Часть 8. Стратегии выбора: Crews, Flows или их комбинация

В CrewAI ключевым архитектурным решением является выбор между подходами: Crews, Flows или их комбинацией. Документация рекомендует делать выбор на основе оценки сложности (complexity) и точности (precision) вашей задачи.


Что такое complexity и precision
Complexity: отражает структуру задачи, сколько этапов, какие зависимости между ними, нужны ли ветвления, циклы, условная логика.

Precision: показывает, насколько результат должен быть аккуратным, форматированным, воспроизводимым, с низким уровнем ошибок.

Комбинация этих показателей позволяет визуально спроектировать архитектуру с помощью матрицы "complexity vs precision".

📍 Четыре сценария и рекомендуемые стратегии и матрица использования CrewAI

🔹 Низкая сложность, низкая точность
Применяется в простых задачах, например, генерация идей, креативный текст. Ошибки не критичны.
Рекомендуется: простые Crews с минимальным набором агентов.

🔹 Низкая сложность, высокая точность
Требуется строго структурированный вывод (JSON, XML), повторяемость результатов, минимальный разброс.
Рекомендуется: Flows с прямыми вызовами LLM или простые Crews с обязательной структурированной валидацией.

🔹 Высокая сложность, низкая точность
Много этапов, несколько агентов, задач достаточно для сотрудничества. Качество может быть менее строго.
Рекомендуется: Crews с распределением ролей, исследователь, писатель, критик и пр.

🔹 Высокая сложность, высокая точность
Сложные пайплайны с жёсткими требованиями, регламентированными форматами, проверками ошибок.
Рекомендуется: Flows, которые оркестрируют работу нескольких Crews, с явной логикой ветвлений и валидаторами.

Как выбрать подходящую стратегию
Оцените complexity, сколько шагов? Есть ли ветвления? Нужна условная логика?

Оцените precision, насколько важна точность вывода? Нужна структура или вариативность?

Спроецируйте результаты на матрицу:
🔸 Low‑Low → Crew
🔸 Low‑High → проста Flow или сложные Crews
🔸 High‑Low → мультиагентные Crews
🔸 High‑High → Flows + Crews

Учитывайте дополнительные факторы: время разработки, масштабируемость, опыт команды и интеграционные требования.

#crewai

Практическая структура оценки при выборе стратегии в CrewAI

Чтобы определить правильный подход для вашего конкретного случая, следуйте этой пошаговой схеме оценки.
​
Шаг 1: Оцените сложность
Оцените сложность вашего приложения по шкале от 1 до 10, приняв во внимание:

1) Сколько различных операций (шагов) требуется?
- 1-3 шага: Низкая сложность (1-3)
- 4-7 шагов: Средняя сложность (4-7)
- 8+ шагов: Высокая сложность (8-10)

2) Насколько взаимосвязаны различные части?
- Мало зависимостей: низкая сложность (1-3)
- Некоторые зависимости: Средняя сложность (4-7)
- Множество сложных зависимостей: Высокая сложность (8-10)

3) Условная логика: сколько ветвлений и принятия решений необходимо?
- Линейный процесс: низкая сложность (1-3)
- Некоторое ветвление: Средняя сложность (4-7)
- Сложные деревья решений: Высокая сложность (8-10)

4) Знание предметной области: насколько специализированы требуемые знания?
- Общие знания: Низкая сложность (1-3)
- Некоторые специальные знания: Средняя сложность (4-7)
- Глубокие познания в различных областях: Высокая сложность (8-10)

Рассчитайте свой средний балл, чтобы определить общую сложность.
​
Шаг 2: Оценка требований к точности
Оцените ваши требования к точности по шкале от 1 до 10, приняв во внимание:

1) Насколько структурированным должен быть выходной сигнал?
- Текст свободной формы: низкая точность (1-3)
- Полуструктурированный: Средняя точность (4-7)
- Строго отформатировано (JSON, XML): Высокая точность (8-10)

2) Насколько важна фактическая точность?
- Творческий контент: Низкая точность (1-3)
- Информативность: Средняя точность (4-7)
- Критическая информация: Высокая точность (8-10)

3) Воспроизводимость: насколько последовательными должны быть результаты при разных запусках?
- Допустимое отклонение: низкая точность (1-3)
- Необходима некоторая последовательность: средняя точность (4-7)
- Требуется точная воспроизводимость: высокая точность (8-10)

4) Устойчивость к ошибкам: каково влияние ошибок?
- Низкое воздействие: Низкая точность (1-3)
- Умеренное воздействие: средняя точность (4-7)
- Высокая ударопрочность: высокая точность (8-10)

Рассчитайте средний балл, чтобы определить общие требования к точности.
​
Шаг 3: Сопоставьте с матрицей
Отобразите оценки сложности и точности на матрице:
▫️ Низкая сложность (1-4), низкая точность (1-4): простые crew
▫️ Низкая сложность (1–4), высокая точность (5–10): flow с прямыми вызовами LLM
▫️ Высокая сложность (5-10), низкая точность (1-4): сложные crew
▫️ Высокая сложность (5-10), высокая точность (5-10): flow, организующие crew
​
Шаг 4: Рассмотрите дополнительные факторы
Помимо сложности и точности, примите во внимание:

1) Время разработки: команды часто быстрее создают прототипы.

2) Потребности в обслуживании: Потоки обеспечивают лучшую долгосрочную ремонтопригодность.

3) Опыт команды: примите во внимание знакомство вашей команды с различными подходами.

4) Требования к масштабируемости: потоки обычно лучше масштабируются для сложных приложений.

5) Потребности интеграции: продумайте, как решение будет интегрироваться с существующими системами.


Помните, что оптимальный подход часто меняется по мере развития вашего приложения. Начните с самого простого решения, отвечающего вашим потребностям, и будьте готовы совершенствовать архитектуру по мере накопления опыта и прояснения требований.

Источник

#crewai

Недавно решал одну задачу на CrewAI для стримера.

Суть задачи
Нужно собирать новости компьютерных игр на текущую дату. Формировать пост для телеграм и отправлять боту в ТГ. Посты всегда должны быть одного формата.
Нужны были не просто новости, а новые игры, dlc, патчи, обновления и только на платформу PC.

Так же одним из требований было, минимальные затраты на использование. Т.е. дешёвый сервер и дешёвый API LLM. Если с сервером проблем нет, то вот с LLM как бы есть.

Агентская система
В проекте два агента. Один ищет новости, фильтрует и сортирует их по заданным требованиям. Даёт краткое описание по заданной структуре.

Второй агент, на основе этих данных формирует пост для телеграм + хештеги.
После завершения задач, скрипт отправляет пост боту в ТГ.

Проблемы с которыми столкнулся
Иногда второй агент выдавал новости которых нет. Первым шагом скорректировал промпт, чтобы он основывался только на данных которые ему были переданы.

Вторая проблема, он выдавал часть новостей, которым пара лет. Эта проблема была решена с помощью доработки промпта и введением агента менеджера.

Использовать API хороших LLM нет возможности.
Было принято решение в бета версии использовать локальную LLM. По результатам тестов остановился на qwen3:8b. Выдает достойный результат и подходит под ресурсы ПК.

На результат работы можно посмотреть в Телеграм канале стримера.


#crewai

OpenAI представила GPT-OSS, новую открытую серию языковых моделей

Компания OpenAI официально анонсировала серию открытых языковых моделей под названием GPT-OSS (GPT Open-Source Series).

Модель представлена в двух вариантах: gpt-oss-20b и gpt-oss-120b, которые разработаны специально для задач рассуждения и агентских функций.

Особенностью GPT-OSS является лицензия Apache 2.0, что позволяет свободно использовать, модифицировать и распространять модель в коммерческих целях. Модели обучаются с использованием передовых методов предварительного и пост-обучения с особым акцентом на рассуждения и логические задачи.

Одно из преимуществ GPT-OSS это возможность запуска на обычном ноутбуке, но нужно 18-32 Гб ОЗУ.


Источник

#openai #gpt #gptoss

🚀 ChatGPT‑5

OpenAI анонсировала официальную презентацию GPT‑5 сегодня, в формате прямой трансляции в 20:00 по МСК. Логотип «LIVE5TREAM» намекает на запуск модели.

Предполагаемый релиз — в течение августа 2025, возможно, в середине или конце месяца.

Уже во внутренних тестах GPT‑5 продемонстрировала усилившиеся способности к решению задач (особенно в кодировании и логике), но прирост не такой впечатляющий, как при переходе от GPT‑3 к GPT‑4.

Что ожидаем от GPT‑5
Улучшенное рассуждение и агинские возможности: способность выполнять задачи без подробных инструкций, действуя как самостоятельный агент.

Поддержка мультимодальности: входы и выходы в текст, изображение, аудио, возможно и видео.

Источник

#chatgpt5

Описание, хештеги и таймкоды для видео на YouTube

На днях решал задачу, чтобы LLM делала описание, хештеги и таймкоды для видео на YouTube.
На первый взгляд задача не сложная. Но столкнулся с рядом проблем.

В CrewAI есть инструмент YoutubeVideoSearchTool предназначенный для семантического поиска в видео YouTube с использованием RAG. Но вот беда, этот инструмент выдает 400 ошибку и не работает. Проблема в том, что он основан на библиотеке pytube, которая давно не обновлялась. Установка либы pytubefix не дало результата.

Попробовал для видео использовать RagTool, но столкнулся с той же проблемой.

Решил написать не большой скрипт, для получения транскрипта видео с помощью библиотеки youtube_transcript_api. Заработало.

Как работает
При запуске crew спрашиваю url видео. В url нахожу id видео.
Если еще не получали транскрипт видео, то получаю транскрипт и записываю в файл. Запускается crew для анализа и составления описания, хештегов и таймкодов.

Если из этого видео уже получали транскрипт, то просто достаем информацию из файла или перезаписываем, на выбор пользователя.

В самом crew используется один агент с одной задачей.

Код демо версии можно посмотреть у меня в клубе по нейросетям.

#crewai

В этом посте 👆 рассказывал как сделал сбор новостей компьютерных игр.

Вчера у меня появилась задача сделать сбор и рисерч новостей в нужную тематику.

Сначала было предложение сделать поиск с помощью SerperDevTool. Но он находил новости в которых мельком упоминалась нужная тема и эти новости были не валидны.
С уточнённым промптом начали отсеивать не нужные новости и сайты (газеты и телеканалы). Но поиск увеличился во времени.

После небольшого обсуждения, оказалось, что можно искать новости на определенном сайте.

Для этого в CrewAI есть инструмент ScrapeWebsiteTool. Этот инструмент, предназначенный для извлечения и чтения содержимого сайта. Он способен обрабатывать различные типы веб-страниц, выполняя HTTP запросы и анализируя полученный HTML.

Проблемы с которыми столкнулся
А их не было. В этот раз всё нормально отработало. Главное правильно сделанные промпты.

Агентская система
В проекте 3 агента. Рисерчер ищет новости в нужной тематике. Писатель, который на основе найденных данных пишет статью в нужном формате. И редактор, который проверяет работу писателя.
После статья публикуется на сайте как черновик.

В планах еще добавить шаг валидации человеком. Перед тем как отправлять статью, нужно получить от человека одобрение или отправить на доработку.

Для этой задачи взял Gemini Flash 2.

#crewai

Сделал пример проекта на CrewAI для поиска и написание новостей в IT тематику.

Код демо проекта выложил у себя в клубе по нейросетям. Подписывайтесь на клуб, забирайте код.

Что в проекте есть
Три агента, рисерчер ищет новости в IT тематике. Писатель, который на основе найденных данных пишет статью в нужном формате. И редактор, который проверяет работу писателя.

Новости ищут на определенных сайтах, с легкостью можно заменить инструмент и искать в гугл.
Вы можете изменить тематику новостей, и получить готовых агентов.

Агенты проверены на Gemini Flash 2 и Qwen3 8b.

#crewai

Как настроить переменные окружения .env для локальной работы с ollama в 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

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

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

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.

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