用提供的洞察撰写一篇引人入胜的博客文章 突出Uber面临的阻力。你的文章应该信息丰富且易于理解 面向普通受众。让它听起来很酷避免复杂的词汇。, expected_output至少4段的完整博客文章, agentwriter, ) # 创建团队 crew Crew( agents[researcher, writer], tasks[task1, task2], verbose2, )执行结果执行团队任务后研究分析师智能体首先使用LlamaIndex工具查询Uber 10K报告中的风险因素然后内容策略师智能体基于这些洞察撰写了一篇关于Uber面临阻力的博客文章。这展示了多智能体协作如何完成复杂的分析和内容创作任务。5. 案例效果实现效果成功将CrewAI多智能体框架与LlamaIndex RAG管道集成创建了能够使用LlamaIndex工具进行信息检索的智能体实现了多智能体协作完成复杂任务的工作流程智能体能够基于检索到的信息生成高质量的分析和内容展示了从简单数学教师到复杂金融分析师团队的多种应用场景关键输出金融分析师智能体团队的关键输出包括对Uber 2019年风险因素的全面分析包括数据安全漏洞、用户保留挑战、新产品投资需求等基于分析结果撰写的博客文章以通俗易懂的方式解释了Uber面临的挑战智能体之间的有效协作研究分析师提供洞察内容策略师将其转化为引人入胜的内容6. 案例实现思路核心思路本案例的实现基于以下核心思路工具集成使用LlamaIndexTool将LlamaIndex查询引擎转换为CrewAI可用的工具智能体设计为每个智能体定义明确的角色、目标和背景故事任务分配将复杂任务分解为多个子任务分配给不同的智能体工作流程设计智能体之间的协作流程确保信息有效传递RAG增强利用检索增强生成技术使智能体能够访问和利用外部知识技术实现技术实现的关键步骤包括使用VectorStoreIndex创建文档的向量索引通过LlamaIndexTool将查询引擎转换为CrewAI工具定义具有特定角色和工具的Agent对象创建具有明确描述和预期输出的Task对象将智能体和任务组合成Crew对象并执行7. 扩展建议功能扩展多智能体协作模式探索不同的协作模式如并行处理、竞争式处理等自定义工具开发更多自定义LlamaIndex工具扩展智能体的能力多模态支持集成多模态处理能力使智能体能够处理图像、音频等实时数据更新实现实时数据更新机制使智能体能够获取最新信息性能优化优化检索和生成过程提高响应速度和质量应用场景扩展客户服务创建多智能体客户服务团队处理不同类型的客户查询研究分析构建研究团队自动收集、分析和报告特定领域的信息内容创作开发内容创作团队自动生成各类文章、报告和营销材料教育培训创建教育团队提供个性化的学习体验和辅导决策支持构建决策支持团队为复杂决策提供多角度分析和建议8. 总结本案例成功展示了CrewAI与LlamaIndex的集成方法通过将LlamaIndex的RAG能力与CrewAI的多智能体协作框架结合创建了一个强大的智能体团队。案例从简单的数学教师示例开始逐步扩展到复杂的金融分析师团队展示了这种集成方法的灵活性和实用性。通过这种集成智能体能够访问和利用外部知识库大大扩展了其能力和应用范围。多智能体协作机制使得复杂任务可以被分解为多个子任务由不同专长的智能体协同完成提高了任务完成的效率和质量。这种方法在金融分析、内容创作、客户服务、研究分析等多个领域都有广泛的应用前景为构建更智能、更强大的AI系统提供了有效的解决方案。