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：
技术实现
技术实现的关键步骤包括：
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。
