Langchain vs Crewai vs Autogen, 데이터 분석 에이전트 구축
- Lisa Kudrow원래의
- 2025-03-17 09:24:11886검색
오늘날의 데이터 중심 세계에서 조직은 데이터 분석가에게 의존하여 복잡한 데이터 세트를 해석하고 실행 가능한 통찰력을 밝히고 의사 결정을 주도합니다. 그러나 AI를 사용 하여이 프로세스의 효율성과 확장 성을 향상시킬 수 있다면 어떨까요? 데이터 분석 에이전트를 입력하고 분석 작업을 자동화하고 코드를 실행하며 데이터 쿼리에 적응 적으로 응답하십시오. Langgraph, Crewai 및 Autogen은 AI 에이전트를 구축하는 데 사용되는 세 가지 인기있는 프레임 워크입니다. 이 기사에서 세 가지를 모두 사용하여 간단한 데이터 분석 에이전트를 구축 할 것입니다.
목차
- 데이터 분석 에이전트의 작동
- Langgraph로 데이터 분석 에이전트 구축
- 사전 반품
- Langgraph를 사용하여 데이터 분석 에이전트를 구축하는 단계
- 1. 필요한 라이브러리를 가져옵니다.
- 2. 상태를 정의합시다.
- 3. LLM과 코드 실행 함수를 정의하고 함수를 LLM에 바인딩하십시오.
- 4. 에이전트가 응답 할 함수를 정의하고 그래프에 노드로 추가하십시오.
- 5. 공구 번호를 정의하고 그래프에 추가하십시오.
- 6. 에이전트와 채팅 할 수 있도록 메모리를 추가하겠습니다.
- 7. 그래프를 컴파일하고 표시합니다.
- 8. 이제 우리는 채팅을 시작할 수 있습니다. 우리는 메모리를 추가 했으므로 각 대화에 고유 한 스레드 _id를 제공하고 해당 스레드에서 대화를 시작합니다.
- Crewai와 함께 데이터 분석 에이전트 구축
- 1. 필요한 라이브러리를 가져옵니다.
- 2. 코드를 생성하기위한 한 에이전트를 구축하고 다른 코드를 실행하기위한 에이전트를 구축 할 것입니다.
- 3. 코드를 실행하기 위해 PythonRepl ()을 사용합니다. Crewai 도구로 정의하십시오.
- 4. REPL 및 FILEREADTOOL ()에 액세스하여 실행 에이전트 및 작업을 정의하십시오.
- 5. 에이전트와 해당 작업 모두로 승무원을 구축하십시오.
- 6. 다음 입력으로 승무원을 실행하십시오.
- Autogen과 함께 데이터 분석 에이전트 구축
- 1. 필요한 라이브러리를 가져옵니다.
- 2. 코드 집행자와 에이전트를 정의하여 코드 집행자를 사용하십시오.
- 3. 사용자 정의 시스템 메시지로 코드를 작성하려면 에이전트를 정의하십시오.
- 4. 문제를 정의하여 채팅을 해결하고 시작하십시오.
- 5. 우리는 또한 우리가 묻는 질문과 필요한 경우이 코드를 사용하여 질문을 인쇄 할 수 있습니다.
- langgraph vs crewai vs autogen
- 자주 묻는 질문
데이터 분석 에이전트의 작동
데이터 분석 에이전트는 먼저 사용자로부터 쿼리를 가져 와서 파일을 읽고 파일의 데이터를 분석 할 코드를 생성합니다. 그런 다음 Python Repl 도구를 사용하여 생성 된 코드가 실행됩니다. 코드의 결과는 에이전트로 다시 전송됩니다. 그런 다음 에이전트는 코드 실행 도구에서받은 결과를 분석하고 사용자 쿼리로 응답합니다. LLM은 임의의 코드를 생성 할 수 있으므로 로컬 환경에서 LLM 생성 코드를 신중하게 실행해야합니다.
Langgraph로 데이터 분석 에이전트 구축
이 주제에 익숙하지 않거나 langgraph에 대한 지식을 닦고 싶다면 다음은 추천 할 기사가 있습니다. langgraph는 무엇입니까?
사전 반품
에이전트를 구축하기 전에 필요한 LLM에 필요한 API 키가 있는지 확인하십시오.
필요한 API 키로 .env 파일을로드하십시오.
dotenv import load_dotenv에서 load_dotenv (./ env)
주요 라이브러리가 필요합니다
랭케인 - 0.3.7
랭 체인 실험-0.3.3
Langgraph - 0.2.52
Crewai - 0.80.0
Crewai-Tools-0.14.0
Autogen-AgentChat-0.2.38
이제 우리 모두가 설정되었으므로 에이전트 구축을 시작합시다.
Langgraph를 사용하여 데이터 분석 에이전트를 구축하는 단계
1. 필요한 라이브러리를 가져옵니다.
팬더를 PD로 가져옵니다 IPYTHON에서 DISPLAY IMAGE, DISPLAY에서 입력 가져 오기 목록, 리터럴, 선택 사항, typeddict, 주석이 붙어 있습니다 Langchain_core에서 Tools 가져 오기 도구 Langchain_core에서 Messages import thoommessage langchain_experimental.utilities import pythonrepl langchain_openai import Chatopenai에서 langgraph.graph import stategraph, start, end langgraph.graph.message import add_messages에서 langgraph.prebuilt import 도구 노드, Tools_condition에서 langgraph.checkpoint.Memory import MemorySaver에서
2. 상태를 정의합시다.
클래스 상태 (typeddict) : 메시지 : 주석이 달린 [list, add_messages] Graph_Builder = stateGraph (state)
3. LLM과 코드 실행 함수를 정의하고 함수를 LLM에 바인딩합니다.
llm = chatopenai (model = "gpt-4o-mini", 온도 = 0.1)
@도구
def python_repl (코드 : 주석이 붙은 [str, "filename from"]) :
"" "파일에서 Python 코드를 실행하는 데 사용하십시오. 값의 출력을보고 싶다면,
코드를 올바르게 읽으십시오
`print (...)`로 인쇄해야합니다. 이것은 사용자에게 보입니다. "" "
노력하다:
결과 = pythonrepl (). run (코드)
print ( "결과 코드 실행 :", 결과)
e로서의 바지 획득을 제외하고 :
return f "실행 실패. 오류 : {repr (e)}"
return f "실행 : \ n````Python \ n {code} \ n`` \ nstdout : {result}"
llm_with_tools = llm.bind_tools ([python_repl])
4. 에이전트가 응답 할 함수를 정의하고 그래프에 노드로 추가하십시오.
def chatbot (state : state) :
return { "메시지": [llm_with_tools.invoke (state [ "messages"]]}
Graph_Builder.add_node ( "에이전트", 챗봇)
5. 공구 번호를 정의하고 그래프에 추가하십시오.
Code_Execution = Toolnode (도구 = [Python_Repl]) Graph_Builder.add_node ( "도구", code_execution)
LLM이 도구 통화를 반환하는 경우 도구 노드로 라우팅해야합니다. 그렇지 않으면, 우리는 그것을 끝낼 수 있습니다. 라우팅 기능을 정의해 봅시다. 그런 다음 다른 가장자리를 추가 할 수 있습니다.
def route_tools (state : state,) :
"" "
마지막 메시지 인 경우 조건부 _edge에서 툴 노드로 라우팅하는 데 사용합니다.
도구 호출이 있습니다. 그렇지 않으면, 끝으로가는 경로.
"" "
Isinstance (state, list) 인 경우 :
ai_message = state [-1]
elif 메시지 : = state.get ( "메시지", []) :
ai_message = 메시지 [-1]
또 다른:
valueError rase valueError (f "입력 상태에서 도구 _edge : {state}")에있는 메시지가 없습니다.
hasattr (ai_message, "tool_calls") 및 len (ai_message.tool_calls)> 0 :
"도구"반환
리턴 종료
Graph_Builder.add_conditional_edges (
"대리인",
route_tools,
{ "도구": "도구", 끝 : 끝},
))
Graph_Builder.add_edge ( "도구", "에이전트")
6. 에이전트와 채팅 할 수 있도록 메모리를 추가하겠습니다.
memory = memorySaver () 그래프 = Graph_Builder.comPile (CheckPointer = Memory)
7. 그래프를 컴파일하고 표시합니다.
그래프 = Graph_Builder.comPile (CheckPointer = Memory) display (image (graph.get_graph (). draw_mermaid_png ()))
8. 이제 우리는 채팅을 시작할 수 있습니다. 우리는 메모리를 추가 했으므로 각 대화에 고유 한 스레드 _id를 제공하고 해당 스레드에서 대화를 시작합니다.
config = { "configurable": { "strand_id": "1"}}
def stream_graph_updates (user_input : str) :
events = graph.stream (
{ "메시지": [( "사용자", user_input)]}, config, stream_mode = "value"
))
이벤트 이벤트 :
이벤트 [ "메시지"] [-1] .pretty_print ()
사실이지만 :
user_input = input ( "user :")
[ "quit", "exit", "q"]에서 user_input.lower () :
인쇄 ( "안녕!")
부서지다
stream_graph_updates (user_input)
루프가 실행되는 동안 파일의 경로를 제공 한 다음 데이터를 기반으로 질문을 시작합니다.
출력은 다음과 같습니다.
메모리를 포함 시켰으므로 채팅의 데이터 세트에 대한 질문을 할 수 있습니다. 에이전트는 필요한 코드를 생성하고 코드가 실행됩니다. 코드 실행 결과는 LLM으로 다시 전송됩니다. 예는 다음과 같습니다.
또한 읽으십시오 : Langgraph와 함께 개인 뉴스 다이제스트 에이전트를 만드는 방법
Crewai와 함께 데이터 분석 에이전트 구축
이제 우리는 데이터 분석 작업에 Crewai를 사용합니다.
1. 필요한 라이브러리를 가져옵니다.
Crewai 수입 대리인, 작업, 승무원으로부터 Crewai에서 Tools 가져 오기 도구 Crewai_Tools에서 import DirectoryReadTool, FilEreadTool에서 langchain_experimental.utilities import pythonrepl
2. 코드를 생성하기위한 한 에이전트를 구축하고 다른 코드를 실행하기위한 에이전트를 구축 할 것입니다.
coding_agent = 에이전트 (
역할 = "파이썬 개발자",
목표 = "주어진 문제에 답하기 위해 잘 설계되고 사고 코드를 공예품",
Backstory = "" "당신은 소프트웨어 및 모범 사례에 대한 광범위한 경험을 가진 선임 파이썬 개발자입니다.
깨끗하고 효율적이며 확장 가능한 코드를 작성하는 전문 지식이 있습니다. "" ",
llm = 'gpt-4o',
human_input = true,
))
coding_task = task (
description = "" "주어진 문제에 답하기 위해 코드를 작성하십시오
코드 출력을 '결과'변수에 할당하십시오
문제 : {문제},
"" ",
expect_output = "문제에 대한 결과를 얻으려는 코드. 코드의 출력은 '결과'변수에 할당되어야합니다.
에이전트 = coding_agent
))
3. 코드를 실행하기 위해 PythonRepl ()을 사용합니다. Crewai 도구로 정의하십시오.
@Tool ( "Repl") def repl (코드 : str) -> str : "" "파이썬 코드 실행에 유용한" "" "" "" "" "" "" "" "" "" 반환 pythonrepl (). run (command = code)
4. REPL 및 FILEREADTOOL ()에 액세스하여 실행 에이전트 및 작업을 정의하십시오.
executing_agent = 에이전트 (
역할 = "Python Executor",
목표 = "주어진 문제에 답하기 위해 수신 된 코드를 실행하십시오",
Backstory = "" "당신은 소프트웨어 및 모범 사례에 대한 광범위한 경험을 가진 파이썬 개발자입니다.
"코드를 실행, 디버그 및 Python 솔루션을 효과적으로 최적화 할 수 있습니다." ",
llm = 'gpt-4o-mini',
human_input = true,
도구 = [REPL, FILEREADTOOL ()]
))
executing_task = task (
설명 = "" "주어진 문제에 답하기 위해 코드를 실행하십시오
코드 출력을 '결과'변수에 할당하십시오
문제 : {문제},
"" ",
expect_output = '문제의 결과',
에이전트 = executing_agent
))
5. 에이전트와 해당 작업 모두로 승무원을 구축하십시오.
Analysis_crew = 승무원 ( 에이전트 = [coding_agent, executing_agent], tasks = [coding_task, executing_task], Verbose = true ))
6. 다음 입력으로 승무원을 실행하십시오.
입력 = { '문제': "" ""이 파일을 읽고 열 이름을 반환하고 평균 연령을 찾으십시오.
"/home/santhosh/projects/code/langgraph/gym_members_exercise_tracking.csv" "",}
result = Analysis_crew.kickoff (입력 = 입력)
print (result.raw)
출력의 모습은 다음과 같습니다.
또한 읽기 : Crewai와 함께 코드없이 LLM 에이전트를 즉시 구축하십시오.
Autogen과 함께 데이터 분석 에이전트 구축
1. 필요한 라이브러리를 가져옵니다.
Autogen Import에서 대화식 autogen.coding import localCommandlineCodeexecutor, DockerCommandlineCodeexecutor
2. 코드 집행자와 에이전트를 정의하여 코드 집행자를 사용하십시오.
Executor = LocalCommandlineCodeexecutor (
타임 아웃 = 10, # 각 코드 실행에 대한 # 시간 초과는 초 만에 실행됩니다.
work_dir = './data', # 디렉토리를 사용하여 코드 파일을 저장합니다.
))
code_executor_agent = 대화식 (
"code_executor_agent",
llm_config = false,
code_execution_config = { "executor": executor},
human_input_mode = "항상",
))
3. 사용자 정의 시스템 메시지로 코드를 작성하려면 에이전트를 정의하십시오.
https://microsoft.github.io/autogen/0.2/docs/tutorial/code-executors/에서 code_writer 시스템 메시지를 받으십시오.
code_writer_agent = 대화식 (
"code_writer_agent",
system_message = code_writer_system_message,
llm_config = { "config_list": [{ "model": "gpt-4o-mini"}},
code_execution_config = false,
))
4. 문제를 정의하여 채팅을 해결하고 시작하십시오.
문제 = "" "경로에서 파일을 읽으십시오.
사람들의 평균 연령을 인쇄합니다. "" "
chat_result = code_executor_agent.initiate_chat (
code_writer_agent,
메시지 = 문제,
))
채팅이 시작되면 위에서 언급 한 데이터 세트에서 후속 질문을 할 수도 있습니다. 코드에 오류가 발생하면 코드를 수정하도록 요청할 수 있습니다. 코드가 정상이면 'Enter'를 눌러 코드를 계속 실행할 수 있습니다.
5. 우리는 또한 우리가 묻는 질문과 필요한 경우이 코드를 사용하여 질문을 인쇄 할 수 있습니다.
chat_result.chat_history의 메시지 :
메시지 [ 'role'] == 'Assistant'인 경우 :
'exitcode'가 메시지에 있지 않은 경우 [ 'content'] :
print (메시지 [ 'content'])
print ( '\ n')
또 다른:
[ 'content']에서 '종료':
print (메시지 [ 'content'])
인쇄("----------------------------------------")
결과는 다음과 같습니다.
또한 읽기 : Autogen으로 다중 에이전트 챗봇 구축에 대한 실습 가이드
langgraph vs crewai vs autogen
이제 3 가지 프레임 워크가 모두있는 데이터 분석 에이전트를 구축하는 법을 배웠으므로 코드 실행과 관련하여 차이점을 살펴 보겠습니다.
| 뼈대 | 주요 기능 | 강점 | 가장 적합합니다 |
|---|---|---|---|
| 랭 그래프 | -그래프 기반 구조 (노드는 에이전트/도구를 나타내고 가장자리는 상호 작용을 정의합니다) - PythonRepl과의 원활한 통합 |
-구조화 된 다단계 워크 플로를 만드는 데 매우 유연합니다 - 작업 전반에 걸쳐 메모리 보존을 통한 안전하고 효율적인 코드 실행 |
명확하고 사용자 정의 가능한 워크 플로우를 요구하는 복잡하고 프로세스 중심의 분석 작업 |
| Crewai | -협업 중심 - 사전 정의 된 역할과 병렬로 작업하는 여러 에이전트 - Langchain 도구와 통합됩니다 |
-작업 지향 디자인 - 팀워크 및 역할 전문화에 탁월합니다 - PythonRepl을 사용하여 안전하고 안정적인 코드 실행을 지원합니다 |
공동 데이터 분석, 코드 검토 설정, 작업 분해 및 역할 기반 실행 |
| Autogen | - 동적 및 반복 코드 실행 - 대화식 실행 및 디버깅을위한 대화 에이전트 -내장 채팅 기능 |
- 적응 및 대화 워크 플로 - 동적 상호 작용 및 디버깅에 중점을 둡니다 - 빠른 프로토 타이핑 및 문제 해결에 이상적입니다 |
빠른 프로토 타이핑, 문제 해결 및 작업 및 요구 사항이 자주 진화하는 환경 |
결론
이 기사에서는 Langgraph, Crewai 및 Autogen을 사용하여 데이터 분석 에이전트를 구축하는 방법을 시연했습니다. 이러한 프레임 워크를 사용하면 에이전트가 코드를 생성, 실행 및 분석하여 데이터 쿼리를 효율적으로 해결할 수 있습니다. 반복적 인 작업을 자동화함으로써 이러한 도구는 데이터 분석을보다 빠르고 확장 가능하게 만듭니다. 모듈 식 디자인을 사용하면 특정 요구에 맞게 사용자 정의 할 수 있으므로 데이터 전문가에게 가치가 있습니다. 이 에이전트는 AI가 워크 플로를 단순화하고 데이터에서 통찰력을 쉽게 추출 할 수있는 잠재력을 보여줍니다.
AI 에이전트에 대한 자세한 내용은 독점 에이전트 AI Pioneer 프로그램을 확인하십시오!
자주 묻는 질문
Q1. 데이터 분석을 위해 Langgraph, Crewai 및 Autogen과 같은 AI 프레임 워크를 사용하면 주요 이점은 무엇입니까?A. 이러한 프레임 워크는 코드 생성 및 실행을 자동화하여 더 빠른 데이터 처리 및 통찰력을 가능하게합니다. 워크 플로를 간소화하고 수동 노력을 줄이며 데이터 중심 작업의 생산성을 향상시킵니다.
Q2. 이러한 데이터 분석 에이전트가 여러 데이터 세트 또는 복잡한 쿼리를 처리 할 수 있습니까?A. 예, 에이전트는 적절한 도구를 통합하고 워크 플로를 조정하여 다양한 데이터 세트와 복잡한 분석 쿼리를 처리하도록 사용자 정의 할 수 있습니다.
Q3. LLM 생성 코드를 실행할 때 어떤 예방 조치를 취해야합니까?A. LLM 생성 코드에는 오류 또는 안전하지 않은 작업이 포함될 수 있습니다. 실행 전에 정확성과 보안을 보장하기 위해 제어 된 환경에서 코드를 항상 검증하십시오.
Q4. 메모리 통합은 이러한 데이터 분석 에이전트를 어떻게 강화합니까?A. 메모리 통합을 통해 에이전트는 과거 상호 작용의 컨텍스트를 유지하여 복잡하거나 다중 단계 쿼리의 적응 적 응답과 연속성을 가능하게합니다.
Q5. 이 데이터 분석 에이전트는 어떤 유형의 작업을 자동화 할 수 있습니까?A. 이러한 에이전트는 파일 읽기, 데이터 청소 수행, 요약 생성, 통계 분석 실행 및 데이터에 대한 사용자 쿼리에 응답하는 것과 같은 작업을 자동화 할 수 있습니다.
위 내용은 Langchain vs Crewai vs Autogen, 데이터 분석 에이전트 구축의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!