إنشاء وكلاء الذكاء الاصطناعي وأنظمة الوكلاء المتعددين باستخدام CrewAI/

...

/

الاستخدام الفعال لـ LLMs والأدوات المختلفة في CrewAI

الاستخدام الفعال لـ LLMs والأدوات المختلفة في CrewAI

تعرف على كيفية الاستفادة من نماذج مختلفة لمهام مختلفة وكيفية إنشاء أدوات مخصصة واستخدامها في CrewAI.

سنغطي ما يلي...

في عالم الذكاء الاصطناعي، تُعتبر النماذج بمثابة العقول التي تُدير عملياتنا. ولكن إليكم الحقيقة: ليست كل العقول مُتشابهة، وهذا أمر جيد! فكما أن النجار لا يستخدم مطرقته لرسم لوحة، يُمكن لبرامج الذكاء الاصطناعي المختلفة استخدام نماذج مُختلفة حسب المهمة المُوكلة إليها.

تخيل فريقًا من وكلاء الذكاء الاصطناعي يعملون على مشروع توليد مقالات. أولًا، لدينا وكيل "الباحث". يتمثل دور هذا الوكيل في غربلة كميات هائلة من البيانات حول أي موضوع معين، واستخلاص الأفكار الأكثر صلة وقيمة. لهذه المهمة، يمكننا الاستفادة من نموذج جيميني، المعروف بقدرته على فهم وتحليل النصوص المطولة بكفاءة. يستطيع جيميني التعمق في التقارير والمقالات ومجموعات البيانات، وتحديد المعلومات مفتاح التي نموذج أساس بحثنا. بعد ذلك، لدينا وكيل "الكاتب". تتمثل مهمة هذا الوكيل في أخذ نتائج البحث وتحويلها إلى مقال شيق وغني بالمعلومات. ماذا لو لم تعجبنا قدرات جيميني في سرد ​​القصص؟ لا داعي للقلق، يمكننا استخدام نموذج مثل GPT-4o، وهو نموذج معروف بإبداعه وإتقانه اللغوي. يستطيع GPT-4o صياغة سرد لا ينقل الحقائق فحسب، بل يفعل ذلك بطريقة تجذب انتباه القارئ، مما يجعل المعلومات المعقدة في متناول اليد وجذابة.

Press + to interact

هكذا تُمكّن CrewAI هذا: نجمع هذه الوكلاء، كلٌّ منهم مُزوّد بنموذجه المُتخصص، للعمل بتناغم. وكيل "الباحث" المُزوّد بنظام Gemini يكشف البيانات، بينما يُدمج وكيل "الكاتب" المُزوّد بنظام GPT-4o هذه النتائج في سردية. يعمل الوكيلان بسلاسة، حيث يُوظّف كلٌّ منهما نقاط قوته، مما يُنتج مقالاً مُحكم البحث ومُكتوبًا بإتقان حول أي موضوع مُحدّد.

تهيئة النماذج

دعونا نتعمق في كيفية إعداد هذه النماذج فعليًا داخل CrewAI، جنبًا إلى جنب مع شرح واضح لكل خطوة:

Press + to interact
from crewai import Agent
# Initialize the Gemini model using ChatGoogleGenerativeAI
from langchain_google_genai import ChatGoogleGenerativeAI
gemini=ChatGoogleGenerativeAI(model="gemini-1.5-flash",
                           verbose=True,
                           temperature=0.5,
                           google_api_key=os.getenv("GOOGLE_API_KEY"))
# Initialize the GPT-4 model using ChatOpenAI
from langchain_openai import ChatOpenAI
gpt=ChatOpenAI(model="gpt-4o-2024-08-06",
               verbose=True,
               temperature=0.5,
               openai_api_key=os.getenv("OPENAI_API_KEY"))

يمكننا أن نرى أننا نستخدم حزم langchain . تُتيح هذه الحزم طريقة سهلة لدمج النماذج المختلفة في سير عمل الذكاء الاصطناعي لدينا مع خيار ضبط temprature . تتحكم temperature في عشوائية التنبؤات، حيث تُصبح القيم المنخفضة أقرب إلى "0" مما يجعل المخرجات أكثر حتمية، والقيم العالية أقرب إلى "1"، مما يُتيح مزيدًا من التباين. من الجيد دائمًا ضبطها وفقًا لاحتياجات النظام.

Press + to interact

...