Как настроить переменные окружения .env для локальной работы с ollama в CrewAI.
Устанавливаем ollama открываем терминал и скачиваем нужную модель, например qwen3
В фале .env прописываем настройки
#crewai
Устанавливаем ollama открываем терминал и скачиваем нужную модель, например qwen3
ollama pull qwen3:8b
В фале .env прописываем настройки
MODEL=ollama/qwen3:8b
API_BASE=http://localhost:11434
#crewai
👍7
Часть 9. Knowledge в CrewAI
Концепция Knowledge в CrewAI представляет собой мощную систему, которая позволяет агентам получать доступ к внешним источникам информации и использовать их при выполнении своих задач.
Knowledge (Знания) помогают агентам
🔸 Предоставлять информацию для конкретной предметной области.
🔸 Принимать решения на реальных данных.
🔸 Делать ответы более точными и основанными на достоверных данных.
CrewAI поддерживает разные источники данных: обычный текст, текстовые файлы (.txt), PDF, CSV, Excel, JSON.
Knowledge можно настроить на двух уровнях.
На уровне команды (crew-level): знания, доступные и используемые всеми агентами в команде.
На уровне агента (agent-level): знания, специфичные для одного конкретного агента.
Каждый уровень использует независимые хранилища данных внутри одного и того же экземпляра ChromaDB, что позволяет эффективно управлять информацией и избегать конфликтов.
Знания на уровне агента независимые.
Пример c PDF для одного агента
Файлы нужно положить в директорию
Пример, knowledge для всего crew
Настройка векторной базы
По умолчанию используется встраиваемые решения OpenAI ( text-embedding-3-small).
Можно переопределить провайдера.
#crewai
Концепция Knowledge в CrewAI представляет собой мощную систему, которая позволяет агентам получать доступ к внешним источникам информации и использовать их при выполнении своих задач.
Knowledge (Знания) помогают агентам
🔸 Предоставлять информацию для конкретной предметной области.
🔸 Принимать решения на реальных данных.
🔸 Делать ответы более точными и основанными на достоверных данных.
CrewAI поддерживает разные источники данных: обычный текст, текстовые файлы (.txt), PDF, CSV, Excel, JSON.
Knowledge можно настроить на двух уровнях.
На уровне команды (crew-level): знания, доступные и используемые всеми агентами в команде.
На уровне агента (agent-level): знания, специфичные для одного конкретного агента.
Каждый уровень использует независимые хранилища данных внутри одного и того же экземпляра ChromaDB, что позволяет эффективно управлять информацией и избегать конфликтов.
Знания на уровне агента независимые.
Пример c PDF для одного агента
from crewai import Agent, Task, Crew
from crewai.knowledge.source.pdf_knowledge_source import PDFKnowledgeSource
pdf_source = PDFKnowledgeSource(
file_paths=["document.pdf", "another.pdf"]
)
specialist_agent = Agent(
role="Technical Specialist",
goal="Provide technical expertise",
backstory="Expert in specialized technical domains",
knowledge_sources=[specialist_knowledge] # Занния для агента
)
task = Task(
description="Answer technical questions",
agent=specialist_agent,
expected_output="Technical answer"
)
crew = Crew(
agents=[specialist_agent],
tasks=[task]
)
result = crew.kickoff()
Файлы нужно положить в директорию
knowledge
в проекте.Пример, knowledge для всего crew
crew = Crew(
agents=[specialist, generalist],
tasks=[...],
knowledge_sources=[crew_knowledge] # Знания для всего crew
)
Настройка векторной базы
По умолчанию используется встраиваемые решения OpenAI ( text-embedding-3-small).
Можно переопределить провайдера.
specialist_agent = Agent(
role="Technical Specialist",
goal="Provide technical expertise",
backstory="Expert in specialized technical domains",
knowledge_sources=[specialist_knowledge],
embedder={"provider": "ollama", "config": {"model": "mxbai-embed-large"}} # Используем ollama
)
#crewai
🔥8👍2
Решаю сейчас одну задачу на CrewAI и нужен агент менеджер.
Для тестов запускаю локально. Но мне нужно, чтобы у менеджера была другая LLM. На одном пк не могу запустить две LLM, не хватит ресурсов.
Взял свой ноутбук, запустил на нем ollama с работой по локальной сети для всех агентов, а на основном пк запустил LLM агента менеджера.
Таким образом распределил ресурсы. Тестирование проходит намного быстрее.
Для тестов запускаю локально. Но мне нужно, чтобы у менеджера была другая LLM. На одном пк не могу запустить две LLM, не хватит ресурсов.
Взял свой ноутбук, запустил на нем ollama с работой по локальной сети для всех агентов, а на основном пк запустил LLM агента менеджера.
Таким образом распределил ресурсы. Тестирование проходит намного быстрее.
👍12
Figma представил Make — новый инструмент, позволяющий преобразовывать макеты дизайна в функциональные прототипы с помощью ИИ. Решение интегрировано в экосистему Figma и предназначено для ускорения процесса разработки.
Основные функции:
▪️ Конвертация существующих дизайнов в рабочие прототипы через текстовые промпты
▪️ Возможность редактирования и доработки результатов ИИ (изменение изображений, отступов, полей)
▪️ Публикация полностью функциональных веб-приложений без написания кода
▪️ Интеграция с Figma Sites для создания и настройки веб-сайтов
▪️ Интеграция с Supabase для бэкенд
Попробовать можно тут
#figma #make #figmamake
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7
This media is not supported in your browser
VIEW IN TELEGRAM
Наткнулся на бота в телеграм с VEO3 для генерации видео с озвучкой. Цены дешевле в 1,5-2 раза чем в других ботах.
Есть бесплатная генерация для новых пользователей.
Ссылка на бота с VEO3
#veo3
Есть бесплатная генерация для новых пользователей.
Ссылка на бота с VEO3
#veo3
1 8
Команда для обсуждения идей на CrewAI
Команда состоит из 4 агентов: критик, прагматик, представитель пользователей, генератор идей (Оптимист).
Пользователь закидывает идею, каждый агент высказывает свое мнение и обсуждают свои мысли. В конце обсуждения, пользователь получит вывод.
Пользователь может дополнительно задавать вопросы команде.
Подготовка
1) Установите crewai по инструкции из документации.
2) Создайте Crew
При установке выберите своего поставщика API и модель, укажите API ключ.
Если вы используете локальную LLM, например ollama, выберите ollama и любую модель. Затем в файле .env укажите нужную вам модель, например:
4) Перейдите в директорию с проектом.
5) Активируйте виртуальное окружение.
Linux\Mac
Windows
6) Установите crewai
#crewai
Команда состоит из 4 агентов: критик, прагматик, представитель пользователей, генератор идей (Оптимист).
Пользователь закидывает идею, каждый агент высказывает свое мнение и обсуждают свои мысли. В конце обсуждения, пользователь получит вывод.
Пользователь может дополнительно задавать вопросы команде.
Подготовка
1) Установите crewai по инструкции из документации.
2) Создайте Crew
crewai create crew team
При установке выберите своего поставщика API и модель, укажите API ключ.
Если вы используете локальную LLM, например ollama, выберите ollama и любую модель. Затем в файле .env укажите нужную вам модель, например:
MODEL=ollama/qwen3:8b
API_BASE=http://localhost:11434
4) Перейдите в директорию с проектом.
5) Активируйте виртуальное окружение.
Linux\Mac
.venv/Scripts/bin
Windows
.venv\Scripts\activate
6) Установите crewai
crewai install
#crewai
🔥7👍3
Пример реализации команды агентов
Файл config/agents.yaml
Файл config/tasks.yaml
#crewai
Файл config/agents.yaml
critic:
role: >
Критик
goal: >
Анализировать идеи критически, выявлять слабые места и потенциальные проблемы
backstory: >
Опытный аналитик с острым умом, который всегда находит недостатки и риски в любых предложениях
pragmatist:
role: >
Прагматик
goal: >
Оценивать практическую реализуемость идей и предлагать конкретные шаги
backstory: >
Практичный специалист, который фокусируется на том, как реально воплотить идеи в жизнь
user_advocate:
role: >
Представитель пользователей
goal: >
Защищать интересы пользователей и оценивать идеи с их точки зрения
backstory: >
Эксперт по пользовательскому опыту, который всегда думает о потребностях и удобстве конечных пользователей
idea_generator:
role: >
Генератор идей (Оптимист)
goal: >
Развивать и улучшать идеи, находить новые возможности и перспективы
backstory: >
Креативный мыслитель-оптимист, который видит потенциал в любой идее и умеет её развить
Файл config/tasks.yaml
discussion_task:
description: >
Проведите коллективное обсуждение идеи: {idea}
ВАЖНО: Это должна быть настоящая дискуссия с диалогом между участниками!
Процесс:
1. Критик высказывает свои опасения
2. Генератор идей отвечает на критику и предлагает решения
3. Прагматик оценивает предложенные решения
4. Представитель пользователей добавляет свою точку зрения
5. Все участники обсуждают спорные моменты
6. Приходят к общему выводу
Каждый участник должен реагировать на мнения других и вести диалог!
Организуйте настоящий диалог, а не просто сбор мнений!
expected_output: >
Всестороннее обсуждение идеи с выводами от каждого агента
agent: idea_generator
human_input: true
#crewai
👍4🔥3
Файл crew.py
Файл main.py
Запустить проект
#crewai
from typing import List
from crewai import Agent, Crew, Process, Task
from crewai.project import CrewBase, agent, crew, task
from crewai.agents.agent_builder.base_agent import BaseAgent
@CrewBase
class Team:
"""Команда для обсуждения идей с разными ролями"""
agents: List[BaseAgent]
tasks: List[Task]
@agent
def critic(self) -> Agent:
return Agent(
config=self.agents_config['critic'],
verbose=True
)
@agent
def pragmatist(self) -> Agent:
return Agent(
config=self.agents_config['pragmatist'],
verbose=True
)
@agent
def user_advocate(self) -> Agent:
return Agent(
config=self.agents_config['user_advocate'],
verbose=True
)
@agent
def idea_generator(self) -> Agent:
return Agent(
config=self.agents_config['idea_generator'],
verbose=True
)
@task
def discussion_task(self) -> Task:
return Task(
config=self.tasks_config['discussion_task']
)
@crew
def crew(self) -> Crew:
return Crew(
agents=self.agents,
tasks=self.tasks,
process=Process.sequential,
verbose=True
)
Файл main.py
import warnings
from team.crew import Team
warnings.filterwarnings("ignore", category=SyntaxWarning, module="pysbd")
def run():
"""Run the crew."""
idea = input("Ваш запрос (например, 'Открыть кофейню'): ")
try:
Team().crew().kickoff(inputs={"idea": idea})
except Exception as e:
raise Exception(f"An error occurred while running the crew: {e}")
Запустить проект
crewai run
#crewai
🔥6👍2
👉 Вступить в клуб
#crewai
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6
Многие пробуют нейросети для работы с текстами или чтобы упростить рутинные задачи. Но результат часто разочаровывает.
С какими трудностями чаще всего сталкиваются:
✖️ модель пишет красиво, но не по делу
✖️ приходится десятки раз переформулировать запрос, а ответ всё равно не подходит
✖️ одно и то же задание даёт разные результаты — непредсказуемость мешает использовать нейросеть в работе
✖️ непонятно, как объяснить задачу модели так, чтобы она сделала именно то, что нужно
✖️ вместо экономии времени получается потеря времени
На самом деле проблема не в самой модели. Нейросеть работает ровно настолько хорошо, насколько точно сформулирован запрос.
Правильно составленный промпт превращает нейросеть в инструмент:
— для написания текстов под конкретные задачи
— для упрощения и автоматизации рутины
— для получения понятных и применимых ответов без “воды”
Я помогаю:
✅ разобрать ваши задачи и составить правильные промпты
✅ объясняю, как работать с LLM так, чтобы они давали предсказуемый результат
✅ обучаю простым приёмам, которые позволяют использовать нейросеть как помощника
Если хотите научиться получать результат, а не случайные ответы, 👉 пишите мне и записывайтесь на консультацию.
👉 @DJWOMS
С какими трудностями чаще всего сталкиваются:
✖️ модель пишет красиво, но не по делу
✖️ приходится десятки раз переформулировать запрос, а ответ всё равно не подходит
✖️ одно и то же задание даёт разные результаты — непредсказуемость мешает использовать нейросеть в работе
✖️ непонятно, как объяснить задачу модели так, чтобы она сделала именно то, что нужно
✖️ вместо экономии времени получается потеря времени
На самом деле проблема не в самой модели. Нейросеть работает ровно настолько хорошо, насколько точно сформулирован запрос.
Правильно составленный промпт превращает нейросеть в инструмент:
— для написания текстов под конкретные задачи
— для упрощения и автоматизации рутины
— для получения понятных и применимых ответов без “воды”
Я помогаю:
Если хотите научиться получать результат, а не случайные ответы, 👉 пишите мне и записывайтесь на консультацию.
👉 @DJWOMS
Please open Telegram to view this post
VIEW IN TELEGRAM
👍6🔥2
Few-Shot Learning в промптах
Few-shot learning — это подход, при котором модель решает задачу, опираясь на несколько примеров (обычно 2–5). В контексте промптов это значит: вы показываете ИИ пары «запрос — ответ», и он учится воспроизводить логику и формат.
Зачем это нужно?
▫️Не нужно дообучать модель
▫️Работает с малым количеством данных
▫️Быстро, дёшево, эффективно
▫️Идеально для медицины, финансов, поддержки и других ниш с редкими данными
Как это работает и структура
Модель анализирует паттерны и применяет их к новому вводу.
Пример:
Ожидаемый ответ:
Где использовать?
✔️ Классификация (настроение, категории)
✔️ Переформулирование текста (разговорный → деловой стиль)
✔️ Извлечение данных (имена, даты, места) и т.д.
Советы:
- Давайте 2–5 релевантных и разнообразных примеров
- Используйте разделитель
- Сохраняйте одинаковый формат ответов
- Указывайте, какой нужен вывод: слово, JSON, список и т.д.
- Тестируйте и итерируйте
#ai #chatgpt
Few-shot learning — это подход, при котором модель решает задачу, опираясь на несколько примеров (обычно 2–5). В контексте промптов это значит: вы показываете ИИ пары «запрос — ответ», и он учится воспроизводить логику и формат.
Зачем это нужно?
▫️Не нужно дообучать модель
▫️Работает с малым количеством данных
▫️Быстро, дёшево, эффективно
▫️Идеально для медицины, финансов, поддержки и других ниш с редкими данными
Как это работает и структура
Пример 1 (запрос + ответ)
Пример 2 (запрос + ответ)
...
---
Новый запрос
Ответ:
Модель анализирует паттерны и применяет их к новому вводу.
Пример:
Отзыв: Еда была вкусной, обслуживание — на высшем уровне!
Эмоция: позитив
Отзыв: Ждал заказ 40 минут, а роллы были тёплыми.
Эмоция: негатив
---
Отзыв: Персонал грубый, музыка слишком громкая.
Эмоция:
Ожидаемый ответ:
негатив
— модель уловила ключевые признаки. Где использовать?
✔️ Классификация (настроение, категории)
✔️ Переформулирование текста (разговорный → деловой стиль)
✔️ Извлечение данных (имена, даты, места) и т.д.
Советы:
- Давайте 2–5 релевантных и разнообразных примеров
- Используйте разделитель
---
- Сохраняйте одинаковый формат ответов
- Указывайте, какой нужен вывод: слово, JSON, список и т.д.
- Тестируйте и итерируйте
#ai #chatgpt
🔥6
Рутина в бизнесе, которую можно отдать агентам
В бизнесе есть много процессов, которые повторяются и отнимают время: обработка заявок, отчёты, поддержка клиентов, подготовка документов.
Часто этим занимаются сотрудники вручную — хотя задачи однотипные и вполне можно поручить их агенту.
Примеры, где агенты уже применяются:
▫️ Поддержка клиентов — агент отвечает на типовые запросы, сортирует тикеты и подготавливает черновики ответов.
▫️ Отчёты и аналитика — сбор данных из разных систем и формирование структурированного отчёта с выводами.
▫️ Документы — извлечение данных из накладных, заполнение шаблонов, проверка корректности.
▫️ Маркетинг — генерация и адаптация текстов для рассылок и соцсетей, подбор заголовков и идей.
▫️ Внутренние процессы — напоминания, планирование задач, контроль сроков.
Разница в том, что агент работает не по жёсткому скрипту, а понимает контекст, может принимать решения и взаимодействовать с другими сервисами.
Для таких задач я использую CrewAI. Это инструмент, который позволяет собирать команду агентов, распределять роли и автоматизировать целые цепочки действий.
Что даёт консультация:
✅ разбор ваших процессов и поиск точек, где выгодно подключить агентов;
✅ рекомендации, как встроить CrewAI в работу;
✅ объяснение, как контролировать агентов и получать стабильный результат.
Если хотите понять, какие задачи в вашем бизнесе можно автоматизировать уже сейчас — 👉 пишите мне и записывайтесь на консультацию.
👉 @DJWOMS
В бизнесе есть много процессов, которые повторяются и отнимают время: обработка заявок, отчёты, поддержка клиентов, подготовка документов.
Часто этим занимаются сотрудники вручную — хотя задачи однотипные и вполне можно поручить их агенту.
Примеры, где агенты уже применяются:
▫️ Поддержка клиентов — агент отвечает на типовые запросы, сортирует тикеты и подготавливает черновики ответов.
▫️ Отчёты и аналитика — сбор данных из разных систем и формирование структурированного отчёта с выводами.
▫️ Документы — извлечение данных из накладных, заполнение шаблонов, проверка корректности.
▫️ Маркетинг — генерация и адаптация текстов для рассылок и соцсетей, подбор заголовков и идей.
▫️ Внутренние процессы — напоминания, планирование задач, контроль сроков.
Разница в том, что агент работает не по жёсткому скрипту, а понимает контекст, может принимать решения и взаимодействовать с другими сервисами.
Для таких задач я использую CrewAI. Это инструмент, который позволяет собирать команду агентов, распределять роли и автоматизировать целые цепочки действий.
Что даёт консультация:
Если хотите понять, какие задачи в вашем бизнесе можно автоматизировать уже сейчас — 👉 пишите мне и записывайтесь на консультацию.
👉 @DJWOMS
Please open Telegram to view this post
VIEW IN TELEGRAM