Bina Pengaturcara Pasangan AI dengan Crewai - Analytics Vidhya

Pengenalan

Permintaan untuk pembangunan perisian yang cekap memacu penggunaan kecerdasan buatan sebagai rakan pengaturcaraan yang berharga. Pembantu pengekodan berkuasa AI sedang merevolusikan pembangunan dengan memudahkan penulisan kod, debugging, dan pengoptimuman, seperti pengaturcara pasangan manusia. Artikel ini menunjukkan membina pengaturcara pasangan AI menggunakan ejen krew untuk menyelaraskan tugas pengekodan dan meningkatkan produktiviti pemaju.

Gambaran Keseluruhan

Panduan ini merangkumi:

• Memahami peranan Crewai dalam membantu tugas pengekodan.
• Mengenal pasti komponen utama: ejen, tugas, alat, dan krew, dan interaksi mereka.
• Pengalaman praktikal menyediakan ejen AI untuk penjanaan kod dan semakan.
• Mengkonfigurasi pelbagai ejen AI untuk pengekodan kerjasama.
• Menggunakan Crewai untuk menilai dan mengoptimumkan kualiti kod.

Jadual Kandungan

• Contoh kualitatif NVLM 1.0 D 74B
• Perbandingan NVLM dengan LLM lain
• Batasan LLM multimodal lain
• Menangani batasan tersebut
• NVLM: Kaedah Model dan Latihan
• Data latihan
• Hasilnya
• Mengakses NVLM D 72B
  • Mengimport perpustakaan yang diperlukan
  • Model sharding
  • Preprocessing imej
  • Jubin imej dinamik
  • Memuatkan dan memproses gambar
  • Memuat dan menggunakan model
  • Perbualan teks dan gambar
• Soalan yang sering ditanya

Keupayaan pengaturcara pasangan AI

Pengatur pasangan AI menawarkan beberapa kelebihan:

1. Penjanaan Kod: Menjana kod untuk masalah yang diberikan menggunakan satu ejen AI dan mengkaji semula dengan yang lain.
2. Peningkatan Kod: Menilai kod sedia ada berdasarkan kriteria yang ditentukan.
3. Pengoptimuman Kod: Permintaan Kod Penambahbaikan, seperti menambah komen atau docstrings.
4. Debugging: Menerima cadangan untuk menyelesaikan kesilapan kod.
5. Penjanaan kes ujian: Menjana kes ujian untuk pelbagai senario, termasuk pembangunan yang didorong oleh ujian.

Artikel ini memberi tumpuan kepada dua keupayaan pertama.

Apa itu Crewai?

Crewai adalah rangka kerja untuk mewujudkan ejen AI. Komponen utamanya ialah:

• Ejen: Ejen menggunakan model bahasa yang besar (LLM) untuk menghasilkan output berdasarkan arahan input. Ia berinteraksi dengan alat, menerima input pengguna, dan berkomunikasi dengan ejen lain.
• Tugas: Menentukan objektif ejen, termasuk keterangan, ejen, dan alat yang boleh digunakan.
• Alat: Ejen menggunakan alat untuk tugas seperti carian web, bacaan fail, dan pelaksanaan kod.
• Krew: Sekumpulan ejen yang bekerjasama dalam tugas, menentukan interaksi, perkongsian maklumat, dan delegasi tanggungjawab.

Juga Baca: Membina Ejen AI Kerjasama dengan Crewai

Mari kita bina ejen untuk menggambarkan konsep -konsep ini.

Prasyarat

Sebelum membina pengaturcara pasangan AI, dapatkan kunci API untuk LLMS.

Mengakses LLM melalui API

Menjana kunci API untuk LLM yang anda pilih dan simpannya dengan selamat dalam fail .env untuk akses projek sambil mengekalkan privasi.

Contoh fail .env

Contoh fail .env :

Perpustakaan yang diperlukan

Versi perpustakaan berikut digunakan:

• Crewai - 0.66.0
• Crewai-Tools-0.12.1

Automasi Penciptaan Kod

Bahagian ini menunjukkan pengimportan perpustakaan dan ejen yang menentukan untuk penjanaan kod dan semakan.

Mengimport perpustakaan

 dari dotenv import load_dotenv
LOAD_DOTENV ('/. env')

dari ejen import krew, tugas, krew

Menentukan ejen penulis kod

Satu ejen menjana kod, ulasan lain.

 code_writer_agent = agen (role = "jurutera perisian",
                          matlamat = 'Tulis kod yang dioptimumkan dan dikekalkan, termasuk dokumen dan komen', 
                          backstory = "" "Anda adalah seorang jurutera perisian yang dioptimumkan, kod yang boleh dipelihara dengan docstrings dan komen." ""
                          LLM = 'GPT-4O-MINI',
                          verbose = benar)

Parameter ejen dijelaskan

• Peranan: mentakrifkan fungsi ejen.
• Matlamat: Menentukan objektif ejen.
• Backstory: Menyediakan konteks untuk interaksi yang lebih baik.
• LLM: Menentukan LLM yang digunakan (lihat dokumentasi Litellm untuk pilihan).
• Verbose: Membolehkan pembalakan input/output terperinci.

Menentukan tugas penulis kod

 code_writer_task = tugas (description = 'tulis kod untuk menyelesaikan masalah dalam {bahasa}. Masalah: {masalah}',
                        Diharapkan_Output = 'Kod Format yang baik dengan jenis mengisyaratkan',
                        agen = code_writer_agent)

Parameter tugas dijelaskan

• Penerangan: Objektif tugas yang jelas dengan pembolehubah ({bahasa}, {masalah}).
• Diharapkan_Output: Format output yang dikehendaki.
• Ejen: Ejen yang diberikan kepada tugas itu.

Menentukan ejen dan tugas pengulas kod

Begitu juga, tentukan code_reviewer_agent dan code_reviewer_task .

 code_reviewer_agent = agen (role = "jurutera perisian kanan",
                            matlamat = 'Pastikan kod dioptimumkan dan dikekalkan', 
                            backstory = "" "Anda adalah Kod Kanan Kanan untuk dibaca, kebolehpercayaan, dan prestasi." "",
                            LLM = 'GPT-4O-MINI',
                            verbose = benar)

code_reviewer_task = tugas (description = "" "Kod ulasan yang ditulis untuk masalah dalam {bahasa}. Masalah: {masalah}" "",
                          Diharapkan_Output = 'Kod Semakan',
                          agen = code_reviewer_agent)

Membina dan Menjalankan Krew

Buat dan jalankan krew:

 krew = krew (ejen = [code_writer_agent, code_reviewer_agent], 
            tugas = [code_writer_task, code_reviewer_task], 
            verbose = benar)

result = crew.kickoff (input = {'masalah': 'buat permainan tic-tac-toe', 'bahasa': 'python'})

Output Contoh:

Analisis keputusan

Objek result mengandungi:

 result.dict (). Kekunci ()
>>> dict_keys (['mentah', 'pydantic', 'json_dict', 'tasks_output', 'token_usage']))

# Penggunaan token
result.dict () ['token_usage']
>>> {'total_tokens': 2656, ...}

# Output akhir
cetak (result.raw)

Kod yang dihasilkan kemudiannya boleh dilaksanakan.

Penilaian kod automatik

Bahagian ini meliputi menilai kod sedia ada.

Menentukan keperluan penilaian

Pertama, kumpulkan keperluan menggunakan ejen, kemudian menilai kod berdasarkan keperluan tersebut menggunakan ejen lain.

Menggunakan alat

FileReadTool membaca fail. Alat meningkatkan keupayaan ejen. Alat boleh diberikan kepada tugas dan ejen; Tugasan peringkat tugas mengatasi tugasan peringkat ejen.

Menyediakan ejen dan tugas perhimpunan keperluan

 dari krewi_tools import fileReadtool

code_requirements_agent = agen (role = "Data Scientist",
                          matlamat = 'Tentukan keperluan kod untuk masalah tertentu.', 
                          backstory = "" "Anda adalah keperluan saintis data yang menentukan keperluan kod untuk menyelesaikan masalah." "",
                          LLM = 'GPT-4O-MINI',
                          verbose = benar)

code_requirement_task = Task (description = 'Write step-by-step syarat. Masalah: {masalah}',
                            diharapkan_output = 'teks keperluan diformat.',
                            agen = code_requirements_agent,
                            human_input = benar)

human_input=True membolehkan input pengguna untuk pelarasan.

Penilaian Kod

Contoh ini menggunakan FileReadTool dan gpt-4o untuk mengendalikan konteks yang lebih baik.

 file_read_tool = fileReadTool ('eda.py')

code_evaluator_agent = agen (role = "Evaluator Sains Data",
                            matlamat = 'Menilai kod berdasarkan keperluan yang disediakan', 
                            backstory = "" "Anda adalah evaluator sains data mengkaji semula kod berdasarkan keperluan yang diberikan." "",
                            LLM = 'GPT-4O',
                            verbose = benar)

code_evaluator_task = tugas (description = "" "menilai fail kod berdasarkan keperluan. Hanya berikan penilaian, bukan kod." "",
                           dijangkakan_output = 'Penilaian terperinci berdasarkan keperluan.',
                           alat = [file_read_tool],
                           ejen = code_evaluator_agent)

Membina Krew Penilaian

Buat krew dan tentukan masalahnya:

 krew = krew (ejen = [code_requirements_agent, code_evaluator_agent], 
            tugas = [code_requirement_task, code_evaluator_task], 
            verbose = benar)

Masalah = "" "Lakukan EDA pada dataset tempoh perjalanan teksi NYC ..." "" # (Penerangan dataset ditinggalkan untuk keringkasan)

hasil = crew.kickOff (input = {'masalah': masalah})

Output

Output menunjukkan input manusia meminta:

Output tugas boleh diakses secara individu:

 Cetak (code_requirement_task.output.raw)
cetak (result.raw)

Kesimpulan

Crewai menyediakan rangka kerja yang kuat untuk meningkatkan pembangunan perisian melalui penjanaan, kajian semula, dan penilaian kod AI yang didorong. Dengan menentukan peranan, matlamat, dan tugas, pemaju dapat menyelaraskan aliran kerja dan meningkatkan produktiviti. Mengintegrasikan pengaturcara pasangan AI dengan Crewai meningkatkan kecekapan dan kualiti kod. Fleksibiliti Crewai memudahkan kolaborasi ejen AI yang lancar, menghasilkan kod yang dioptimumkan, dikekalkan, dan bebas ralat. Ketika AI berkembang, keupayaan pengaturcaraan pasangan Crewai akan menjadi semakin berharga bagi pemaju.

Soalan yang sering ditanya

Q1. Apakah Crewai dan peranannya dalam pembangunan perisian? Crewai adalah rangka kerja agen AI yang membantu pemaju dengan penulisan kod, semakan, dan penilaian, meningkatkan produktiviti.

S2. Apakah komponen utama Crewai? Ejen, tugas, alat, dan krew. Ejen melakukan tindakan; Tugas menentukan objektif; Alat memanjangkan keupayaan ejen; Krew membolehkan kerjasama ejen.

Q3. Bagaimana cara menyediakan ejen AI yang menjana kod? Tentukan peranan, matlamat, backstory, dan LLM ejen, kemudian buat tugas yang sama yang menentukan masalah dan output yang diharapkan.

Q4. Bolehkah ejen krew bekerjasama? Ya, melalui "krew," yang membolehkan ejen mengendalikan aspek yang berbeza dari tugas dengan cekap.

S5. Alat apa yang ada? Pelbagai alat meningkatkan keupayaan ejen, termasuk bacaan fail, carian web, dan pelaksanaan kod.

Atas ialah kandungan terperinci Bina Pengaturcara Pasangan AI dengan Crewai - Analytics Vidhya. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!