crewAI

主页·文档·开始云试验·博客·论坛

快速，灵活的多代理自动化框架

crewAI是一个完全从头开始建造的精益，闪电般的Python框架，完全独立于Langchain或其他代理框架。它使开发人员具有高级简单性和精确的低级控制权，非常适合创建适合任何情况下量身定制的自主AI代理。

• crewAI Crews ：为自主和协作情报进行优化。
• crewAI流动：启用颗粒状，事件驱动的控制，单个LLM要求精确任务编排，并在本地支持机组人员

通过我们的学习社区课程获得了100,000多个开发人员的认证。 crewAI .com， crewAI迅速成为企业就绪AI自动化的标准。

crewAI Enterprise Suite

crewAI Enterprise Suite是针对需要安全，可扩展且易于管理的代理驱动自动化的组织量身定制的综合捆绑包。

您可以免费尝试套件的一部分套件

船员控制平面密钥特征：

• 跟踪和可观察性：实时监视和跟踪您的AI代理和工作流程，包括指标，日志和痕迹。
• 统一控制平面：用于管理，监视和扩展AI代理和工作流程的集中式平台。
• 无缝集成：轻松与现有的企业系统，数据源和云基础架构连接。
• 高级安全：内置的强大安全性和合规性措施确保安全部署和管理。
• 可行的见解：实时分析和报告，以优化绩效和决策。
• 24/7支持：专门的企业支持，以确保不间断的操作和快速解决问题。
• 本地和云部署选项：根据您的安全性和合规性要求，部署crewAI Enterprise oneprise onerprise notprise nipemise或云中。

crewAI Enterprise是为企业设计的，该企业寻求强大，可靠的解决方案，以将复杂的业务流程转变为有效，智能自动化。

目录

• 为什么要crewAI ？
• 入门
• 关键功能
• 了解流动和船员
• crewAI vs Langgraph
• 例子
  • 快速教程
  • 写作业描述
  • 旅行计划者
  • 库存分析
  • 一起使用船员和流动
• 将您的船员连接到模型
• crewAI如何比较
• 常见问题（常见问题解答）
• 贡献
• 遥测
• 执照

为什么要crewAI ？

crewAI释放了多代理自动化的真正潜力，与AI代理的机组人员或事件的机组人员一起提供了速度，灵活性和控制的最佳组合：

• 独立框架：从头开始建造，独立于兰班或任何其他代理框架。
• 高性能：针对速度和最小资源使用量进行了优化，从而更快地执行。
• 灵活的低级别自定义：完全自由自定义高水平和低级别 – 从整体工作流程和系统体系结构到颗粒剂的行为，内部提示和执行逻辑。
• 适用于每种用例的理想选择：对简单任务和高度复杂的现实，现实，企业级场景有效。
• 强大的社区：在一个迅速发展的社区的支持下，由超过100,000多个提供全面支持和资源的认证开发人员。

crewAI使开发人员和企业充满信心，自信地建立智能自动化，弥合简单，灵活性和性能之间的差距。

入门

通过遵循本教程，设置并运行您的第一个crewAI代理商。

学习资源

通过我们的全面课程学习crewAI ：

• crewAI的多AI代理系统 – 掌握多代理系统的基础知识
• 实用的多AI代理和高级用例 – 深入研究高级实施

了解流动和船员

crewAI提供了两种功能强大的互补方法，它们无缝地共同起作用，以构建复杂的AI应用程序：

1. 机组人员：具有真正的自治和代理机构的AI代理团队，共同通过基于角色的协作来完成复杂的任务。机组人员启用：

   • 代理商之间的自然自主决策
   • 动态任务委派与协作
   • 具有定义目标和专业知识的专业角色
   • 灵活的解决问题的方法

2. 流量：准备生产的事件驱动的工作流，可提供对复杂自动化的精确控制。流提供：

   • 对现实世界情景的执行路径的细粒度控制
   • 任务之间的安全，一致的状态管理
   • 清洁AI代理与生产Python代码的整合
   • 复杂业务逻辑的有条件分支

组合机组人员和流动时， crewAI的真正力量会出现。这种协同作用使您可以：

• 建立复杂的生产级应用
• 平衡自主权和精确控制
• 处理复杂的现实世界情景
• 保持干净，可维护的代码结构

开始安装

要开始使用crewAI ，请按照以下简单步骤：

1。安装

确保系统上安装了Python> = 3.10 <3.14。 crewAI使用紫外线进行依赖性管理和软件包处理，提供无缝的设置和执行体验。

首先，安装crewAI ：

pip install crewAI

如果您想安装“ crewAI ”软件包及其可选功能，其中包括其他代理工具，则可以使用以下命令来完成：

pip install \' crewAI [tools] \'

上面的命令安装了基本软件包，还添加了需要更多依赖性功能的额外组件。

故障排除依赖性

如果您在安装或使用过程中遇到问题，这里有一些常见的解决方案：

常见问题

1. ModulenotFoundError：没有名为“ Tiktoken”的模块

   • 明确安装tiktoken：pip安装' crewAI [嵌入]'
   • 如果使用嵌入式链或其他工具：PIP安装' crewAI [工具]'

2. tiktoken的建筑轮失败

   • 确保安装生锈编译器（请参阅上面的安装步骤）
   • 用于Windows：验证Visual C ++构建工具已安装
   • 尝试升级PIP：PIP安装 – 升级PIP
   • 如果问题持续存在，请使用预构建的轮子：PIP安装Tiktoken-抢劫二进制

2.用yaml配置设置船员

要创建一个新的crewAI项目，请运行以下CLI（命令行接口）命令：

 crewAI create crew < project_name >

该命令创建一个具有以下结构的新项目文件夹：

my_project/
├── .gitignore
├── pyproject.toml
├── README.md
├── .env
└── src/
    └── my_project/
        ├── __init__.py
        ├── main.py
        ├── crew.py
        ├── tools/
        │   ├── custom_tool.py
        │   └── __init__.py
        └── config/
            ├── agents.yaml
            └── tasks.yaml

现在，您可以通过在SRC/MY_Project文件夹中编辑文件来开始开发工作人员。 main.py文件是项目的输入点，crew.py文件是您定义乘员的地方，ader.yaml文件是您定义代理的地方，而任务。yaml文件是您定义任务的地方。

要自定义您的项目，您可以：

• 修改src/my_project/config/Agents.yaml定义您的代理。
• 修改src/my_project/config/tasks.yaml以定义您的任务。
• 修改src/my_project/crew.py以添加您自己的逻辑，工具和特定参数。
• 修改src/my_project/main.py，以添加代理和任务的自定义输入。
• 将您的环境变量添加到.env文件中。

具有连续过程的简单乘员的示例：

实例化您的工作人员：

 crewAI create crew latest-ai-development

根据需要修改文件以适合您的用例：

代理商

 # src/my_project/config/agents.yaml
researcher :
  role : >
    {topic} Senior Data Researcher
  goal : >
    Uncover cutting-edge developments in {topic}
  backstory : >
    You\'re a seasoned researcher with a knack for uncovering the latest
    developments in {topic}. Known for your ability to find the most relevant
    information and present it in a clear and concise manner.

reporting_analyst :
  role : >
    {topic} Reporting Analyst
  goal : >
    Create detailed reports based on {topic} data analysis and research findings
  backstory : >
    You\'re a meticulous analyst with a keen eye for detail. You\'re known for
    your ability to turn complex data into clear and concise reports, making
    it easy for others to understand and act on the information you provide.

tasks.yaml

 # src/my_project/config/tasks.yaml
research_task :
  description : >
    Conduct a thorough research about {topic}
    Make sure you find any interesting and relevant information given
    the current year is 2025.
  expected_output : >
    A list with 10 bullet points of the most relevant information about {topic}
  agent : researcher

reporting_task :
  description : >
    Review the context you got and expand each topic into a full section for a report.
    Make sure the report is detailed and contains any and all relevant information.
  expected_output : >
    A fully fledge reports with the mains topics, each with a full section of information.
    Formatted as markdown without \'```\'
  agent : reporting_analyst
  output_file : report.md

船员

crewAI import Agent, Crew, Process, Task
from crewAI .project import CrewBase, agent, crew, task
from crewAI _tools import SerperDevTool
from crewAI .agents.agent_builder.base_agent import BaseAgent
from typing import List

@CrewBase
class LatestAiDevelopmentCrew():
"""LatestAiDevelopment crew"""
agents: List[BaseAgent]
tasks: List[Task]

@agent
def researcher(self) -> Agent:
return Agent(
config=self.agents_config[\’researcher\’],
verbose=True,
tools=[SerperDevTool()]
)

@agent
def reporting_analyst(self) -> Agent:
return Agent(
config=self.agents_config[\’reporting_analyst\’],
verbose=True
)

@task
def research_task(self) -> Task:
return Task(
config=self.tasks_config[\’research_task\’],
)

@task
def reporting_task(self) -> Task:
return Task(
config=self.tasks_config[\’reporting_task\’],
output_file=\’report.md\’
)

@crew
def crew(self) -> Crew:
"""Creates the LatestAiDevelopment crew"""
return Crew(
agents=self.agents, # Automatically created by the @agent decorator
tasks=self.tasks, # Automatically created by the @task decorator
process=Process.sequential,
verbose=True,
)\”>

 # src/my_project/crew.py
from crewAI import Agent , Crew , Process , Task
from crewAI . project import CrewBase , agent , crew , task
from crewAI _tools import SerperDevTool
from crewAI . agents . agent_builder . base_agent import BaseAgent
from typing import List

@ CrewBase
class LatestAiDevelopmentCrew ():
	\"\"\"LatestAiDevelopment crew\"\"\"
	agents : List [ BaseAgent ]
	tasks : List [ Task ]

	@ agent
	def researcher ( self ) -> Agent :
		return Agent (
			config = self . agents_config [ \'researcher\' ],
			verbose = True ,
			tools = [ SerperDevTool ()]
		)

	@ agent
	def reporting_analyst ( self ) -> Agent :
		return Agent (
			config = self . agents_config [ \'reporting_analyst\' ],
			verbose = True
		)

	@ task
	def research_task ( self ) -> Task :
		return Task (
			config = self . tasks_config [ \'research_task\' ],
		)

	@ task
	def reporting_task ( self ) -> Task :
		return Task (
			config = self . tasks_config [ \'reporting_task\' ],
			output_file = \'report.md\'
		)

	@ crew
	def crew ( self ) -> Crew :
		\"\"\"Creates the LatestAiDevelopment crew\"\"\"
		return Crew (
			agents = self . agents , # Automatically created by the @agent decorator
			tasks = self . tasks , # Automatically created by the @task decorator
			process = Process . sequential ,
			verbose = True ,
		)

main.py

 #!/usr/bin/env python
# src/my_project/main.py
import sys
from latest_ai_development . crew import LatestAiDevelopmentCrew

def run ():
    \"\"\"
    Run the crew.
    \"\"\"
    inputs = {
        \'topic\' : \'AI Agents\'
    }
    LatestAiDevelopmentCrew (). crew (). kickoff ( inputs = inputs )

3。运行船员

在运行机组人员之前，请确保您将以下键设置为.env文件中的环境变量：

• OpenAI API键（或其他LLM API键）：OpenAI_API_KEY = SK -…。
• serper.dev api键：ersper_api_key = your_key_here

锁定依赖项并使用CLI命令安装它们，但首先，导航到您的项目目录：

 cd my_project
crewAI install (Optional)

要运行您的工作人员，请在项目的根部执行以下命令：

 crewAI run

或者

python src/my_project/main.py

如果由于诗歌的使用而发生错误，请运行以下命令以更新您的crewAI软件包：

 crewAI update

您应该通过完整的最终报告在项目的根部中查看控制台中的输出。md文件。

除了顺序过程外，您还可以使用层次结构过程，该过程将自动分配经理到定义的机组人员，以通过授权和验证结果正确地协调任务的计划和执行。在此处查看有关过程的更多信息。

关键功能

crewAI独立，独立的，高性能的多AG代理框架，提供简单性，灵活性和精确控制，这是从其他代理框架中发现的复杂性和限制中的。

• 独立和精益：完全独立于Langchain等其他框架，提供更快的执行和较轻的资源需求。
• 灵活而精确：通过直观的船员或精确的流动轻松协调自主代理，可满足您的需求。
• 无缝集成：毫不费力地结合了船员（自主权）和流动（精度），以创建复杂的现实世界自动化。
• 深度定制：从高级工作流到低级内部提示和代理行为。
• 可靠的性能：跨简单任务和复杂的企业级自动化的一致结果。
• 蓬勃发展的社区：以强大的文件和100,000多个认证开发人员的支持，提供了卓越的支持和指导。

选择crewAI轻松构建强大，适应性和生产的AI自动化。

例子

您可以测试crewAI -examples Repo中AI Crews的不同现实生活例子：

• 着陆页生成器
• 对执行有人类的意见
• 旅行计划者
• 库存分析

快速教程

写作业描述

查看此示例的代码或观看以下视频：

旅行计划者

查看此示例的代码或观看以下视频：

库存分析

查看此示例的代码或观看以下视频：

一起使用船员和流动

当将船员与流量相结合以创建复杂的自动化管道时， crewAI的力量确实会发光。 crewAI流支持逻辑运算符，例如OR_和_和_结合多种条件。这可以与@start，@listen或@Router装饰器一起使用，以创建复杂的触发条件。

• OR_：触发任何指定条件时。
• 当满足所有指定条件时，_triggers。

这是您可以在流程中安排多个工作人员的方式：

crewAI.flow.flow import Flow, listen, start, router, or_
from crewAI import Crew, Agent, Task, Process
from pydantic import BaseModel

# Define structured state for precise control
class MarketState(BaseModel):
sentiment: str = "neutral"
confidence: float = 0.0
recommendations: list = []

class AdvancedAnalysisFlow(Flow[MarketState]):
@start()
def fetch_market_data(self):
# Demonstrate low-level control with structured state
self.state.sentiment = "analyzing"
return {"sector": "tech", "timeframe": "1W"} # These parameters match the task description template

@listen(fetch_market_data)
def analyze_with_crew(self, market_data):
# Show crew agency through specialized roles
analyst = Agent(
role="Senior Market Analyst",
goal="Conduct deep market analysis with expert insight",
backstory="You\’re a veteran analyst known for identifying subtle market patterns"
)
researcher = Agent(
role="Data Researcher",
goal="Gather and validate supporting market data",
backstory="You excel at finding and correlating multiple data sources"
)

analysis_task = Task(
description="Analyze {sector} sector data for the past {timeframe}",
expected_output="Detailed market analysis with confidence score",
agent=analyst
)
research_task = Task(
description="Find supporting data to validate the analysis",
expected_output="Corroborating evidence and potential contradictions",
agent=researcher
)

# Demonstrate crew autonomy
analysis_crew = Crew(
agents=[analyst, researcher],
tasks=[analysis_task, research_task],
process=Process.sequential,
verbose=True
)
return analysis_crew.kickoff(inputs=market_data) # Pass market_data as named inputs

@router(analyze_with_crew)
def determine_next_steps(self):
# Show flow control with conditional routing
if self.state.confidence > 0.8:
return "high_confidence"
elif self.state.confidence > 0.5:
return "medium_confidence"
return "low_confidence"

@listen("high_confidence")
def execute_strategy(self):
# Demonstrate complex decision making
strategy_crew = Crew(
agents=[
Agent(role="Strategy Expert",
goal="Develop optimal market strategy")
],
tasks=[
Task(description="Create detailed strategy based on analysis",
expected_output="Step-by-step action plan")
]
)
return strategy_crew.kickoff()

@listen(or_("medium_confidence", "low_confidence"))
def request_additional_analysis(self):
self.state.recommendations.append("Gather more data")
return "Additional analysis required"\”>

 from crewAI . flow . flow import Flow , listen , start , router , or_
from crewAI import Crew , Agent , Task , Process
from pydantic import BaseModel

# Define structured state for precise control
class MarketState ( BaseModel ):
    sentiment : str = \"neutral\"
    confidence : float = 0.0
    recommendations : list = []

class AdvancedAnalysisFlow ( Flow [ MarketState ]):
    @ start ()
    def fetch_market_data ( self ):
        # Demonstrate low-level control with structured state
        self . state . sentiment = \"analyzing\"
        return { \"sector\" : \"tech\" , \"timeframe\" : \"1W\" }  # These parameters match the task description template

    @ listen ( fetch_market_data )
    def analyze_with_crew ( self , market_data ):
        # Show crew agency through specialized roles
        analyst = Agent (
            role = \"Senior Market Analyst\" ,
            goal = \"Conduct deep market analysis with expert insight\" ,
            backstory = \"You\'re a veteran analyst known for identifying subtle market patterns\"
        )
        researcher = Agent (
            role = \"Data Researcher\" ,
            goal = \"Gather and validate supporting market data\" ,
            backstory = \"You excel at finding and correlating multiple data sources\"
        )

        analysis_task = Task (
            description = \"Analyze {sector} sector data for the past {timeframe}\" ,
            expected_output = \"Detailed market analysis with confidence score\" ,
            agent = analyst
        )
        research_task = Task (
            description = \"Find supporting data to validate the analysis\" ,
            expected_output = \"Corroborating evidence and potential contradictions\" ,
            agent = researcher
        )

        # Demonstrate crew autonomy
        analysis_crew = Crew (
            agents = [ analyst , researcher ],
            tasks = [ analysis_task , research_task ],
            process = Process . sequential ,
            verbose = True
        )
        return analysis_crew . kickoff ( inputs = market_data )  # Pass market_data as named inputs

    @ router ( analyze_with_crew )
    def determine_next_steps ( self ):
        # Show flow control with conditional routing
        if self . state . confidence > 0.8 :
            return \"high_confidence\"
        elif self . state . confidence > 0.5 :
            return \"medium_confidence\"
        return \"low_confidence\"

    @ listen ( \"high_confidence\" )
    def execute_strategy ( self ):
        # Demonstrate complex decision making
        strategy_crew = Crew (
            agents = [
                Agent ( role = \"Strategy Expert\" ,
                      goal = \"Develop optimal market strategy\" )
            ],
            tasks = [
                Task ( description = \"Create detailed strategy based on analysis\" ,
                     expected_output = \"Step-by-step action plan\" )
            ]
        )
        return strategy_crew . kickoff ()

    @ listen ( or_ ( \"medium_confidence\" , \"low_confidence\" ))
    def request_additional_analysis ( self ):
        self . state . recommendations . append ( \"Gather more data\" )
        return \"Additional analysis required\"

此示例演示了如何：

1. 使用Python代码进行基本数据操作
2. 创建和执行工作人员作为工作流程中的步骤
3. 使用流动装饰器来管理操作顺序
4. 根据机组人员的结果实施条件分支

将您的船员连接到模型

crewAI通过各种连接选项支持使用各种LLM。默认情况下，您的代理商在查询模型时将使用OpenAI API。但是，还有其他几种方法可以使您的代理商连接到模型。例如，您可以配置代理通过Ollama工具使用本地模型。

有关配置代理与型号的连接的详细信息，请参考Connect crewAI到LLMS页面。

crewAI如何比较

crewAI的优势： crewAI通过其独特的乘员和流程体系结构将自治剂智能与精确的工作流控制相结合。该框架在高级编排和低级定制方面都表现出色，从而实现了具有颗粒状控制的复合生产级系统。

• Langgraph ：尽管Langgraph为建筑物代理工作流提供了基础，但其方法需要大量的样板代码和复杂的状态管理模式。在实现自定义代理行为或与外部系统集成时，框架与兰链的紧密耦合可以限制灵活性。

PS crewAI在Langgraph上表现出明显的性能优势，在某些情况下，在此质量委员会任务示例（请参阅比较）中执行5.76倍，同时在某些编码任务中获得更高的评估得分，例如在此示例中（详细分析）。

• Autogen ：虽然Autogen擅长创建能够共同努力的对话剂，但它缺乏固有的过程概念。在Autogen中，协调代理的交互需要额外的编程，随着任务规模的增长，这可能会变得复杂而笨拙。
• Chatdev ：Chatdev将流程的概念介绍给了AI代理的领域，但其实现非常严格。 Chatdev中的自定义是有限的，并且不适合生产环境，这可能会阻碍现实世界应用中的可伸缩性和灵活性。

贡献

crewAI是开源的，我们欢迎捐款。如果您想做出贡献，请：

• 分叉存储库。
• 为您的功能创建一个新的分支。
• 添加您的功能或改进。
• 发送拉动请求。
• 感谢您的投入！

安装依赖项

uv lock
uv sync

虚拟环境

uv venv

预先承诺的钩子

pre-commit install

运行测试

uv run pytest .

运行静态类型检查

uvx mypy src

包装

uv build

本地安装

pip install dist/ * .tar.gz

遥测

crewAI使用匿名遥测收集使用数据，其主要目的是通过将精力集中在最常用的功能，集成和工具上来帮助我们改善图书馆。

重要的是要了解，除了提到的条件外，没有收集有关提示，任务描述，代理的背景或目标，工具，API调用，响应，任何数据处理的任何数据或秘密和环境变量的数据，除了提到的条件外。启用Share_crew功能时，详细数据，包括任务说明，代理的背景故事或目标以及其他特定属性，以提供更深入的见解，同时尊重用户隐私。用户可以通过将环境变量otel_sdk_disabled设置为true来禁用遥测。

收集的数据包括：

• crewAI的版本
  • 因此，我们可以理解有多少用户正在使用最新版本
• Python的版本
  • 因此，我们可以决定哪些版本可以更好地支持
• 常规OS（例如CPU的数量，MACOS/Windows/Linux）
  • 因此，我们知道我们应该专注于什么操作系统，以及是否可以构建与OS相关的特定功能
• 机组人员的代理商和任务数量
  • 因此，我们确保我们正在内部与类似用例进行测试，并教育人们的最佳实践
• 使用的船员流程正在使用
  • 了解我们应该在哪里集中精力
• 如果代理使用内存或允许委托
  • 了解我们是否改善了功能，甚至可以放弃它们
• 如果任务是并行执行的
  • 了解我们是否应该更多地关注并行执行
• 使用语言模型
  • 改善了大多数使用语言的支持
• 代理商在船员中的角色
  • 了解高级用例，以便我们可以建立更好的工具，集成和示例
• 工具名称可用
  • 了解公开可用的工具，哪些工具最常使用，以便我们可以改进它们

用户可以选择进一步的遥测，并通过将共享_crew属性设置为true在其机组人员上共享完整的遥测数据。启用Share_crew会导致收集详细的机组人员和任务执行数据，包括目标，背景故事，上下文和任务输出。这使您可以更深入地了解使用模式，同时尊重用户的选择共享。

执照

crewAI由MIT许可发布。

常见问题（常见问题解答）

一般的

• crewAI到底是什么？
• 如何安装crewAI ？
• crewAI是否依靠Langchain？
• crewAI是开源的吗？
• crewAI会从用户收集数据吗？

功能和功能

• crewAI可以处理复杂用例吗？
• 我可以将crewAI与本地AI模型一起使用吗？
• 是什么使船员与流动不同？
• crewAI如何比兰班更好？
• crewAI是否支持微调或培训自定义模型？

资源和社区

• 我在哪里可以找到现实世界中的crewAI示例？
• 我该如何为crewAI做出贡献？

企业功能

• crewAI Enterprise提供哪些其他功能？
• crewAI Enterprise是否可用于云和本地部署？
• 我可以免费尝试crewAI Enterprise吗？

问： crewAI到底是什么？

答： crewAI是专门为自主AI代理而建立的独立，精益和快速的Python框架。与Langchain这样的框架不同， crewAI不依赖外部依赖性，从而使其更瘦，更快，更简单。

问：如何安装crewAI ？

答：使用PIP安装crewAI ：

pip install crewAI

有关其他工具，请使用：

pip install \' crewAI [tools] \'

问： crewAI是否依赖Langchain？

答：否。 crewAI完全是由陆上建造的，对兰班或其他代理框架没有依赖性。这确保了精益，快速和灵活的体验。

问： crewAI可以处理复杂用例吗？

答：是的。 crewAI在简单且高度复杂的现实世界情景下都表现出色，从内部提示到复杂的工作流编排，都提供了高水平和低级别的深度定制选项。

问：我可以将crewAI与本地AI模型一起使用吗？

答：绝对！ crewAI支持各种语言模型，包括本地语言模型。 Ollama和LM Studio等工具允许无缝集成。检查LLM连接文档以获取更多详细信息。

问：是什么让船员与流动不同？

答：机组人员提供自主代理协作，非常适合需要灵活决策和动态互动的任务。流提供精确的，事件驱动的控制，是管理详细执行路径和安全状态管理的理想选择。您可以无缝将这两者接缝以获得最大的有效性。

问： crewAI班好吗？

答： crewAI提供了更简单，更直观的API，更快的执行速度，更可靠，更一致的结果，强大的文档和一个活跃的社区，以调节与Langchain相关的共同批评和局限性。

问： crewAI是开放源代码吗？

答：是的， crewAI是开源的，积极鼓励社区贡献和合作。

问： crewAI是否从用户收集数据？

答： crewAI严格以改进目的收集匿名遥测数据。除非用户明确启用提示，任务或API响应等敏感数据，例如提示，任务或API响应。

问：我在哪里可以找到现实世界中的crewAI示例？

答：查看crewAI -examples存储库中的实际示例，涵盖了旅行计划者，股票分析和职位发布等用例。

问：如何为crewAI做出贡献？

答：热烈欢迎贡献！分叉存储库，创建您的分支，实施更改并提交拉动请求。有关详细指南，请参见README的贡献部分。

问： crewAI Enterprise提供哪些其他功能？

答： crewAI Enterprise提供了高级功能，例如统一控制平面，实时可观察性，安全集成，高级安全性，可行的见解和专用的24/7企业支持。

问： crewAI Enterprise是否可用于云和本地部署？

答：是的， crewAI Enterprise支持基于云的本地部署选项，从而使企业能够满足其特定的安全性和合规性要求。

问：我可以免费尝试crewAI Enterprise吗？

答：是的，您可以通过免费访问机组人员控制平面来探索crewAI Enterprise Suite的一部分。

问： crewAI支持微调或培训定制模型？

答：是的， crewAI可以与定制训练或微调的型号集成，从而使您可以通过特定于领域的知识和准确性来增强代理。

问： crewAI代理可以与外部工具和API相互作用吗？

答：绝对！ crewAI代理可以轻松地与外部工具，API和数据库集成，从而授权它们利用现实世界中的数据和资源。

问： crewAI适合生产环境吗？

答：是的， crewAI是通过生产级标准明确设计的，可确保企业部署的可靠性，稳定性和可扩展性。

问： crewAI可扩展性如何？

答： crewAI具有高度可扩展性，支持简单的自动化和大规模的企业工作流，涉及众多代理和复杂任务。

问： crewAI提供调试和监视工具吗？

答：是的， crewAI Enterprise包括高级调试，跟踪和实时可观察性功能，简化了自动化的管理和故障排除。

问： crewAI支持哪些编程语言？

答： crewAI主要基于Python，但可以通过其灵活的API集成功能轻松地与以任何编程语言编写的服务和API集成。

问： crewAI是否为初学者提供教育资源？

答：是的， crewAI通过学习提供了广泛的初学者教程，课程和文档。 crewAI .com，支持各个技能水平的开发人员。

问： crewAI可以自动化人类在循环工作流程吗？

答：是的， crewAI完全支持人类的工作流程，从而使人类专家与AI代理商之间的无缝合作以增强决策。