Apa itu crewAI?

Istilah “crew“ merujuk pada sekelompok agen AI yang bekerja sama untuk mendelegasikan tugas secara mandiri dan berkomunikasi satu sama lain, layaknya tim kerja di dunia nyata. Setiap crew multiagen terdiri atas agen AI dengan peran yang saling melengkapi, yang memanfaatkan alat bantu yang tersedia maupun alat bantu khusus untuk menyelesaikan serangkaian tugas. Model bahasa berfungsi sebagai mesin penalaran bagi agen dengan menentukan serangkaian tindakan yang harus diambil.² Agen crewAI dapat dikonfigurasi untuk menggunakan model bahasa besar (LLM) sumber terbuka atau antarmuka pemrograman aplikasi (API).

Penelitian terbaru menunjukkan bahwa model LLM tidak hanya terbatas pada pembuatan teks, tetapi juga dapat berfungsi sebagai agen serbaguna untuk interaksi percakapan, pengambilan keputusan, dan penyelesaian tugas.³ Dalam perkembangan AI dan penelitian tentang agen AI serta kerangka kerja agen, kerangka kerja multiagen seperti crewAI mulai mendapat perhatian dalam ekosistem AI generatif.

Aplikasi AI generasi berikutnya akan memanfaatkan arsitektur agen untuk membangun sistem yang lebih otonom dan berbasis agen.⁴ Kerangka kerja ini dirancang untuk menangani tugas-tugas kompleks, meningkatkan kemampuan AI generatif, dan mendukung berbagai solusi AI. Sebagai contoh, chatbot AI dapat menjadi salah satu penerapan dari kerangka kerja agen. Berbeda dengan chatbot konvensional, chatbot berbasis agen dapat menggunakan alat bantu yang tersedia, merencanakan tindakan sebelum eksekusi, serta menyimpan dan mengelola memori. Kemampuan ini memungkinkan interaksi yang lebih lancar dan bermakna.

Kerangka kerja agen adalah arsitektur AI yang mengintegrasikan pemanggilan alat dan orkestrasi untuk mendukung berbagai aplikasi AI. Sistem ini memanfaatkan perencanaan, penyempurnaan berulang, refleksi, serta mekanisme kontrol lainnya untuk mengoptimalkan kemampuan penalaran model dalam menyelesaikan tugas secara menyeluruh.⁵Dengan menerapkan agen AI dalam sistem AI, proses yang diperlukan untuk menjalankan aplikasi AI generatif dapat diotomatisasi.

Kerangka kerja agen juga menyediakan kemampuan belajar dan kinerja yang ditingkatkan. Menyempurnakan LLM untuk tugas pengambilan keputusan khusus sering kali memerlukan sumber daya yang besar dan dapat mengurangi kemampuan generalisasi model.⁶ Dengan agen AI yang dapat belajar dari tindakan dan pengalaman sebelumnya, meringankan kebutuhan komputasi untuk penyempurnaan model.

Kerangka kerja agen dapat menggunakan sistem agen tunggal atau multiagen.

Kerangka kerja agen tunggal bergantung pada satu model bahasa untuk menangani berbagai tugas dan tanggung jawab. Agen ini dilengkapi dengan prompt sistem serta alat bantu seperti pencarian, API, dan bahkan agen lain untuk menyelesaikan tugasnya. Meskipun agen tunggal dapat berkomunikasi dengan agen lain melalui alat yang tersedia, mereka tidak bekerja secara kolaboratif seperti dalam sistem multiagen.

Dalam sistem agen tunggal, tidak ada masukan dari agen AI lain. Oleh karena itu, disarankan untuk menyediakan opsi masukan dari manusia guna meningkatkan akurasi seiring waktu. Arsitektur ini paling efektif untuk tugas yang terdefinisi dengan jelas, di mana masukan dari agen atau pengguna lain tidak diperlukan.⁷

Daripada mengandalkan satu model untuk menangani semua kemampuan, sistem multiagen (MAS) membagi tugas di antara beberapa agen khusus. Arsitektur ini melibatkan dua atau lebih agen yang dapat menggunakan model bahasa yang sama atau berbeda. Terlepas dari jumlahnya, para agen beroperasi dalam lingkungan yang sama, memungkinkan mereka untuk berbagi tujuan, memori, dan rencana tindakan satu sama lain. Arsitektur ini menunjukkan keunggulan yang menonjol dibandingkan dengan prompting rantai pemikiran (CoT), di mana model ini perlu memecah tugas menjadi beberapa langkah.⁸ Arsitektur multiagen cenderung berkembang lebih ketika kolaborasi dan beberapa jalur eksekusi yang berbeda diperlukan.

Pemilihan arsitektur agen yang tepat bergantung pada spesifikasi aplikasi dan contoh penggunaan. Sistem agen tunggal paling efektif untuk menyelesaikan masalah yang spesifik. Seseorang dapat menganggap agen sebagai pemecah masalah. Beberapa masalah memerlukan kemampuan individual dari satu agen khusus, yang lain mungkin memerlukan tim pemecah masalah, atau tim yang terdiri dari beberapa agen. Sistem multiagen memungkinkan beberapa agen untuk berkolaborasi dalam menyelesaikan masalah yang melampaui kemampuan atau pengetahuan individu agen. Sistem multi-agen dapat menyelesaikan masalah yang terlalu besar untuk sistem agen tunggal. Penelitian menunjukkan bahwa MAS menawarkan berbagai keuntungan, termasuk peningkatan kecepatan, keandalan, serta toleransi terhadap ketidakpastian dalam data dan pengetahuan.⁹ Manfaat utama dari sistem multiagen, seperti yang diterapkan dalam crewAI, mencakup kolaborasi antaragen, alur kerja otonom, dan skalabilitas yang lebih baik.

Agen AI dapat dioptimalkan dengan parameter yang fleksibel dan dapat disesuaikan. Setiap agen memiliki persona yang mendefinisikan perannya serta instruksi spesifik terkait perilakunya.¹⁰ Dalam kerangka kerja multiagen, agen bekerja dalam tim, menjalankan peran masing-masing, dan berinteraksi untuk menyelesaikan tugas secara kolaboratif. Struktur tim ini dapat disesuaikan dan dioptimalkan sesuai dengan kebutuhan aplikasi dan tujuan yang ingin dicapai.

Salah satu penerapan konsep ini adalah melalui agen generatif kolaboratif. Dalam kerangka kerja multiagen, terdapat mekanisme penting yang mendukung kolaborasi yang efektif.¹¹ Beberapa kerangka kerja multiagen bahkan menyediakan templat yang membantu agen bekerja sama berdasarkan tujuan keseluruhan. crewAI mempermudah kolaborasi antaragen dengan memungkinkan pengguna membentuk tim atau kru yang bekerja secara kolektif untuk menyelesaikan tugas atau mencapai tujuan bersama.

Agen AI otonom mampu menyelesaikan tugas atau serangkaian tugas kompleks tanpa memerlukan arahan. Potensi agen berbasis model bahasa besar (LLM) diakui sebagai pendekatan terdepan dalam upaya mencapai kecerdasan umum buatan (AGI).¹² Agen ini dapat merencanakan dan mengambil tindakan secara mandiri untuk menyelesaikan berbagai tugas. Meskipun telah menunjukkan kemampuan yang mengesankan, agen AI masih menghadapi tantangan dalam menangani tugas yang memerlukan penalaran lebih kompleks.¹³ Sistem agen hadir sebagai solusi dengan menyediakan kerangka kerja yang mendukung alur kerja otonom. crewAI menawarkan perilaku otonom melalui proses hierarkisnya yang menggunakan agen manajer yang dihasilkan secara otonom yang mengawasi eksekusi dan alokasi tugas agen.

Sistem multiagen harus mampu berskala dalam berbagai dimensi. Dimensi tersebut termasuk peningkatan jumlah agen dalam suatu sistem atau aplikasi, meningkatnya keberagaman agen, serta pertumbuhan ukuran data yang digunakan oleh agen.¹⁴ Banyak kerangka kerja multiagen dilengkapi dengan alat pemantauan dan metrik untuk membantu menilai apakah penskalaan sistem tersebut berhasil. crewAI memungkinkan integrasi dengan alat pemantauan sumber daya pihak ketiga serta metrik yang memungkinkan observabilitas dan evaluasi terhadap LLM, kerangka kerja LLM, dan basis data vektor.

Agen AI adalah sistem atau program berbasis LLM yang dirancang untuk menangani berbagai tugas kompleks. Agen ini memiliki kemampuan memori dan perencanaan yang memungkinkan mereka mengambil keputusan secara mandiri serta bertindak berdasarkan pengalaman sebelumnya.¹⁵ Agen meningkatkan kemampuan LLM tradisional dengan menggunakan hasil LLM untuk memanggil alat perangkat lunak lain (seperti pengambilan data) dan mengulang hasilnya kembali ke LLM sampai tujuan menyeluruh terpenuhi. Apa yang membedakan agen AI dari LLM tradisional adalah kemampuan mereka untuk menavigasi, berinteraksi, dan beradaptasi dengan lingkungan mereka melalui perencanaan tindakan, pemanfaatan memori, dan pendinginan alat. Sistem agentic menyediakan alat serta mekanisme orkestrasi yang memungkinkan agen AI menjalankan algoritma machine learning yang relevan dengan tugas mereka.

crewAI dibangun berbasis LangChain dengan mempertimbangkan prinsip desain modular. Komponen utamanya terdiri dari agen, alat, tugas, proses, dan crew.

Agen adalah komponen fundamental dari kerangka kerja crewAI. Setiap agen adalah unit otonom dengan peran yang berbeda yang berkontribusi pada tujuan keseluruhan kru. Setiap agen diprogram untuk melakukan tugas, menangani pengambilan keputusan, dan berkomunikasi dengan agen lainnya.

crewAI mendorong pengguna untuk menganggap agen sebagai anggota tim. Agen dapat memiliki peran yang berbeda seperti 'Ilmuwan Data', 'Peneliti' atau 'Manajer Produk'. Tim multiagen berkolaborasi secara efektif untuk menjalankan alur kerja otomatis.
 
Sistem multiagen ini dirancang untuk meningkatkan kemampuan penalaran LLM dengan memanfaatkan diskusi antaragen dalam struktur permainan peran guna memungkinkan pemecahan masalah yang lebih kompleks melalui kolaborasi yang dinamis.¹⁶ Agen dalam sistem ini dapat berkomunikasi dan mendelegasikan tugas secara efektif menggunakan mekanisme bawaan crewAI untuk berinteraksi satu sama lain untuk berbagi pekerjaan atau mengajukan pertanyaan.

Tujuan dan karakteristik agen ditentukan oleh atribut. Agen crewAI memiliki tiga atribut utama yaitu role, goal, dan backstory.

Misalnya, instansiasi agen di crewAI mungkin terlihat seperti ini:

    agen = Agen(
         role= 'Mendukung Pelanggan',
         tujuan= 'Menangani pertanyaan dan masalah pelanggan',
         backstory= 'Anda adalah spesialis dukungan pelanggan untuk jaringan restoran. Anda bertanggung jawab untuk menangani panggilan pelanggan dan menyediakan
         dukungan pelanggan dan memasukkan data masukan. '
         )
 

crewAI menyediakan berbagai parameter opsional, termasuk opsi untuk menentukan model LLM yang digunakan serta dependensi alat yang diperlukan oleh agen.¹⁷

Alat merupakan keterampilan atau fungsi yang digunakan oleh agen untuk menjalankan berbagai tugas. Pengguna dapat memanfaatkan alat khusus maupun alat bawaan dari crewAI Toolkit dan LangChain Tools.

Alat ini meningkatkan kemampuan agen dengan memungkinkan mereka menangani berbagai tugas, seperti penanganan kesalahan, mekanisme caching, dan penyesuaian melalui argumen yang fleksibel.

Semua alat berisi penanganan kesalahan dan mendukung mekanisme caching.

crewAI toolkit berisi rangkaian alat pencarian yang menggunakan Generasi dengan dukungan pengambilan data (RAG) dalam berbagai sumber. Beberapa contohnya meliputi:

• JSONSearchTool:  Lakukan pencarian presisi dalam file JSON.
• GithubSearchTool: Mencari di dalam repositori GitHub.
• YouTubeChannelSearchTool: Mencari di dalam saluran YouTube.

Selain alat RAG, perangkat ini juga berisi berbagai alat web-scraping untuk pengumpulan dan ekstraksi data.

crewaI menawarkan integrasi sederhana dengan alat LangChain. Berikut adalah beberapa contoh alat bawaan yang tersedia dari LangChain:

• Shell (bash): Memberikan akses ke shell, sehingga memungkinkan LLM untuk menjalankan perintah shell.¹⁸
• Perbandingan dokumen: Gunakan agen untuk membandingkan dua dokumen.¹⁹
• Python: Memungkinkan agen untuk menulis dan mengeksekusi kode Python untuk menjawab pertanyaan.²⁰

Pengguna dapat membuat alat khusus untuk mengoptimalkan kemampuan agen. Dalam paket alat crewAI, pengguna dapat mendefinisikan deskripsi yang jelas tentang fungsi alat yang dibuat. Agen akan menggunakan deskripsi yang ditentukan pengguna untuk menggunakan alat khusus. Alat khusus dapat dilengkapi dengan mekanisme caching yang dapat disesuaikan untuk kontrol yang lebih granular.

Tugas adalah tugas khusus yang diselesaikan oleh agen. Detail untuk eksekusi difasilitasi melalui atribut tugas. Beberapa agen dapat ditugaskan untuk bekerja sama untuk menyelesaikan tugas yang sama.

Atribut tugas yang diperlukan meliputi deskripsi, agen, dan hasil yang diharapkan. Atribut-atribut ini mendefinisikan ruang lingkup tugas, agen yang bertanggung jawab, dan tujuan. Sebuah tugas dapat langsung ditugaskan ke agen atau ditangani melalui proses hierarki crewAI yang memutuskan berdasarkan peran dan ketersediaan.

Berikut adalah contoh tugas:

data_collection = Task(
     description= ‘Gather data from customer interactions, transaction history, and support tickets’
     expected_output= ‘An organized collection of data that can be preprocessed’,
     agent=data_science_agent,
)

Atribut tugas opsional mencakup integrasi alat, eksekusi asinkron untuk mendukung konkurensi, serta berbagai format output seperti JSON, model Pydantic, dan file hasil.

Fitur tugas termasuk integrasi, eksekusi asinkron, tinjauan input manusia, dan kustomisasi hasil.

Hasil tugas dapat membangun konteks untuk tugas di masa depan. Misalnya, hasil dari tugas "research" dapat digunakan sebagai konteks untuk menyelesaikan tugas "writer". Pertimbangkan contoh sederhana, sebuah tim yang terdiri dari dua agen, satu "research agent" dan satu "writer agent". Agen penelitian bertugas mengidentifikasi contoh penggunaan AI generatif utama, sementara agen penulis memanfaatkan hasil penelitian tersebut sebagai referensi untuk menulis blog singkat tentang topik yang sama atau terkait.

Tugas dapat dijalankan secara asinkron. Hal ini berguna untuk tugas berdurasi panjang atau tidak memengaruhi tugas berikutnya. Atribut konteks dapat digunakan untuk menentukan apakah tugas mendatang harus menunggu hasil hingga tugas asinkron selesai.²¹

Proses memungkinkan agen AI beroperasi secara kohesif dengan mengoordinasikan eksekusi tugas. Dalam kerangka kerja agen, proses menentukan cara kerja sama antaragen serta tugas yang diberikan kepada masing-masing. crewAI membandingkan proses ini dengan manajemen proyek, di mana tugas didistribusikan dan dieksekusi secara efisien, tetap selaras dengan strategi yang ditetapkan untuk mencapai tujuan.

crewAI mendukung dua jenis implementasi proses: berurutan dan hierarkis, serta merencanakan proses ketiga yang disebut proses konsensual. Setiap proses dapat ditugaskan ke kru agen, memungkinkan mereka bekerja sebagai satu kesatuan yang kohesif. Jenis proses yang dipilih akan menentukan strategi pelaksanaan tugas dalam kru.

• Berurutan: Proses berurutan mirip dengan alur kerja tim yang dinamis. Tugas dieksekusi secara berurutan sesuai dengan daftar yang telah ditentukan sebelumnya, di mana hasil dari setiap tugas digunakan sebagai konteks untuk tugas berikutnya.
• Hierarkis: Proses hierarkis meniru hierarki perusahaan. crewAI secara otomatis menghasilkan manajer berbasis AI untuk pengguna dengan memanfaatkan model bahasa yang dirancang khusus untuk agen manajer.²² Agen manajer bertanggung jawab mengawasi pelaksanaan tugas, mendistribusikan pekerjaan kepada agen sesuai dengan kemampuan mereka, meninjau hasil, dan mengevaluasi penyelesaian tugas. Proses ini menunjukkan bagaimana agen AI dapat beroperasi secara mandiri sekaligus berkolaborasi untuk menyelesaikan serangkaian tugas.
• Konsensual (direncanakan): Saat ini, proses konsensual belum diimplementasikan dalam basis kode. Namun, proses ini dirancang untuk memungkinkan pengambilan keputusan kolaboratif di antara agen saat menjalankan tugas. Proses ini bertujuan menghadirkan sistem manajemen tugas yang lebih demokratis.

Kru merupakan kumpulan agen yang bekerja secara kolektif untuk menyelesaikan serangkaian tugas yang telah ditetapkan.²³ Setiap kru menetapkan strategi untuk menjalankan tugas, mengoordinasikan eksekusi agen, dan mengelola alur kerja secara keseluruhan. Kru memiliki sejumlah atribut yang memungkinkan penyusunan agen dengan peran dan alat yang saling melengkapi, menetapkan tugas, serta menentukan proses yang mengatur urutan eksekusi dan interaksi.²⁴

Pengguna memilih dan menentukan daftar agen untuk bekerja sama sebagai kru. Para kru diberi daftar tugas yang harus diselesaikan. Atribut opsional menentukan strategi untuk eksekusi, kolaborasi agen, dan alur kerja secara keseluruhan.

Berikut ini adalah contoh kru yang terdiri dari dua agen yang berkolaborasi untuk mengumpulkan dan mengorganisir data dukungan pelanggan:

my_crew = Crew(
    agents=[data_science_agent, customer_support_agent],
    tasks=[customer_support_task, data_collection_task],
    process=Process.sequential,
    full_output=True,
    verbose=True,
)

Atribut tambahan mencakup fungsi callback, pengaturan bahasa dan memori, serta opsi untuk menentukan agen manajer dan model bahasa besar (LLM) yang digunakan, bergantung pada alur proses (misalnya, berurutan atau hierarkis). Setelah kru terbentuk, alur kerja dimulai melalui metode start-up. crewAI menyediakan berbagai metode start-up untuk mengontrol proses, termasuk eksekusi tugas secara asinkron dan individual.²⁵

crewAI dapat terhubung ke berbagai model bahasa besar (LLM) melalui beragam opsi koneksi. Secara default, agen menggunakan model GPT-4 dari OpenAI untuk pemrosesan bahasa. Namun, crewAI juga mendukung integrasi dengan berbagai LLM lainnya, termasuk seri IBM Granite. Model lokal dapat dihubungkan melalui Ollama atau API terbuka lainnya. Contoh konfigurasi kunci API dan panduan untuk menghubungkan ke berbagai LLM tersedia di dokumen crewAI. crewAI juga kompatibel dengan semua komponen LLM LangChain, sehingga mendukung berbagai model dalam antarmuka yang dapat dijalankan.

Kerangka kerja agen AI seperti crewAI berfungsi sebagai fondasi bagi peneliti dan pengembang dalam membangun sistem kecerdasan buatan di berbagai bidang, mulai dari chatbot berbasis agen hingga sistem multiagen yang kompleks.

Beberapa contoh penerapan di dunia nyata mencakup proyek seperti pembuatan halaman arahan interaktif dan otomatisasi peningkatan kehadiran di media sosial menggunakan kru. Beragam contoh lainnya tersedia dalam repositori GitHub berjudul “crewAI-examples”, yang disusun oleh Moura, dan dapat diuji langsung oleh pengguna.²⁶ Contoh ini juga menyediakan panduan bagi pemula untuk memahami dan menggunakan kerangka kerja.

Berikut adalah daftar beberapa contoh tersebut dan contoh penggunaan lain yang muncul dari komunitas crewAI:

• Perencanaan dan pembuatan konten: Salah satu contoh penggunaan crewAI dan groq, model bahasa alami, adalah membentuk tim agen khusus untuk menghasilkan konten yang menarik dan akurat berdasarkan topik tertentu.²⁷
• Mengotomatiskan pemeriksaan dan penyusunan email: Sebagai pengenalan bagi pemula, sekelompok agen dirancang untuk menganalisis dan memfilter email, mengambil seluruh utas percakapan, melakukan riset, serta menyusun draf email. Proses ini menggunakan pustaka LangGraph untuk mengotomatiskan alur kerja multiagen.²⁸
• Analisis saham: Agen diberi peran khusus untuk berkolaborasi guna memberikan analisis saham lengkap dan rekomendasi investasi menggunakan GPT 3.5, bukan GPT-4 default.²⁹

crewAI membandingkan dirinya dengan kerangka kerja multiagen seperti AutoGen dan ChatDev. Keunggulan utama crewAI terletak pada kemampuannya menggabungkan kelebihan dari kedua kerangka kerja tersebut. crewAI mengintegrasikan fleksibilitas agen percakapan AutoGen dengan pendekatan proses terstruktur yang digunakan oleh ChatDev.³⁰

AutoGen adalah kerangka kerja sumber terbuka Microsoft yang menggunakan algoritma pemrosesan bahasa alami (NLP) untuk agen AI percakapan. Meskipun kedua platform digunakan dalam aplikasi serupa, masing-masing memiliki pro dan kontra masing-masing. Keduanya adalah sistem yang fleksibel dengan agen AI yang dapat disesuaikan yang mampu berkolaborasi. crewAI menyediakan cara yang lebih simpler untuk mengatur interaksi agen dengan menyediakan atribut yang dapat disesuaikan yang mengontrol proses aplikasi. Autogen membutuhkan lebih banyak pengaturan pemrograman untuk mencapai hal ini. AutoGen menawarkan cara bawaan untuk mengeksekusi kode yang dihasilkan LLM dengan cepat.³¹ crewAI saat ini tidak menawarkan perkakas untuk kemampuan ini, tetapi hal ini dapat dilakukan dengan pengaturan pemrograman tambahan.

ChatDev adalah platform sumber terbuka yang menggunakan kolaborasi multiagen role-playing, termasuk crewAI. Struktur proses ChatDev bersifat kaku, sehingga membatasi penyesuaian dan menghambat skalabilitas dan fleksibilitas untuk lingkungan produksi. Kerangka kerja seperti crewAI dirancang untuk berintegrasi dengan aplikasi pihak ketiga dan alur kerja yang dapat disesuaikan untuk lingkungan yang dinamis dan mudah beradaptasi. Fungsi unik dari ChatDev adalah bahwa ia memperluas dirinya sebagai ekstensi peramban untuk merangkai percakapan di berbagai agen di dalam peramban web.³²

Sebagai kerangka kerja orkestrasi multiagen, crewAI menyediakan inovasi lain menuju tujuan kecerdasan buatan. Arsitektur agen akan meningkatkan kinerja dan kemampuan agen AI, yang memungkinkan aplikasi LLM untuk menjalankan tugas di luar pembuatan bahasa.