常见问题

层级流程中的任务执行是如何处理的？

在层级流程中，会自动创建一个 manager agent 来协调工作流，分派任务并验证结果，从而实现流畅且高效的执行。manager agent 会使用工具，协助在其指导下的 agents 进行任务分配和执行。manager LLM 对于层级流程至关重要，必须正确配置才能正常工作。

在哪里可以获取最新的 CrewAI 文档？

CrewAI 最新、最完整的文档可在我们的官方文档网站获取：https://docs.crewai.com/

CrewAI Docs

CrewAI 中 Hierarchical 和 Sequential Processes 的关键区别是什么？

Hierarchical Process:

任务按照结构化的指挥链进行分派和执行
必须为 manager agent 指定一个 manager language model (manager_llm)
manager agent 负责监督任务执行、规划、分派和验证
任务不会预先分配；manager 会根据各 agents 的能力来分派任务

Sequential Process:

任务按顺序依次执行，确保按有序流程完成
一个任务的输出会作为下一个任务的上下文
任务执行遵循任务列表中的预定义顺序

Which Process is Better for Complex Projects?

Hierarchical process 更适合复杂项目，因为它允许：

动态任务分配和分派：manager agent 可以根据 agent 能力分配任务
结构化验证与监督：manager agent 会审查任务输出并确保完成
复杂任务管理：在 agent 级别精确控制工具可用性

在 CrewAI 框架中使用 memory 有哪些好处？

Adaptive Learning：crews 会随着时间推移变得更高效，适应新信息并改进任务处理方式
Enhanced Personalization：memory 使 agents 能记住用户偏好和历史交互，从而提供个性化体验
Improved Problem Solving：访问丰富的 memory store 有助于 agents 做出更明智的决策，并利用过去的经验和上下文洞察

为 agent 设置最大 RPM 限制的目的是什么？

为 agent 设置最大 RPM 限制，可防止 agent 对外部服务发起过多请求，从而帮助避免速率限制并提升性能。

human input 在 CrewAI crew 内执行任务时扮演什么角色？

当有必要时，human input 允许 agents 请求额外信息或澄清。这在复杂决策流程中尤为重要，或者当 agents 需要更多细节来有效完成任务时。

要将 human input 集成到 agent 执行中，请在任务定义中设置 human_input 标志。启用后，agent 会在交付最终答案前提示用户输入。这些输入可以提供额外上下文、澄清歧义，或验证 agent 的输出。

如需详细实现指南，请参见我们的 Human-in-the-Loop 指南。

CrewAI 中有哪些高级自定义选项可用于定制和增强 agent 行为与能力？

CrewAI 提供了一系列高级自定义选项：

Language Model Customization：可以为 agents 指定特定的 language model (llm) 和 function-calling language model (function_calling_llm)
Performance and Debugging Settings：调整 agent 的性能并监控其操作
Verbose Mode：启用 agent 操作的详细日志，便于调试和优化
RPM Limit：设置每分钟最大请求数 (max_rpm)
Maximum Iterations：max_iter 属性允许用户定义 agent 对单个任务可执行的最大迭代次数
Delegation and Autonomy：通过 allow_delegation 属性控制 agent 是否可以委派或提问（默认：True）
Human Input Integration：agents 在需要时可以请求额外信息或澄清

human input 在哪些场景下对 agent 执行特别有用？

human input 在以下情况下尤其有用：

Agents 需要额外信息或澄清：当 agents 遇到歧义或数据不完整时
Agents 需要做复杂或敏感决策：human input 可以帮助进行伦理或细致的决策
监督并验证 agent 输出：human input 可以帮助验证结果并防止错误
定制 agent 行为：human input 可以提供反馈，随着时间推移改进 agent 的响应
识别并解决错误或限制：human input 有助于弥补 agent 能力缺口

CrewAI 中可用的 memory 类型有哪些？

CrewAI 中可用的 memory 类型包括：

Short-term memory：用于即时上下文的临时存储
Long-term memory：用于学习到的模式和信息的持久存储
Entity memory：聚焦于特定实体及其属性的存储
Contextual memory：在交互之间维持上下文的 memory

了解更多不同类型的 memory：

CrewAI Memory

如何在 Task 中使用 Output Pydantic？

要在 task 中使用 Output Pydantic，你需要把任务的预期输出定义为一个 Pydantic model。下面是一个快速示例：

定义 Pydantic model

from pydantic import BaseModel

class User(BaseModel):
    name: str
    age: int

创建带有 Output Pydantic 的 task

from crewai import Task, Crew, Agent
from my_models import User

task = Task(
    description="Create a user with the provided name and age",
    expected_output=User,  # This is the Pydantic model
    agent=agent,
    tools=[tool1, tool2]
)

在 agent 中设置 output_pydantic 属性

from crewai import Agent
from my_models import User

agent = Agent(
    role='User Creator',
    goal='Create users',
    backstory='I am skilled in creating user accounts',
    tools=[tool1, tool2],
    output_pydantic=User
)

下面是一个教程，讲解如何持续从 agents 获取结构化输出：

如何为我的 CrewAI agents 创建自定义工具？

你可以通过继承 CrewAI 提供的 BaseTool 类，或者使用工具装饰器来创建自定义工具。通过继承，你可以定义一个继承自 BaseTool 的新类，指定名称、描述，以及用于业务逻辑的 _run 方法。工具装饰器允许你直接使用所需属性和函数式逻辑创建一个 Tool 对象。

CrewAI Tools 指南

如何控制整个 crew 每分钟可执行的最大请求数？

max_rpm 属性会设置 crew 每分钟可执行的最大请求数，以避免速率限制；如果你设置了它，它会覆盖单个 agents 的 max_rpm 设置。