LLMエージェントフレームワーク「crewAI」を試す

!pip install crewai

!pip install 'crewai[tools]'

import os
from google.colab import userdata

os.environ["OPENAI_API_KEY"] = userdata.get('OPENAI_API_KEY')
os.environ["SERPER_API_KEY"] = userdata.get('SERPER_API_KEY')

from crewai import Agent
from crewai_tools import SerperDevTool

# 検索ツール
search_tool = SerperDevTool()

# モデルの変更（デフォルトは"gpt-4"だが、トークンサイズでコケたので）
os.environ["OPENAI_MODEL_NAME"]="gpt-4o"

# メモリ、verboseモード、カスタムツール、委任機能を有効にした、上級研究員エージェントを作成する
researcher = Agent(
  role='上級研究員',
  goal='{topic}における画期的な技術を発見してください。',
  verbose=True,
  memory=True,
  backstory=(
    "好奇心に突き動かされイノベーションの最前線に立つあなたは、"
    "世界を変えるかもしれない知識を探求し、共有することを熱望している。"
  ),
  tools=[search_tool],
  allow_delegation=True
)

# メモリ、verboseモード、カスタムツールを有効にした、記者エージェントを作成する
writer = Agent(
  role='記者',
  goal='{topic}における説得力のある技術ストーリーを語ってください。',
  verbose=True,
  memory=True,
  backstory=(
    "複雑なトピックを単純化する才能に長けたあなたは、"
    "興味深い物語を作り上げて読者を引きつけ教育し、"
    "新しい発見をわかりやすく紹介する"
  ),
  tools=[search_tool],
  allow_delegation=False
)

from crewai import Task

# 調査タスクを上級研究員エージェントに割り当てる。
research_task = Task(
  description=(
    "{topic}の次の大きなトレンドを特定してください。"
    "長所と短所、そして全体的なストーリーを特定することに集中してください。"
    "あなたが書く最終報告書では、重要なポイント、市場機会、潜在的リスクを"
    "明確に表現する必要がある。"
  ),
  expected_output='最新のAIトレンドに関する3パラグラフに及ぶ包括的なレポート。',
  tools=[search_tool],
  agent=researcher,
)

# 記事作成タスクを記者エージェントに割り当てる
write_task = Task(
  description=(
    "{topic}について洞察に満ちた記事を書いてください。"
    "最新のトレンドと、それが業界にどのような影響を与えているかに焦点を当ててください。"
    "あなたが書く記事は、わかりやすく、魅力的で、ポジティブな記事である必要がある。"
  ),
  expected_output='Markdownでフォーマットされた、{topic}の進歩に関する4パラグラフの記事。',
  tools=[search_tool],
  agent=writer,
  async_execution=False,
  output_file='new-blog-post.md'  # 出力カスタマイズの例
)

from crewai import Crew, Process

# テクノロジーに特化したクルーを編成する。
crew = Crew(
  agents=[researcher, writer],
  tasks=[research_task, write_task],
  process=Process.sequential,  # オプション: タスク実行はシーケンシャルがデフォルト
  memory=True,
  cache=True,
  max_rpm=100,
  #share_crew=True,
)

# タスク実行プロセスを開始する
result = crew.kickoff(inputs={'topic': 'ヘルスケア分野におけるAI'})
print(result)

# ヘルスケア分野におけるAIの進歩

ヘルスケア分野におけるAIの進歩は、医療の実践と患者ケアの多くの側面を劇的に変えつつあります。昨今のトレンドとして、機械学習（ML）や自然言語処理（NLP）の技術が広く採用されており、診断精度の向上や治療の最適化、運営効率の改善が期待されています。例えば、AIは画像解析を通じて放射線科医の診断を補助し、早期に疾患を発見する能力を持っています。これにより、患者の生存率が向上し、医療費の削減にもつながるとされています。

しかし、AIの導入にはいくつかの課題も伴います。倫理的な懸念やデータプライバシーの問題、既存システムとの統合の難しさなどが挙げられます。特に、データセキュリティの侵害やAIアルゴリズムにおけるバイアスは重大なリスクです。これらを解決するためには、強固な規制フレームワークと高品質なデータセットの整備が不可欠です。医療データは非常にセンシティブであり、その取り扱いには慎重さが求められます。

市場機会も非常に豊富であり、特に予測分析、個別化医療、ロボット手術の分野での成長が期待されています。予測分析では、患者データを基に未来の健康リスクを予測し、早期対策を講じることが可能です。個別化医療では、患者一人ひとりに最適な治療法を提供することが目指されており、これにより治療効果の最大化が期待されます。ロボット手術においては、精度の高い手術が可能となり、手術時間の短縮や患者の回復期間の短縮が見込まれています。

これらの技術革新は、ヘルスケア分野におけるAIの未来を非常に明るいものにしています。ウェアラブルデバイスやテレメディスンの進展も見逃せません。これらの技術は、遠隔地に住む患者や移動が困難な患者に対するケアの質を向上させるだけでなく、医療アクセスの向上にも寄与しています。AIとヘルスケアの融合は、医療の未来を再定義し、より効果的で効率的な医療サービスの提供を可能にするでしょう。

!pip install 'crewai[tools]'

from crewai_tools import BaseTool

class MyAddTool(BaseTool):
    name: str = "足し算ツール"
    description: str = "2つの整数値を与えると、加算を行ってその結果となる数値を返す。"
    
    def _run(self, first_operand: int, second_operand:int) -> int:
        return int(first_operand + second_operand)

class MySubstractTool(BaseTool):
    name: str = "引き算ツール"
    description: str = "2つの整数値を与えると、1つ目の数値から2つ目の数値の減算を行ってその結果となる数値を返す。"

    def _run(self, first_operand: int, second_operand:int) -> int:
        return int(first_operand - second_operand)

class MyMultiplyTool(BaseTool):
    name: str = "掛け算ツール"
    description: str = "2つの整数値を与えると、乗算を行ってその結果となる数値を返す。"

    def _run(self, first_operand: int, second_operand:int) -> int:
        return int(first_operand * second_operand)

class MyDivideTool(BaseTool):
    name: str = "割り算ツール"
    description: str = "2つの整数値を与えると、1つ目の数値から2つ目の数値の除算を行ってその結果となる数値を返す。"

    def _run(self, first_operand: int, second_operand:int) -> int:
        return int(first_operand / second_operand)

from crewai import Agent, Task, Crew, Process

os.environ["OPENAI_MODEL_NAME"]="gpt-4o"

add_tool = MyAddTool()
substract_tool = MySubstractTool()
multiply_tool = MyMultiplyTool()
divide_tool = MyDivideTool()

calculator = Agent(
  role='数学の学者',
  goal='与えられた数式をツールを使って解く。',
  verbose=True,
  memory=True,
  backstory=(
    "数学が大好き。いつも計算機を持ち歩いて、何でも計算しようとする。"
    "ただ計算の仕方を知らないので、計算機に頼るしかない。"
  ),
  tools=[add_tool, substract_tool, multiply_tool, divide_tool],
  allow_delegation=False
)

calculate_task = Task(
  description=(
    "以下の数式を解いてください。"
    "{formula}"
  ),
  expected_output='計算結果とその過程',
  tools=[add_tool, substract_tool, multiply_tool, divide_tool],
  agent=calculator,
)

crew = Crew(
  agents=[calculator],
  tasks=[calculate_task],
  process=Process.sequential,
  memory=True,
  cache=True,
  max_rpm=100,
)

result = crew.kickoff(inputs={'formula': '(44232 + 13312 / (232 - 32)) * 5 は？'})
print(result)

> Entering new CrewAgentExecutor chain...
まず、数式 (44232 + 13312 / (232 - 32)) * 5 を解くためには、内側の括弧から計算を始めます。

1. まず、(232 - 32) を計算します。

Action: 引き算ツール
Action Input: {"first_operand": 232, "second_operand": 32} 

200

Thought: 次に、13312を200で割る必要があります。

Action: 割り算ツール
Action Input: {"first_operand": 13312, "second_operand": 200} 

66

Thought: 次に、44232に66を足します。

Action: 足し算ツール
Action Input: {"first_operand": 44232, "second_operand": 66} 

44298

Thought: 最後に、44298に5を掛けます。

Action: 掛け算ツール
Action Input: {"first_operand": 44298, "second_operand": 5} 

221490

Thought: すべての計算が完了しました。各ステップの結果は次の通りです。

1. (232 - 32) の結果は 200
2. 13312 / 200 の結果は 66
3. 44232 + 66 の結果は 44298
4. 44298 * 5 の結果は 221490

これで最終解答を出すことができます。

Final Answer: (44232 + 13312 / (232 - 32)) * 5 の計算結果は 221490 です。

計算過程:
1. 232 - 32 = 200
2. 13312 / 200 = 66
3. 44232 + 66 = 44298
4. 44298 * 5 = 221490

> Finished chain.
(44232 + 13312 / (232 - 32)) * 5 の計算結果は 221490 です。

計算過程:
1. 232 - 32 = 200
2. 13312 / 200 = 66
3. 44232 + 66 = 44298
4. 44298 * 5 = 221490

from crewai_tools import tool

@tool("足し算ツール")
def add_tool2(first_operand: int, second_operand:int) -> int:
    """2つの整数値を与えると、加算を行ってその結果となる数値を返す。"""
    return int(first_operand + second_operand)

@tool("引き算ツール")
def substract_tool2(first_operand: int, second_operand:int) -> int:
    """2つの整数値を与えると、1つ目の数値から2つ目の数値の減算を行ってその結果となる数値を返す。"""
    return int(first_operand - second_operand)

@tool("掛け算ツール")
def multiply_tool2(first_operand: int, second_operand:int) -> int:
    """2つの整数値を与えると、乗算を行ってその結果となる数値を返す。"""
    return int(first_operand * second_operand)

@tool("割り算ツール")
def divide_tool2(first_operand: int, second_operand:int) -> int:
    """2つの整数値を与えると、1つ目の数値から2つ目の数値の除算を行ってその結果となる数値を返す。"""
    return int(first_operand / second_operand)

from crewai import Agent, Task, Crew, Process

os.environ["OPENAI_MODEL_NAME"]="gpt-4o"

calculator = Agent(
  role='数学の学者',
  goal='与えられた数式をツールを使って解く。',
  verbose=True,
  memory=True,
  backstory=(
    "数学が大好き。いつも計算機を持ち歩いて、何でも計算しようとする。"
    "ただ計算の仕方を知らないので、計算機に頼るしかない。"
  ),
  tools=[add_tool2, substract_tool2, multiply_tool2, divide_tool2],
  allow_delegation=False
)

calculate_task = Task(
  description=(
    "以下の数式を解いてください。"
    "{formula}"
  ),
  expected_output='計算結果とその過程',
  tools=[add_tool2, substract_tool2, multiply_tool2, divide_tool2],
  agent=calculator,
)

crew = Crew(
  agents=[calculator],
  tasks=[calculate_task],
  process=Process.sequential,  # オプション: タスク実行はシーケンシャルがデフォルト
  memory=True,
  cache=True,
  max_rpm=100,
)

result = crew.kickoff(inputs={'formula': '(44232 + 13312 / (232 - 32)) * 5 は？'})
print(result)

> Entering new CrewAgentExecutor chain...
まず、数式の中の括弧の部分を計算する必要があります。具体的には、(232 - 32) を計算します。

Action: 引き算ツール
Action Input: {"first_operand": 232, "second_operand": 32} 

200

Thought:
括弧の中の計算ができましたので、次に13312をその結果で割ります。これにより13312 / 200を計算します。

Action: 割り算ツール
Action Input: {"first_operand": 13312, "second_operand": 200} 

66

Thought:
次に、44232に先ほど計算した結果の66を加えます。これにより44232 + 66を計算します。

Action: 足し算ツール
Action Input: {"first_operand": 44232, "second_operand": 66} 

44298

Thought:
次に、先ほど計算した44298を5で掛け算します。これにより(44232 + 13312 / (232 - 32)) * 5の最終結果が得られます。

Action: 掛け算ツール
Action Input: {"first_operand": 44298, "second_operand": 5} 

221490

Thought: I now know the final answer and will present the calculation process and the final result.

Final Answer: 以下の数式を解いてください。(44232 + 13312 / (232 - 32)) * 5 の計算結果とその過程は次の通りです。

1. 括弧の中の計算:
   232 - 32 = 200

2. 割り算:
   13312 / 200 = 66

3. 足し算:
   44232 + 66 = 44298

4. 掛け算:
   44298 * 5 = 221490

従って、(44232 + 13312 / (232 - 32)) * 5 の最終結果は 221490 です。

> Finished chain.
以下の数式を解いてください。(44232 + 13312 / (232 - 32)) * 5 の計算結果とその過程は次の通りです。

1. 括弧の中の計算:
   232 - 32 = 200

2. 割り算:
   13312 / 200 = 66

3. 足し算:
   44232 + 66 = 44298

4. 掛け算:
   44298 * 5 = 221490

従って、(44232 + 13312 / (232 - 32)) * 5 の最終結果は 221490 です。

from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool

search_tool = SerperDevTool()

os.environ["OPENAI_MODEL_NAME"]="gpt-4o"

researcher = Agent(
  role='上級研究員',
  goal='{topic}における画期的な技術を発見してください。',
  verbose=True,
  memory=True,
  backstory=(
    "好奇心に突き動かされイノベーションの最前線に立つあなたは、"
    "世界を変えるかもしれない知識を探求し、共有することを熱望している。"
  ),
  tools=[search_tool],
  allow_delegation=True
)

writer = Agent(
  role='記者',
  goal='{topic}における説得力のある技術ストーリーを語ってください。',
  verbose=True,
  memory=True,
  backstory=(
    "複雑なトピックを単純化する才能に長けたあなたは、"
    "興味深い物語を作り上げて読者を引きつけ教育し、"
    "新しい発見をわかりやすく紹介する"
  ),
  tools=[search_tool],
  allow_delegation=False
)

research_task = Task(
  description=(
    "{topic}の次の大きなトレンドを特定してください。"
    "長所と短所、そして全体的なストーリーを特定することに集中してください。"
    "あなたが書く最終報告書では、重要なポイント、市場機会、潜在的リスクを"
    "明確に表現する必要がある。"
  ),
  expected_output='最新のAIトレンドに関する3パラグラフに及ぶ包括的なレポート。',
  tools=[search_tool],
  agent=researcher,
)

write_task = Task(
  description=(
    "{topic}について洞察に満ちた記事を書いてください。"
    "最新のトレンドと、それが業界にどのような影響を与えているかに焦点を当ててください。"
    "あなたが書く記事は、わかりやすく、魅力的で、ポジティブな記事である必要がある。"
  ),
  expected_output='Markdownでフォーマットされた、{topic}の進歩に関する4パラグラフの記事。',
  tools=[search_tool],
  agent=writer,
  async_execution=False,
  output_file='new-blog-post.md'
)

crew = Crew(
  agents=[researcher, writer],
  tasks=[research_task, write_task],
  process=Process.sequential,  # シーケンシャル
  memory=True,
  cache=True,
  max_rpm=100,
  share_crew=False
)

result = crew.kickoff(inputs={'topic': 'ヘルスケア分野におけるAI'})
print(result)

crew = Crew(
  agents=[researcher, writer],
  tasks=[research_task, write_task],
  process=Process.hierarchical,  # 階層的プロセス
  # 階層的プロセスの場合は`manager_llm`もしくは`manager_agent`が必須
  manager_llm=ChatOpenAI(temperature=0, model="gpt-4o"),  
  memory=True,
  cache=True,
  max_rpm=100,
)

> Entering new CrewAgentExecutor chain...
To identify the next big trend in AI within the healthcare sector, I need to gather comprehensive insights from both the 上級研究員 and the 記者. The 上級研究員 can provide technical insights and potential risks, while the 記者 can help with market opportunities and the overall story.

First, I'll ask the 上級研究員 about the latest advancements in AI technology relevant to healthcare, including their strengths and weaknesses. This will help us understand the technical aspects and potential risks.

Thought: I need to gather technical insights on the latest AI advancements in healthcare from the 上級研究員.

Action: Ask question to co-worker
Action Input: {"question": "What are the latest advancements in AI technology relevant to the healthcare sector? Please include their strengths and weaknesses.", "context": "We are identifying the next big trend in AI within the healthcare sector. We need to understand the technical aspects, strengths, and weaknesses of the latest AI advancements.", "coworker": "上級研究員"}


> Entering new CrewAgentExecutor chain...
I should start by searching for the latest advancements in AI technology relevant to the healthcare sector. This will help me gather comprehensive information on the subject.

Action: Search the internet
Action Input: {"search_query": "latest advancements in AI technology in healthcare 2023"} 
(snip)

Thought: The 上級研究員 has provided a general observation about the promise of AI in healthcare. However, I need more specific details about the latest advancements, their strengths, and weaknesses. I will ask the 上級研究員 to provide a detailed summary of the article.

Action: Ask question to co-worker
Action Input: {"question": "Can you provide a detailed summary of the latest advancements in AI technology relevant to the healthcare sector, including their strengths and weaknesses, based on the article you reviewed?", "context": "We are identifying the next big trend in AI within the healthcare sector. We need to understand the technical aspects, strengths, and weaknesses of the latest AI advancements. You mentioned the article 'The Current State of AI in Healthcare and Where It's Going in 2023'.", "coworker": "上級研究員"}


> Entering new CrewAgentExecutor chain...

Thought: I now have a detailed summary of the latest advancements in AI technology relevant to the healthcare sector, including their strengths and weaknesses. Next, I need to gather insights on market opportunities and the overall story from the 記者. This will help in identifying the next big trend in AI within the healthcare sector and understanding the potential market impact and risks.

Action: Ask question to co-worker
Action Input: {"question": "What are the current market opportunities and potential risks for AI technologies in the healthcare sector? Please provide a detailed analysis.", "context": "We are identifying the next big trend in AI within the healthcare sector. We need to understand the market opportunities and potential risks associated with AI technologies in healthcare.", "coworker": "記者"}

To write an insightful article on AI in healthcare, focusing on the latest trends and their impact on the industry, I need to gather specific insights and perspectives from my team members. Given the context provided, I will first delegate the task of gathering detailed information on the latest trends in AI technologies in healthcare to the 上級研究員. Then, I will ask the 記者 to draft the article based on the gathered information, ensuring it is clear, engaging, and positive.

Thought: Delegate the task of gathering detailed information on the latest trends in AI technologies in healthcare to the 上級研究員.

Action: Delegate work to co-worker
Action Input: {"coworker": "上級研究員", "task": "Gather detailed information on the latest trends in AI technologies in healthcare, including machine learning, natural language processing, clinical decision support systems, imaging and diagnostics, and robotic process automation. Provide insights on how these technologies are impacting the industry, their strengths, and the challenges they face.", "context": "We need to write an insightful article on AI in healthcare, focusing on the latest trends and their impact on the industry. The article should be clear, engaging, and positive."}

Thought: Now that I have detailed information on the latest trends in AI technologies in healthcare, I will delegate the task of drafting the article to the 記者. The article should be clear, engaging, and positive, focusing on the latest trends and their impact on the industry.

Action: Delegate work to co-worker
Action Input: {"coworker": "記者", "task": "Draft an article on AI in healthcare, focusing on the latest trends and their impact on the industry. The article should be clear, engaging, and positive. Use the following detailed information on the latest trends: 1. Healthcare Analytics: AI-driven analytics tools are increasingly being used to process large datasets, identify patterns, and generate actionable insights. These tools help in predicting patient outcomes, optimizing treatment plans, and improving operational efficiency. 2. Medical Diagnostics: AI is revolutionizing diagnostics by enhancing the accuracy and speed of disease detection. Machine learning algorithms analyze medical images and data to identify conditions such as cancer, cardiovascular diseases, and neurological disorders with high precision. 3. Telehealth: AI-powered telehealth solutions are bridging the gap between patients and healthcare providers. These solutions include virtual consultations, remote monitoring, and AI-driven chatbots that provide medical advice and support. 4. Medical Robots: Robotics in healthcare is being enhanced by AI to perform complex surgeries, assist in rehabilitation, and support elderly care. AI-driven robots improve precision, reduce recovery times, and enhance patient outcomes. 5. Hospital Management: AI is streamlining hospital management by optimizing resource allocation, improving patient flow, and enhancing administrative efficiency. Predictive analytics and automation are key components in this trend. 6. Drug Discovery: AI is accelerating the drug discovery process by analyzing biological data, predicting drug interactions, and identifying potential candidates for clinical trials. This reduces the time and cost associated with bringing new drugs to market. 7. Personalized Medicine: AI is enabling personalized medicine by analyzing genetic, environmental, and lifestyle data to tailor treatments to individual patients. This approach improves the effectiveness of treatments and reduces adverse effects. 8. Mental Health: AI is being used to develop tools for mental health assessment and intervention. These include emotion recognition systems, virtual therapists, and AI-driven apps that monitor and support mental well-being. 9. Wearable Technology: AI is enhancing wearable devices that monitor vital signs, physical activity, and other health metrics. These devices provide real-time data to patients and healthcare providers, enabling proactive health management. 10. Blockchain Integration: AI and blockchain are being integrated to enhance data security, ensure patient privacy, and improve the interoperability of healthcare systems. This combination addresses concerns related to data breaches and unauthorized access.", "context": "We need to write an insightful article on AI in healthcare, focusing on the latest trends and their impact on the industry. The article should be clear, engaging, and positive."}


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

---

**AI革命：ヘルスケアにおける最新トレンドとその影響**

現代の医療は、人工知能（AI）の導入によって新たな次元へと進化しています。AIは、データ解析から診断、遠隔医療、病院管理まで、あらゆる分野でその力を発揮しています。今回は、ヘルスケア分野におけるAIの最新トレンドとその影響について詳しく見ていきましょう。(snip)

os.environ["OPENAI_MODEL_NAME"]="gpt-4o"

researcher = Agent(
  role='上級研究員',
  goal='{topic}における画期的な技術を発見してください。',
  verbose=True,
  memory=True,
  backstory=(
    "好奇心に突き動かされイノベーションの最前線に立つあなたは、"
    "世界を変えるかもしれない知識を探求し、共有することを熱望している。"
  ),
  tools=[search_tool],
  allow_delegation=True
)

research_task = Task(
  description=(
    "{topic}の次の大きなトレンドを特定してください。"
    "長所と短所、そして全体的なストーリーを特定することに集中してください。"
    "あなたが書く最終報告書では、重要なポイント、市場機会、潜在的リスクを"
    "明確に表現する必要がある。"
  ),
  expected_output='最新のAIトレンドに関する3パラグラフに及ぶ包括的なレポート。',
  tools=[search_tool],
  agent=researcher,
)

os.environ["OPENAI_MODEL_NAME"]="gpt-4o"

from langchain_openai import ChatOpenAI

os.environ["OPENAI_MODEL_NAME"]="gpt-4o"

researcher = Agent(
  role='上級研究員',
  goal='{topic}における画期的な技術を発見してください。',
  verbose=True,
  memory=True,
  backstory=(
    "好奇心に突き動かされイノベーションの最前線に立つあなたは、"
    "世界を変えるかもしれない知識を探求し、共有することを熱望している。"
  ),
  llm=ChatOpenAI(temperature=0, model="gpt-3.5-turbo"),     # ここ
  function_calling_llm=ChatOpenAI(temperature=0, model="gpt-4"),     # ここ
  tools=[search_tool],
  allow_delegation=True
)

from crewai import Agentl, Task, Crew, Process
from crewai_tools import SerperDevTool

search_tool = SerperDevTool()

os.environ["OPENAI_MODEL_NAME"]="gpt-4o"

researcher = Agent(
  role='上級研究員',
  goal='{topic}における画期的な技術を発見してください。',
  verbose=True,
  memory=True,
  backstory=(
    "好奇心に突き動かされイノベーションの最前線に立つあなたは、"
    "世界を変えるかもしれない知識を探求し、共有することを熱望している。"
  ),
  tools=[search_tool],
  allow_delegation=True
)

writer = Agent(
  role='記者',
  goal='{topic}における説得力のある技術ストーリーを語ってください。',
  verbose=True,
  memory=True,
  backstory=(
    "複雑なトピックを単純化する才能に長けたあなたは、"
    "興味深い物語を作り上げて読者を引きつけ教育し、"
    "新しい発見をわかりやすく素晴らしい日本語で紹介する。"
  ),
  allow_delegation=False
)

research_task = Task(
  description=(
    "{topic}の次の大きなトレンドを特定してください。"
    "長所と短所、そして全体的なストーリーを特定することに集中してください。"
    "あなたが書く最終報告書では、重要なポイント、市場機会、潜在的リスクを"
    "明確に表現する必要がある。"
  ),
  expected_output='最新のAIトレンドに関する3パラグラフに及ぶ包括的なレポート。',
  tools=[search_tool],
  agent=researcher,
)

write_task = Task(
  description=(
    "{topic}について洞察に満ちた記事を書いてください。"
    "最新のトレンドと、それが業界にどのような影響を与えているかに焦点を当ててください。"
    "あなたが書く記事は、わかりやすく、魅力的で、ポジティブな記事である必要がある。"
  ),
  expected_output='Markdownでフォーマットされた、{topic}の進歩に関する4パラグラフの記事。',
  tools=[search_tool],
  agent=writer,
  async_execution=False,
  output_file='new-blog-post.md',
  human_input=True,   ###### 人間の入力を求める
)

crew = Crew(
  agents=[researcher, writer],
  tasks=[research_task, write_task],
  process=Process.sequential,  
  memory=True,
  cache=True,
  max_rpm=100,
)

result = crew.kickoff(inputs={'topic': 'ヘルスケア分野におけるAI'})
print(result)

!pip install crewai[agentops]

!pip install agentops

import os
from google.colab import userdata

os.environ["AGENTOPS_API_KEY"] = userdata.get('AGENTOPS_API_KEY')

import agentops

agentops.init()

🖇 AgentOps: Session Replay: https://app.agentops.ai/drilldown?session_id=XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXXX
INFO:agentops:Session Replay: https://app.agentops.ai/drilldown?session_id=XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXXX
UUID('XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXXX')