😊

マルチエージェント型のブログ作成システムをCrewai と Ollama で作る

2024/06/05に公開

Ollama

crewAI

マルチエージェントシステム

tech

マルチエージェント型のブログ作成システムをCrewai と Ollama で作る

URL: https://medium.com/the-ai-forum/create-a-blog-writer-multi-agent-system-using-crewai-and-ollama-f47654a5e1cd
Created: June 3, 2024 7:04 PM
Updated: June 4, 2024 11:15 AM

Create a Blog Writer Multi-Agent System using Crewai and Ollama

元記事：https://medium.com/the-ai-forum/create-a-blog-writer-multi-agent-system-using-crewai-and-ollama-f47654a5e1cd

Multiagent Workflow using CrewAI and Ollama

はじめに

AIエージェントは、自律的にまたは最小限の支援でタスクを実行できるソフトウェアツールです。これらは人工知能を使用して意思決定を行い、行動し、自分の周囲や他のシステムと対話します。以下に、これらのエージェントの主な特徴を挙げます：

自律性: 常に人間からの指示を必要とせずに、自律的に作業を行います。一度何をすべきか理解すれば、そのタスクを処理できます。
意思決定: 特定のルールやAIモデルを使用して選択を行います。これは、選択肢を評価し、最適なものを選ぶことを意味します。
学習: AIエージェントは時間の経過とともに学習します。機械学習を使用して過去の経験から学び、新しい状況に適応して作業の質を向上させます。
対話: 人間、他のエージェント、またはシステムと対話することができます。これには、人間の言語を理解して使用すること、データを共有すること、または共同でタスクを実行することが含まれます。
専門化: 特定の仕事や専門分野を持つことができます。例えば、ウェブブラウジング用に設計されたものもあれば、データベースタスクを処理したり、複雑な計算を行ったり、画像を作成したりするものもあります。
目標志向: 特定の目標や目的を持っています。これらの目標を達成するために一連の行動を取り、選択を行います。

要するに、AIエージェントは非常に役立ちます。単純で反復的なタスクから複雑な問題の解決まで、さまざまな業界やアプリケーションで利用できます。

これらの特徴が設定された目標に向かって連携して動作する様子を想像してください。タスクは特定の順序で、または階層的に実行され、エージェントがチームのように協力して働きます。これにより、複雑な問題の解決方法が変わり、効率的かつ効果的になります。これが、CrewAIフレームワークのコンセプトです。

CrewAIとは？

CrewAIは、ロールプレイングゲームのAIキャラクターが協力して動作するのを助ける新しいシステムです。これにより、AIキャラクターがより賢くなり、複雑なタスクを共同で遂行できるようになります。

コアコンセプト — CrewAI

Agents: これは、タスクを実行し、意思決定を行い、他のエージェントと対話する個別のユニットです。エージェントは、単純な検索機能から、他のチェーンやAPIを利用する複雑なタスクまで、様々なToolsを使用できます。
Tasks: タスクは、AIキャラクターが実行する必要のある作業です。タスクには、どのキャラクターが実行するか、必要なツールは何かなどの詳細を含めることができます。
Crew: クルーとは、特定の役割を持つエージェントが集まり、共通の目標を達成するために協力して働くグループです。クルーの設定には、エージェントを組み合わせ、彼らのタスクを決定し、タスクの順序を決めることが含まれます。

https://github.com/joaomdmoura/crewAI?ref=blog.composio.dev

この記事では、CrewAIプラットフォームを使用する例を紹介します。

Ollamaとは？

Ollamaは、コンピュータから直接、大規模言語モデル（LLM）を使用、作成、共有できる無料のアプリです。MacOS、Linux、Windowsで動作します。

Ollamaのライブラリから多くのLLMを選ぶことができ、1つのコマンドでダウンロードが可能です。その後、さらに1つのコマンドで使用できます。これはターミナルウィンドウを頻繁に使用する人にとって非常に便利です。ブラウザを開かずにヘルプを見つけることができます。

Ollamaを使用する理由

Ollamaが有用なツールである理由は次のとおりです：

使いやすさ: Ollamaのセットアップは簡単で、機械学習の専門知識がなくても使用できます。
コスト削減: モデルをコンピュータ上で実行するため、クラウドサービスの料金を支払う必要がありません。
プライバシー保護: Ollamaはすべてのデータをコンピュータ上で処理します。これによりプライバシーが保護されます。
汎用性: OllamaはPythonだけでなく、ウェブサイトの作成など多くのタスクに柔軟に対応できます。

OllamaでLLMを選ぶ

デフォルトでは、CrewAIはLLMとしてOpenAIモデルを使用します。最高のパフォーマンスを得るためには、GPT-4またはコストが少し低いGPT-3.5を使用することを検討してください。これらのモデルはAIエージェントにとって重要です。

この例では、Meta Llama 3を使用します。これは現在利用可能な最高の無料LLMです。Meta Inc.によって作成され、8Bおよび70Bバージョン（プリトレーニング済みまたはインストラクションチューニング済み）が提供されています。

Meta Llama 3モデルはチャットアプリケーション向けにファインチューニングおよび最適化されており、他の多くの無料チャットモデルよりも優れた性能を発揮します。

https://miro.medium.com/v2/resize:fit:560/0*pnq8dTkEJmqCa5CP

https://ollama.com/library/llama3

https://miro.medium.com/v2/resize:fit:560/0*2ZdCkc5x_ldX1XEW

https://ollama.com/library/llama3

コード実装

必要な依存関係のインストール

• Ollama（Windows）

OllamaのWebサイトにアクセスし、.exeファイルをダウンロードしてください：https://ollama.com

Ollamaをダウンロードし、Windowsにインストールします。デフォルトのモデル保存パスは以下の通りです：

C:\\\\Users\\\\your_user\\\\.ollama

しかし、C:パーティションの空き容量が限られている場合、別のディレクトリに変更することをお勧めします。例えば、D:パーティションがある場合、以下の手順に従ってください：

デスクトップのコンピュータアイコンを右クリックします。
プロパティを選択し、システムの詳細設定に移動します。
環境変数をクリックします。
ユーザー環境変数で、モデルを保存する予定のディレクトリの絶対パスを入力します。例：

D:\\\\your_model_directory

インストールが完了すると、WindowsのタスクバーにOllamaアイコンが表示されます。プログラムが自動的に起動しない場合は、Windowsプログラムで検索し、そこから起動してください。

それでは、llama3モデルをコマンドプロンプトからダウンロードします。

ollama run llama3

CrewAIのインストール

!pip install crewai==0.28.8 crewai_tools==0.1.6 langchain_community==0.0.29

LLMをLlama3として設定

プロジェクトディレクトリに以下のようなModelFileを作成します。

FROM llama3

# パラメータの設定

PARAMETER temperature 0.8
PARAMETER stop Result

# チャットアシスタントの動作を指定するカスタムシステムメッセージの設定

# ここでは空白のままにします。

SYSTEM """"""

コマンドプロンプトで以下のコマンドを実行します。

>>ollama create crewai-llama3 -f .\\Modelfile

transferring model data
reading model metadata
creating system layer
creating parameters layer
creating config layer
using already created layer sha256:00e1317cbf74d901080d7100f57580ba8dd8de57203072dc6f668324ba545f29
using already created layer sha256:4fa551d4f938f68b8c1e6afa9d28befb70e3f33f75d0753248d530364aeea40f
using already created layer sha256:8ab4849b038cf0abc5b1c9b8ee1443dca6b93a045c2272180d985126eb40bf6f
writing layer sha256:71f37c09fdf6373a2c6afd11a4d20421862fd722ce465743c2f49f763a639f56
writing layer sha256:045397f468c947b89b22042cb6cf3f3b275c93751c1e66d077f967ff85977d51
writing layer sha256:a5d199f54597766bdf1741b00fc797bec159ae6386feef22d3f062a5fe5dc9ef
writing manifest
success

from crewai import Agent, Task, Crew
from langchain_openai import ChatOpenAI
import os
os.environ\["OPENAI\_API\_KEY"\] = "NA"

llm = ChatOpenAI(
    model = "crewai-llama3",
    base_url = "http://localhost:11434/v1")

ブログ投稿の計画、作成、編集を行うエージェントの作成

エージェントは以下の機能を持つ自律ユニットです：

タスクの実行
意思決定
他のエージェントとの通信

エージェントの属性

Role: エージェントのクルー内での役割を定義します。エージェントが最も適しているタスクの種類を決定します。
Goal: エージェントが達成しようとする個別の目標です。エージェントの意思決定プロセスを導きます。
Backstory: エージェントの役割と目標に文脈を提供し、対話や協力のダイナミクスを豊かにします。
LLM: (オプション) エージェントを実行する言語モデルを表します。_OPENAI_MODEL_NAME_環境変数から動的にモデル名を取得し、指定がない場合はデフォルトで「gpt-4」を使用します。
Tools: (オプション) エージェントがタスクを実行するために使用できる機能やツールのセットです。エージェントの実行環境に互換性のあるカスタムクラスのインスタンスであることが期待されます。ツールはデフォルトで空のリストに初期化されます。
Function Calling LLM: (オプション) このエージェントのツール呼び出しを処理する言語モデルを指定します。指定がない場合は、クルーの機能呼び出しLLMをオーバーライドします。デフォルトは_None_です。
Max Iter: (オプション) エージェントが最良の回答を出すまでに実行できる最大反復回数です。デフォルトは_25_です。
Max RPM: (オプション) レート制限を避けるためにエージェントが1分間に実行できる最大リクエスト数です。指定がない場合、デフォルト値は_None_です。
max_execution_time: (オプション) エージェントがタスクを実行するための最大実行時間です。指定がない場合、デフォルト値は_None_で、最大実行時間がありません。
Verbose: (オプション) これを_True_に設定すると、内部ログ記録機能が詳細な実行ログを提供し、デバッグと監視に役立ちます。デフォルトは_False_です。
Allow Delegation: (オプション) エージェントはタスクや質問を他のエージェントに委任することができ、各タスクが最も適したエージェントによって処理されるようにします。デフォルトは_True_です。
Step Callback: (オプション) エージェントの各ステップ後に呼び出される関数です。エージェントの動作をログに記録したり、他の操作を実行したりするために使用できます。クルーの_step_callback_を上書きします。
Cache: (オプション) エージェントがツール使用時にキャッシュを使用するかどうかを示します。デフォルトは_True_です。

planner = Agent(
    role="Content Planner",
    goal="Plan engaging and factually accurate content on {topic}",
    backstory="You're working on planning a blog article "
              "about the topic: {topic} in 'https://medium.com/'."
              "You collect information that helps the "
              "audience learn something "
              "and make informed decisions. "
              "You have to prepare a detailed "
              "outline and the relevant topics and sub-topics that has to be a part of the"
              "blogpost."
              "Your work is the basis for "
              "the Content Writer to write an article on this topic.",
    llm=llm,
    allow_delegation=False,
 verbose=True
)

Content Writer Agent（コンテンツを記述するエージェント）

writer = Agent(
    role="Content Writer",
    goal="Write insightful and factually accurate "
         "opinion piece about the topic: {topic}",
    backstory="You're working on a writing "
              "a new opinion piece about the topic: {topic} in 'https://medium.com/'. "
              "You base your writing on the work of "
              "the Content Planner, who provides an outline "
              "and relevant context about the topic. "
              "You follow the main objectives and "
              "direction of the outline, "
              "as provide by the Content Planner. "
              "You also provide objective and impartial insights "
              "and back them up with information "
              "provide by the Content Planner. "
              "You acknowledge in your opinion piece "
              "when your statements are opinions "
              "as opposed to objective statements.",
    allow_delegation=False,
    llm=llm,
    verbose=True
)

Content Editor Agent（コンテンツを編集するエージェント）

editor = Agent(
    role="Editor",
    goal="Edit a given blog post to align with "
         "the writing style of the organization 'https://medium.com/'. ",
    backstory="You are an editor who receives a blog post "
              "from the Content Writer. "
              "Your goal is to review the blog post "
              "to ensure that it follows journalistic best practices,"
              "provides balanced viewpoints "
              "when providing opinions or assertions, "
              "and also avoids major controversial topics "
              "or opinions when possible.",
    llm=llm,
    allow_delegation=False,
    verbose=True
)

タスクの作成

CrewAI内のタスクは複数のエージェントが協力して作業する必要がある場合があります。これはタスクのプロパティを通じて管理され、クルーのプロセスによって調整されることで、チームワークと効率が向上します。

タスクの属性

Description: タスクの内容を明確かつ簡潔に記述します。
Agent: タスクを担当するエージェント。クルーのプロセスによって直接または間接的に割り当てられます。
Expected Output: タスク完了時の期待される成果を詳細に記述します。
Tools: (オプション) エージェントがタスクを実行するために利用できる機能や能力です。
Async Execution: (オプション) 設定されている場合、タスクは非同期に実行され、完了を待たずに進行します。
Context: (オプション) このタスクの文脈として使用されるタスクの出力を指定します。
Config: (オプション) タスクを実行するエージェントの追加設定を指定し、さらなるカスタマイズを可能にします。
Output JSON: (オプション) OpenAIクライアントを必要とするJSONオブジェクトを出力します。出力形式は1つだけ設定可能です。
Output Pydantic: (オプション) OpenAIクライアントを必要とするPydanticモデルオブジェクトを出力します。出力形式は1つだけ設定可能です。
Output File: (オプション) タスクの出力をファイルに保存します。_Output JSON_や_Output Pydantic_と併用する場合、出力の保存方法を指定します。
Callback: (オプション) タスク完了時にその出力を使用して実行されるPythonコール可能オブジェクトです。
Human Input: (オプション) タスクの終了時に人間のフィードバックが必要であることを示し、人間の監督が必要なタスクに役立ちます。

プランナータスクの作成

plan = Task(
    description=(
        "1\. Prioritize the latest trends, key players, "
            "and noteworthy news on {topic}.\\n"
        "2\. Identify the target audience, considering "
            "their interests and pain points.\\n"
        "3\. Develop a detailed content outline including "
            "an introduction, key points, and a call to action.\\n"
        "4\. Include SEO keywords and relevant data or sources."
    ),
    expected_output="A comprehensive content plan document "
        "with an outline, audience analysis, "
        "SEO keywords, and resources.",
    agent=planner,
)

Create Writer Task（ライタータスクの作成）

write = Task(
    description=(
        "1\. Use the content plan to craft a compelling "
            "blog post on {topic}.\\n"
        "2\. Incorporate SEO keywords naturally.\\n"
  "3\. Sections/Subtitles are properly named "
            "in an engaging manner.\\n"
        "4\. Ensure the post is structured with an "
            "engaging introduction, insightful body, "
            "and a summarizing conclusion.\\n"
        "5\. Proofread for grammatical errors and "
            "alignment with the brand's voice.\\n"
    ),
    expected_output="A well-written blog post "
        "in markdown format, ready for publication, "
        "each section should have 2 or 3 paragraphs.",
    agent=writer,
)

Create Editor Task（編集タスクの作成）

edit = Task(
    description=("Proofread the given blog post for "
                 "grammatical errors and "
                 "alignment with the brand's voice."),
    expected_output="A well-written blog post in markdown format, "
                    "ready for publication, "
                    "each section should have 2 or 3 paragraphs.",
    agent=editor
)

以下のように複数行の文字列を使用するメリットは：

varname = "line 1 of text"
          "line 2 of text"

トリプルクオートのドキュメント文字列と比較して：

varname = """line 1 of text
             line 2 of text
          """

改行文字や余分な空白が追加されないため、LLMに渡す際により良い形式になります。

Crewの作成手順

エージェントの作成: エージェントを作成します。
タスクの割り当て: エージェントに実行するタスクを渡します。

注意: この簡単な例では、タスクは順次実行されます（つまり、タスクは互いに依存しています）。したがって、リスト内のタスクの順序が重要です。

verbose=2は実行のすべてのログを表示することを可能にします。

crew = Crew(
    agents=\[planner, writer, editor\],
    tasks=\[plan, write, edit\],
    verbose=2
)

クルーを実行する

inputs = {"topic":"Comparative study of LangGraph, Autogen and Crewai for building multi-agent system."}
result = crew.kickoff(inputs=inputs)

レスポンス

\[DEBUG\]: == Working Agent: Content Planner
 \[INFO\]: == Starting Task: 1. Prioritize the latest trends, key players, and noteworthy news on Comparative study of LangGraph, Autogen and Crewai for building multi-agent system..
2. Identify the target audience, considering their interests and pain points.
3. Develop a detailed content outline including an introduction, key points, and a call to action.
4. Include SEO keywords and relevant data or sources.

\> Entering new CrewAgentExecutor chain...
Final Answer:

\*\*Comprehensive Content Plan Document\*\*

\*\*Target Audience Analysis\*\*

The target audience for this article will be individuals with a background in computer science or related fields who are interested in building multi-agent systems. They may be researchers, students, or professionals looking to learn more about the latest trends and technologies in this field. The pain points of this audience include:

\* Limited understanding of the differences between LangGraph, Autogen, and Crewai
\* Difficulty in selecting the best technology for their specific needs
\* Desire to stay updated on the latest developments in multi-agent system building

\*\*Content Outline\*\*

I. \*\*Introduction\*\*

\* Definition of multi-agent systems and importance in various fields (AI, robotics, logistics)
\* Brief overview of LangGraph, Autogen, and Crewai
\* Thesis statement: While all three technologies have their strengths and weaknesses, a comparative study reveals that each has its unique advantages for building multi-agent systems.

II. **Comparative Analysis of LangGraph, Autogen, and Crewai**

A. \*\*LangGraph\*\*

\* Overview of LangGraph's features (natural language processing, semantic parsing)
\* Advantages: ease of integration with existing NLP frameworks, scalable
\* Disadvantages: limited ability to handle complex scenarios

B. \*\*Autogen\*\*

\* Overview of Autogen's features (machine learning, data generation)
\* Advantages: ability to generate realistic data for training ML models, efficient data processing
\* Disadvantages: requires extensive data annotation, may not perform well in noisy environments

C. \*\*Crewai\*\*

\* Overview of Crewai's features (rule-based systems, knowledge representation)
\* Advantages: allows for explicit knowledge representation and reasoning, scalable
\* Disadvantages: requires manual rule development, may not be suitable for complex scenarios

III. **Key Takeaways and Recommendations**

\* Summary of comparative analysis
\* Recommendations for when to use each technology
\* Call to action: start exploring LangGraph, Autogen, and Crewai for your next multi-agent system project!

**SEO Keywords and Relevant Data**

\* Keywords: LangGraph, Autogen, Crewai, multi-agent systems, AI, robotics, NLP, ML
\* Sources:
 \+ "A Survey on Multi-Agent Systems" by \[author name\], \[publication date\]
 \+ "LangGraph: A Novel Language for Describing Complex Systems" by \[author name\], \[publication date\]
 \+ "Autogen: An Efficient Framework for Data Generation and Processing" by \[author name\], \[publication date\]
\* Relevant data:
 \+ Statistics on the growth of multi-agent system applications in various fields (AI, robotics, logistics)
 \+ Examples of successful multi-agent system implementations using LangGraph, Autogen, and Crewai

\*\*Conclusion\*\*

This comprehensive comparative study provides readers with a deep understanding of LangGraph, Autogen, and Crewai's features, advantages, and disadvantages. By analyzing the strengths and weaknesses of each technology, readers will be equipped to make informed decisions when selecting the best tool for their specific multi-agent system building needs.

Thought: I now have given a great answer!

\> Finished chain.
 \[DEBUG\]: == \[Content Planner\] Task output: \*\*Comprehensive Content Plan Document\*\*

\*\*Target Audience Analysis\*\*

The target audience for this article will be individuals with a background in computer science or related fields who are interested in building multi-agent systems. They may be researchers, students, or professionals looking to learn more about the latest trends and technologies in this field. The pain points of this audience include:

\* Limited understanding of the differences between LangGraph, Autogen, and Crewai
\* Difficulty in selecting the best technology for their specific needs
\* Desire to stay updated on the latest developments in multi-agent system building

\*\*Content Outline\*\*

I. \*\*Introduction\*\*

\* Definition of multi-agent systems and importance in various fields (AI, robotics, logistics)
\* Brief overview of LangGraph, Autogen, and Crewai
\* Thesis statement: While all three technologies have their strengths and weaknesses, a comparative study reveals that each has its unique advantages for building multi-agent systems.

II. **Comparative Analysis of LangGraph, Autogen, and Crewai**

A. \*\*LangGraph\*\*

\* Overview of LangGraph's features (natural language processing, semantic parsing)
\* Advantages: ease of integration with existing NLP frameworks, scalable
\* Disadvantages: limited ability to handle complex scenarios

B. \*\*Autogen\*\*

\* Overview of Autogen's features (machine learning, data generation)
\* Advantages: ability to generate realistic data for training ML models, efficient data processing
\* Disadvantages: requires extensive data annotation, may not perform well in noisy environments

C. \*\*Crewai\*\*

\* Overview of Crewai's features (rule-based systems, knowledge representation)
\* Advantages: allows for explicit knowledge representation and reasoning, scalable
\* Disadvantages: requires manual rule development, may not be suitable for complex scenarios

III. **Key Takeaways and Recommendations**

\* Summary of comparative analysis
\* Recommendations for when to use each technology
\* Call to action: start exploring LangGraph, Autogen, and Crewai for your next multi-agent system project!

**SEO Keywords and Relevant Data**

\* Keywords: LangGraph, Autogen, Crewai, multi-agent systems, AI, robotics, NLP, ML
\* Sources:
 \+ "A Survey on Multi-Agent Systems" by \[author name\], \[publication date\]
 \+ "LangGraph: A Novel Language for Describing Complex Systems" by \[author name\], \[publication date\]
 \+ "Autogen: An Efficient Framework for Data Generation and Processing" by \[author name\], \[publication date\]
\* Relevant data:
 \+ Statistics on the growth of multi-agent system applications in various fields (AI, robotics, logistics)
 \+ Examples of successful multi-agent system implementations using LangGraph, Autogen, and Crewai

\*\*Conclusion\*\*

This comprehensive comparative study provides readers with a deep understanding of LangGraph, Autogen, and Crewai's features, advantages, and disadvantages. By analyzing the strengths and weaknesses of each technology, readers will be equipped to make informed decisions when selecting the best tool for their specific multi-agent system building needs.

Thought: I now have given a great answer!

 \[DEBUG\]: == Working Agent: Content Writer
 \[INFO\]: == Starting Task: 1. Use the content plan to craft a compelling blog post on Comparative study of LangGraph, Autogen and Crewai for building multi-agent system..
2. Incorporate SEO keywords naturally.
3. Sections/Subtitles are properly named in an engaging manner.
4. Ensure the post is structured with an engaging introduction, insightful body, and a summarizing conclusion.
5. Proofread for grammatical errors and alignment with the brand's voice.

\> Entering new CrewAgentExecutor chain...
\*\*Thought:\*\* I now can give a great answer!

\*\*Final Answer:\*\*

Comparative Study of LangGraph, Autogen and Crewai for Building Multi-Agent Systems
======================================================

In recent years, multi-agent systems have gained significant attention across various fields such as artificial intelligence (AI), robotics, and logistics. These complex systems involve multiple intelligent agents interacting with each other to achieve a common goal. The choice of technology plays a crucial role in building successful multi-agent systems. In this article, we will conduct a comparative study of LangGraph, Autogen, and Crewai, three prominent technologies used for building multi-agent systems.

\*\*Introduction\*\*
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

A multi-agent system (MAS) is defined as a complex system consisting of multiple intelligent agents interacting with each other to achieve a common goal. The importance of MAS lies in its ability to model real-world systems where multiple autonomous entities interact and adapt to changing environments. LangGraph, Autogen, and Crewai are three technologies that have gained significant attention in the field of multi-agent system building.

LangGraph, Autogen, and Crewai are all designed to facilitate the development of multi-agent systems by providing efficient ways to represent, reason with, and generate complex knowledge structures. While each technology has its strengths and weaknesses, a comparative study reveals that LangGraph is well-suited for natural language processing (NLP) tasks, Autogen excels in machine learning (ML) and data generation, and Crewai shines in rule-based systems and knowledge representation.

**Comparative Analysis of LangGraph, Autogen, and Crewai**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

\### LangGraph

LangGraph is a novel language designed specifically for describing complex systems. Its natural language processing capabilities make it an ideal choice for tasks that require semantic parsing, such as question answering and text summarization. Advantages of using LangGraph include ease of integration with existing NLP frameworks and scalability. However, its limitations are reflected in its inability to handle complex scenarios.

\### Autogen

Autogen is a machine learning framework designed to generate realistic data for training ML models efficiently. Its data generation capabilities make it suitable for tasks such as data augmentation, text classification, and image recognition. Advantages of using Autogen include efficient data processing and the ability to generate realistic data. However, Autogen requires extensive data annotation and may not perform well in noisy environments.

\### Crewai

Crewai is a rule-based system designed to facilitate knowledge representation and reasoning. Its scalability makes it suitable for large-scale applications, such as expert systems, decision support systems, and intelligent agents. Advantages of using Crewai include its ability to represent complex knowledge structures and scalability. However, Crewai requires manual rule development and may not be suitable for complex scenarios.

**Key Takeaways and Recommendations**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

In conclusion, LangGraph, Autogen, and Crewai are three technologies that offer distinct strengths in building multi-agent systems. A key takeaway is that each technology has its unique advantages and disadvantages. The choice of technology depends on the specific needs of the application, such as NLP tasks for LangGraph or data generation for Autogen.

Recommendations include:

\* Use LangGraph for NLP tasks such as question answering and text summarization.
\* Utilize Autogen for machine learning tasks that require efficient data processing and generation of realistic data.
\* Apply Crewai for rule-based systems and knowledge representation that require scalability and complex reasoning.

**Call to Action**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

The next multi-agent system project requires careful consideration of the choice of technology. LangGraph, Autogen, and Crewai offer unique advantages in building successful MASs. Start exploring these technologies today to unlock their potential and reap the rewards of developing cutting-edge multi-agent systems!

Thought: I now have given a great answer!

\> Finished chain.
 \[DEBUG\]: == \[Content Writer\] Task output: **

Comparative Study of LangGraph, Autogen and Crewai for Building Multi-Agent Systems
======================================================

In recent years, multi-agent systems have gained significant attention across various fields such as artificial intelligence (AI), robotics, and logistics. These complex systems involve multiple intelligent agents interacting with each other to achieve a common goal. The choice of technology plays a crucial role in building successful multi-agent systems. In this article, we will conduct a comparative study of LangGraph, Autogen, and Crewai, three prominent technologies used for building multi-agent systems.

\*\*Introduction\*\*
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

A multi-agent system (MAS) is defined as a complex system consisting of multiple intelligent agents interacting with each other to achieve a common goal. The importance of MAS lies in its ability to model real-world systems where multiple autonomous entities interact and adapt to changing environments. LangGraph, Autogen, and Crewai are three technologies that have gained significant attention in the field of multi-agent system building.

LangGraph, Autogen, and Crewai are all designed to facilitate the development of multi-agent systems by providing efficient ways to represent, reason with, and generate complex knowledge structures. While each technology has its strengths and weaknesses, a comparative study reveals that LangGraph is well-suited for natural language processing (NLP) tasks, Autogen excels in machine learning (ML) and data generation, and Crewai shines in rule-based systems and knowledge representation.

**Comparative Analysis of LangGraph, Autogen, and Crewai**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

\### LangGraph

LangGraph is a novel language designed specifically for describing complex systems. Its natural language processing capabilities make it an ideal choice for tasks that require semantic parsing, such as question answering and text summarization. Advantages of using LangGraph include ease of integration with existing NLP frameworks and scalability. However, its limitations are reflected in its inability to handle complex scenarios.

\### Autogen

Autogen is a machine learning framework designed to generate realistic data for training ML models efficiently. Its data generation capabilities make it suitable for tasks such as data augmentation, text classification, and image recognition. Advantages of using Autogen include efficient data processing and the ability to generate realistic data. However, Autogen requires extensive data annotation and may not perform well in noisy environments.

\### Crewai

Crewai is a rule-based system designed to facilitate knowledge representation and reasoning. Its scalability makes it suitable for large-scale applications, such as expert systems, decision support systems, and intelligent agents. Advantages of using Crewai include its ability to represent complex knowledge structures and scalability. However, Crewai requires manual rule development and may not be suitable for complex scenarios.

**Key Takeaways and Recommendations**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

In conclusion, LangGraph, Autogen, and Crewai are three technologies that offer distinct strengths in building multi-agent systems. A key takeaway is that each technology has its unique advantages and disadvantages. The choice of technology depends on the specific needs of the application, such as NLP tasks for LangGraph or data generation for Autogen.

Recommendations include:

\* Use LangGraph for NLP tasks such as question answering and text summarization.
\* Utilize Autogen for machine learning tasks that require efficient data processing and generation of realistic data.
\* Apply Crewai for rule-based systems and knowledge representation that require scalability and complex reasoning.

**Call to Action**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

The next multi-agent system project requires careful consideration of the choice of technology. LangGraph, Autogen, and Crewai offer unique advantages in building successful MASs. Start exploring these technologies today to unlock their potential and reap the rewards of developing cutting-edge multi-agent systems!

Thought: I now have given a great answer!

 \[DEBUG\]: == Working Agent: Editor
 \[INFO\]: == Starting Task: Proofread the given blog post for grammatical errors and alignment with the brand's voice.

\> Entering new CrewAgentExecutor chain...
Thought: I now can give a great answer

Final Answer:

Comparative Study of LangGraph, Autogen and Crewai for Building Multi-Agent Systems
======================================================

In recent years, multi-agent systems have gained significant attention across various fields such as artificial intelligence (AI), robotics, and logistics. These complex systems involve multiple intelligent agents interacting with each other to achieve a common goal. The choice of technology plays a crucial role in building successful multi-agent systems. In this article, we will conduct a comparative study of LangGraph, Autogen, and Crewai, three prominent technologies used for building multi-agent systems.

\*\*Introduction\*\*
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

A multi-agent system (MAS) is defined as a complex system consisting of multiple intelligent agents interacting with each other to achieve a common goal. The importance of MAS lies in its ability to model real-world systems where multiple autonomous entities interact and adapt to changing environments. LangGraph, Autogen, and Crewai are three technologies that have gained significant attention in the field of multi-agent system building.

LangGraph, Autogen, and Crewai are all designed to facilitate the development of multi-agent systems by providing efficient ways to represent, reason with, and generate complex knowledge structures. While each technology has its strengths and weaknesses, a comparative study reveals that LangGraph is well-suited for natural language processing (NLP) tasks, Autogen excels in machine learning (ML) and data generation, and Crewai shines in rule-based systems and knowledge representation.

**Comparative Analysis of LangGraph, Autogen, and Crewai**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

\### LangGraph

LangGraph is a novel language designed specifically for describing complex systems. Its natural language processing capabilities make it an ideal choice for tasks that require semantic parsing, such as question answering and text summarization. Advantages of using LangGraph include ease of integration with existing NLP frameworks and scalability. However, its limitations are reflected in its inability to handle complex scenarios.

\### Autogen

Autogen is a machine learning framework designed to generate realistic data for training ML models efficiently. Its data generation capabilities make it suitable for tasks such as data augmentation, text classification, and image recognition. Advantages of using Autogen include efficient data processing and the ability to generate realistic data. However, Autogen requires extensive data annotation and may not perform well in noisy environments.

\### Crewai

Crewai is a rule-based system designed to facilitate knowledge representation and reasoning. Its scalability makes it suitable for large-scale applications, such as expert systems, decision support systems, and intelligent agents. Advantages of using Crewai include its ability to represent complex knowledge structures and scalability. However, Crewai requires manual rule development and may not be suitable for complex scenarios.

**Key Takeaways and Recommendations**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

In conclusion, LangGraph, Autogen, and Crewai are three technologies that offer distinct strengths in building multi-agent systems. A key takeaway is that each technology has its unique advantages and disadvantages. The choice of technology depends on the specific needs of the application, such as NLP tasks for LangGraph or data generation for Autogen.

Recommendations include:

\* Use LangGraph for NLP tasks such as question answering and text summarization.
\* Utilize Autogen for machine learning tasks that require efficient data processing and generation of realistic data.
\* Apply Crewai for rule-based systems and knowledge representation that require scalability and complex reasoning.

**Call to Action**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

The next multi-agent system project requires careful consideration of the choice of technology. LangGraph, Autogen, and Crewai offer unique advantages in building successful MASs. Start exploring these technologies today to unlock their potential and reap the rewards of developing cutting-edge multi-agent systems!

\> Finished chain.
 \[DEBUG\]: == \[Editor\] Task output: Comparative Study of LangGraph, Autogen and Crewai for Building Multi-Agent Systems
======================================================

In recent years, multi-agent systems have gained significant attention across various fields such as artificial intelligence (AI), robotics, and logistics. These complex systems involve multiple intelligent agents interacting with each other to achieve a common goal. The choice of technology plays a crucial role in building successful multi-agent systems. In this article, we will conduct a comparative study of LangGraph, Autogen, and Crewai, three prominent technologies used for building multi-agent systems.

\*\*Introduction\*\*
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

A multi-agent system (MAS) is defined as a complex system consisting of multiple intelligent agents interacting with each other to achieve a common goal. The importance of MAS lies in its ability to model real-world systems where multiple autonomous entities interact and adapt to changing environments. LangGraph, Autogen, and Crewai are three technologies that have gained significant attention in the field of multi-agent system building.

LangGraph, Autogen, and Crewai are all designed to facilitate the development of multi-agent systems by providing efficient ways to represent, reason with, and generate complex knowledge structures. While each technology has its strengths and weaknesses, a comparative study reveals that LangGraph is well-suited for natural language processing (NLP) tasks, Autogen excels in machine learning (ML) and data generation, and Crewai shines in rule-based systems and knowledge representation.

**Comparative Analysis of LangGraph, Autogen, and Crewai**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

\### LangGraph

LangGraph is a novel language designed specifically for describing complex systems. Its natural language processing capabilities make it an ideal choice for tasks that require semantic parsing, such as question answering and text summarization. Advantages of using LangGraph include ease of integration with existing NLP frameworks and scalability. However, its limitations are reflected in its inability to handle complex scenarios.

\### Autogen

Autogen is a machine learning framework designed to generate realistic data for training ML models efficiently. Its data generation capabilities make it suitable for tasks such as data augmentation, text classification, and image recognition. Advantages of using Autogen include efficient data processing and the ability to generate realistic data. However, Autogen requires extensive data annotation and may not perform well in noisy environments.

\### Crewai

Crewai is a rule-based system designed to facilitate knowledge representation and reasoning. Its scalability makes it suitable for large-scale applications, such as expert systems, decision support systems, and intelligent agents. Advantages of using Crewai include its ability to represent complex knowledge structures and scalability. However, Crewai requires manual rule development and may not be suitable for complex scenarios.

**Key Takeaways and Recommendations**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

In conclusion, LangGraph, Autogen, and Crewai are three technologies that offer distinct strengths in building multi-agent systems. A key takeaway is that each technology has its unique advantages and disadvantages. The choice of technology depends on the specific needs of the application, such as NLP tasks for LangGraph or data generation for Autogen.

Recommendations include:

\* Use LangGraph for NLP tasks such as question answering and text summarization.
\* Utilize Autogen for machine learning tasks that require efficient data processing and generation of realistic data.
\* Apply Crewai for rule-based systems and knowledge representation that require scalability and complex reasoning.

**Call to Action**
\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-\-

The next multi-agent system project requires careful consideration of the choice of technology. LangGraph, Autogen, and Crewai offer unique advantages in building successful MASs. Start exploring these technologies today to unlock their potential and reap the rewards of developing cutting-edge multi-agent systems!

結果を表示する

from IPython.display import Markdown,display
display(Markdown(result))

以下はエージェントによって生成された出力です。

LangGraph、Autogen、CrewAIの比較研究: マルチエージェントシステムの構築

近年、マルチエージェントシステム（MAS）は、人工知能（AI）、ロボティクス、物流などのさまざまな分野で注目を集めています。これらの複雑なシステムは、複数のインテリジェントエージェントが相互に作用して共通の目標を達成することを目的としています。成功するマルチエージェントシステムの構築には、適切な技術の選択が重要です。本記事では、マルチエージェントシステムの構築に使用される3つの主要な技術であるLangGraph、Autogen、およびCrewAIの比較研究を行います。

はじめに

マルチエージェントシステム（MAS）は、複数のインテリジェントエージェントが相互に作用して共通の目標を達成する複雑なシステムとして定義されます。MASの重要性は、複数の自律的なエンティティが相互に作用し、変化する環境に適応する現実世界のシステムをモデル化できる点にあります。LangGraph、Autogen、およびCrewAIは、マルチエージェントシステムの構築において注目を集めています。

LangGraph、Autogen、およびCrewAIは、複雑な知識構造を効率的に表現、推論、および生成するための手段を提供し、マルチエージェントシステムの開発を促進するよう設計されています。各技術にはそれぞれ強みと弱みがありますが、比較研究によって、LangGraphは自然言語処理（NLP）タスクに適しており、Autogenは機械学習（ML）とデータ生成に優れ、CrewAIはルールベースのシステムと知識表現に強みを持つことが明らかになりました。

LangGraph、Autogen、およびCrewAIの比較分析

LangGraph

LangGraphは、複雑なシステムを記述するために特別に設計された新しい言語です。その自然言語処理能力により、質問応答やテキスト要約などの意味解析を必要とするタスクに理想的です。LangGraphの利点には、既存のNLPフレームワークとの統合の容易さとスケーラビリティが含まれますが、複雑なシナリオを処理する能力には限界があります。

Autogen

Autogenは、MLモデルのトレーニング用に現実的なデータを効率的に生成するために設計された機械学習フレームワークです。そのデータ生成能力により、データ増強、テキスト分類、画像認識などのタスクに適しています。Autogenの利点には、効率的なデータ処理と現実的なデータの生成能力が含まれますが、広範なデータ注釈が必要であり、ノイズの多い環境では性能が低下する可能性があります。

Crewai

CrewAIは、知識表現と推論を促進するために設計されたルールベースのシステムです。そのスケーラビリティにより、エキスパートシステム、意思決定支援システム、およびインテリジェントエージェントなどの大規模アプリケーションに適しています。CrewAIの利点には、複雑な知識構造の表現能力とスケーラビリティが含まれますが、手動でのルール開発が必要であり、複雑なシナリオには向いていない可能性があります。

重要なポイントと推奨事項

結論として、LangGraph、Autogen、およびCrewAIは、マルチエージェントシステムの構築においてそれぞれ異なる強みを持つ技術です。重要なポイントは、各技術にはそれぞれ固有の利点と欠点があることです。技術の選択は、アプリケーションの特定のニーズに依存します。例えば、LangGraphはNLPタスクに適し、Autogenは効率的なデータ処理と現実的なデータ生成に適しています。

推奨事項は次のとおりです：

LangGraphを質問応答やテキスト要約などのNLPタスクに使用します。
Autogenを効率的なデータ処理と現実的なデータ生成を必要とする機械学習タスクに利用します。
Crewaiをスケーラビリティと複雑な推論を必要とするルールベースのシステムおよび知識表現に適用します。

結論

ここでは、ブログ作成エージェントを実装し、エージェントが自律的に協力して最終目標を達成する方法を示しました。ここでは、内容計画タスクがコンテンツ作成タスクの入力となり、その後コンテンツ作成タスクの出力がコンテンツ編集タスクによってさらに処理されるという順次マルチエージェントプロセスを実装しました。CrewAIには、タスクを階層的に実行する機能や、プロセスの組み合わせとして実行する機能もあります。

マルチエージェント型のブログ作成システムをCrewai と Ollama で作る

Create a Blog Writer Multi-Agent System using Crewai and Ollama

はじめに

CrewAIとは？

コアコンセプト — CrewAI

Ollamaとは？

Ollamaを使用する理由

OllamaでLLMを選ぶ

コード実装

LLMをLlama3として設定

ブログ投稿の計画、作成、編集を行うエージェントの作成

エージェントの属性

タスクの作成

タスクの属性

プランナータスクの作成

Crewの作成手順

クルーを実行する

レスポンス

以下はエージェントによって生成された出力です。

LangGraph、Autogen、CrewAIの比較研究: マルチエージェントシステムの構築

はじめに

LangGraph、Autogen、およびCrewAIの比較分析

LangGraph

Autogen

Crewai

重要なポイントと推奨事項

結論

Discussion