1. 案例目标

本案例展示了如何将CrewAI多智能体框架与LlamaIndex的RAG(检索增强生成)管道集成，创建能够协同工作的智能体团队。主要目标包括：

• 演示CrewAI与LlamaIndex的基本集成方法
• 展示如何使用LlamaIndex工具作为CrewAI智能体的查询接口
• 构建一个基于Uber 10K报告的金融分析师智能体团队
• 实现多智能体协作完成复杂任务的工作流程

2. 技术栈与核心依赖

核心依赖库

• crewai- 多智能体协作框架，用于创建和管理智能体团队
• llama-index- RAG框架，用于构建检索增强生成系统
• llama-index-llms-openai- LlamaIndex的OpenAI语言模型集成
• openai- OpenAI API客户端
• langchain-openai- LangChain的OpenAI集成，用于CrewAI工具
• wget- 用于下载文件

3. 环境配置

安装依赖

!pip install llama-index crewai llama-index-llms-openai openai langchain-openai

API密钥设置

import os os.environ["OPENAI_API_KEY"] = "sk-..."

4. 案例实现

4.1 基础CrewAI与LlamaIndex集成

首先，案例展示了基础的集成方法，创建一个简单的数学教师智能体团队：

导入必要的库

from crewai import Agent, Task, Crew from llama_index.core import SimpleDirectoryReader, VectorStoreIndex, Document from llama_index.llms.openai import OpenAI from llama_index.core.tools import LlamaIndexTool

创建测试文档和索引

# 创建一个简单的数学文档 document = Document(text=""" 数学公式和计算示例： 1. 加法：(25 + 13) * 2 = 76 2. 减法：100 / (5 + 3) = 12.5 3. 乘法：(45 - 15) * 3 = 90 4. 除法：75 / (5 * 3) = 5 """) # 创建向量索引 llm = OpenAI(model="gpt-4o") index = VectorStoreIndex.from_documents([document]) query_engine = index.as_query_engine(llm=llm)

创建LlamaIndex工具

# 创建查询工具 query_tool = LlamaIndexTool.from_query_engine( query_engine, name="Math Query Tool", description="Use this tool to answer math questions", )

创建智能体和任务

# 创建教师智能体 teacher = Agent( role="数学教师", goal="帮助学生理解数学概念和解决问题", backstory="""你是一位经验丰富的数学教师，擅长解释复杂的数学概念， 并帮助学生解决各种数学问题。""", verbose=True, allow_delegation=False, tools=[query_tool], ) # 创建任务 task = Task( description="""创建一个包含10道数学选择题的测试， 每道题有4个选项，并标明正确答案。""", expected_output="完整的数学测试，包含题目、选项和正确答案", agent=teacher, ) # 创建团队 crew = Crew( agents=[teacher], tasks=[task], verbose=2, )

执行结果

执行团队任务后，智能体生成了包含10道数学选择题的完整测试，每道题都有4个选项和正确答案。这展示了CrewAI智能体如何使用LlamaIndex工具来获取信息并完成任务。

4.2 金融分析师智能体团队

接下来，案例展示了一个更复杂的应用：创建一个基于Uber 10K报告的金融分析师团队：

下载和加载Uber 10K报告

# 下载Uber 10K报告 !wget "https://s23.q4cdn.com/407969754/files/doc_financials/2019/ar/Uber-Technologies-Inc-2019-Annual-Report.pdf" -O uber_10k.pdf # 加载文档 from llama_index.core import SimpleDirectoryReader, VectorStoreIndex from llama_index.llms.openai import OpenAI reader = SimpleDirectoryReader(input_files=["uber_10k.pdf"]) docs = reader.load_data()

创建RAG查询引擎

# 创建索引和查询引擎 llm = OpenAI(model="gpt-4o") index = VectorStoreIndex.from_documents(docs) query_engine = index.as_query_engine(similarity_top_k=5, llm=llm)

创建金融分析师工具

# 创建查询工具 query_tool = LlamaIndexTool.from_query_engine( query_engine, name="Uber 2019 10K Query Tool", description="Use this tool to lookup the 2019 Uber 10K Annual Report", )

创建智能体团队

# 定义智能体 researcher = Agent( role="高级金融分析师", goal="揭示不同科技公司的洞察", backstory="""你在一家资产管理公司工作。 你的目标是理解像Uber这样的科技股票。""", verbose=True, allow_delegation=False, tools=[query_tool], ) writer = Agent( role="技术内容策略师", goal="撰写关于技术进步的引人入胜的内容", backstory="""你是一位著名的内容策略师，以富有洞察力和吸引力的文章而闻名。 你将复杂的概念转化为引人入胜的叙述。""", verbose=True, allow_delegation=False, ) # 创建任务 task1 = Task( description="""对Uber 2019年的风险因素进行全面分析。""", expected_output="完整的分析报告，以要点形式呈现", agent=researcher, ) task2 = Task( description="""利用提供的洞察，撰写一篇引人入胜的博客文章， 突出Uber面临的阻力。你的文章应该信息丰富且易于理解， 面向普通受众。让它听起来很酷，避免复杂的词汇。""", expected_output="至少4段的完整博客文章", agent=writer, ) # 创建团队 crew = Crew( agents=[researcher, writer], tasks=[task1, task2], verbose=2, )

执行结果

执行团队任务后，研究分析师智能体首先使用LlamaIndex工具查询Uber 10K报告中的风险因素，然后内容策略师智能体基于这些洞察撰写了一篇关于Uber面临阻力的博客文章。这展示了多智能体协作如何完成复杂的分析和内容创作任务。

5. 案例效果

实现效果

• 成功将CrewAI多智能体框架与LlamaIndex RAG管道集成
• 创建了能够使用LlamaIndex工具进行信息检索的智能体
• 实现了多智能体协作完成复杂任务的工作流程
• 智能体能够基于检索到的信息生成高质量的分析和内容
• 展示了从简单数学教师到复杂金融分析师团队的多种应用场景

关键输出

金融分析师智能体团队的关键输出包括：

• 对Uber 2019年风险因素的全面分析，包括数据安全漏洞、用户保留挑战、新产品投资需求等
• 基于分析结果撰写的博客文章，以通俗易懂的方式解释了Uber面临的挑战
• 智能体之间的有效协作，研究分析师提供洞察，内容策略师将其转化为引人入胜的内容

6. 案例实现思路

核心思路

本案例的实现基于以下核心思路：

1. 工具集成：使用LlamaIndexTool将LlamaIndex查询引擎转换为CrewAI可用的工具
2. 智能体设计：为每个智能体定义明确的角色、目标和背景故事
3. 任务分配：将复杂任务分解为多个子任务，分配给不同的智能体
4. 工作流程：设计智能体之间的协作流程，确保信息有效传递
5. RAG增强：利用检索增强生成技术，使智能体能够访问和利用外部知识

技术实现

技术实现的关键步骤包括：

1. 使用VectorStoreIndex创建文档的向量索引
2. 通过LlamaIndexTool将查询引擎转换为CrewAI工具
3. 定义具有特定角色和工具的Agent对象
4. 创建具有明确描述和预期输出的Task对象
5. 将智能体和任务组合成Crew对象并执行

7. 扩展建议

功能扩展

• 多智能体协作模式：探索不同的协作模式，如并行处理、竞争式处理等
• 自定义工具：开发更多自定义LlamaIndex工具，扩展智能体的能力
• 多模态支持：集成多模态处理能力，使智能体能够处理图像、音频等
• 实时数据更新：实现实时数据更新机制，使智能体能够获取最新信息
• 性能优化：优化检索和生成过程，提高响应速度和质量

应用场景扩展

• 客户服务：创建多智能体客户服务团队，处理不同类型的客户查询
• 研究分析：构建研究团队，自动收集、分析和报告特定领域的信息
• 内容创作：开发内容创作团队，自动生成各类文章、报告和营销材料
• 教育培训：创建教育团队，提供个性化的学习体验和辅导
• 决策支持：构建决策支持团队，为复杂决策提供多角度分析和建议

8. 总结

本案例成功展示了CrewAI与LlamaIndex的集成方法，通过将LlamaIndex的RAG能力与CrewAI的多智能体协作框架结合，创建了一个强大的智能体团队。案例从简单的数学教师示例开始，逐步扩展到复杂的金融分析师团队，展示了这种集成方法的灵活性和实用性。

通过这种集成，智能体能够访问和利用外部知识库，大大扩展了其能力和应用范围。多智能体协作机制使得复杂任务可以被分解为多个子任务，由不同专长的智能体协同完成，提高了任务完成的效率和质量。

这种方法在金融分析、内容创作、客户服务、研究分析等多个领域都有广泛的应用前景，为构建更智能、更强大的AI系统提供了有效的解决方案。