crewAI란 무엇인가요?

'크루'라는 용어는 실제 작업팀과 유사하게 서로 협력하여 자율적으로 작업을 위임하고 서로에게 질문하는 AI 에이전트를 의미합니다. 각 멀티 에이전트 크루는 기존 및 커스텀 툴을 활용하여 할당된 일련의 작업을 완료하는 상호 보완적인 롤플레잉 AI 에이전트로 구성됩니다. 언어 모델은 일련의 작업을 선택하여 에이전트를 위한 추론 엔진 역할을 합니다.² crewAI의 에이전트는 모든 오픈 소스 대규모 언어 모델(LLM) 또는 애플리케이션 프로그래밍 인터페이스(API)를 사용하도록 구성할 수 있습니다.

최근 연구에서는 LLM 모델의 범위를 단순한 텍스트 생성 이상으로 확장하여 대화형 상호 작용, 의사 결정 및 작업 완료를 위한 다목적 에이전트 역할을 할 수 있음을 보여줍니다.³ AI 에이전트 및 에이전틱 프레임워크를 둘러싼 AI 및 연구 분야가 급성장하고 있는 가운데, crewAI를 포함한 멀티 에이전트 프레임워크가 생성형 AI 분야로 부상했습니다.

차세대 AI 애플리케이션은 에이전틱 아키텍처를 사용하여 자율 에이전트 기반 시스템을 구축할 것입니다.⁴ 이러한 에이전틱 프레임워크는 생성형 AI 작업을 개선하여 다양한 AI 솔루션의 복잡한 작업을 처리합니다. 예를 들어, AI 챗봇은 에이전틱 AI 프레임워크를 구현하는 방식이 될 수 있습니다. 에이전틱 챗봇은 비에이전틱 챗봇과 달리 사용 가능한 툴을 사용하고, 실행하기 전에 작업을 계획하고, 메모리를 보유할 수 있습니다. 이러한 기능을 통해 더욱 정교하고 의미 있는 대화를 할 수 있습니다.

에이전틱 프레임워크는 AI 애플리케이션에 툴 호출 및 오케스트레이션을 사용하는 AI 에이전트 아키텍처입니다. 에이전틱 시스템은 계획, 반복 개선, 반영 및 기타 제어 메커니즘을 사용하여 모델에 내장된 추론 능력을 완전히 활용하여 작업을 처음부터 끝까지 완료합니다.⁵ AI 시스템 내에 AI 에이전트를 구현하면 생성형 AI 애플리케이션이 작동하는 데 필요한 프로세스를 자동화할 수 있습니다.

에이전틱 프레임워크는 또한 향상된 학습 및 성능 능력을 제공합니다. 맞춤형 의사 결정 작업을 위해 LLM을 미세 조정하는 것은 리소스 집약적이며 모델의 일반화 능력을 저하시킬 수 있습니다.⁶ AI 에이전트는 이전 작업과 경험을 통해 학습할 수 있으므로 모델을 미세 조정하는 데 필요한 컴퓨팅 비용을 줄일 수 있습니다.

에이전틱 프레임워크는 단일 에이전트 또는 다중 에이전트 시스템을 사용할 수 있습니다.

단일 에이전트 프레임워크는 하나의 언어 모델을 사용하여 다양한 작업과 책임을 실행합니다. 에이전트에게는 시스템 프롬프트와 검색, API 및 기타 에이전트와 같은 작업을 완료하는 데 필요한 툴이 제공됩니다. 단일 에이전트 시스템은 툴을 통해 다른 에이전트와 상호 작용할 수 있지만 다중 에이전트 시스템과 동일한 방식으로 협력하지는 않습니다.

단일 에이전트 시스템에는 다른 AI 에이전트의 피드백 메커니즘이 없습니다. 따라서 시간이 지남에 따라 정확도를 향상시키기 위해 에이전트를 안내하는 사용자 피드백 옵션을 사용하는 것이 좋습니다. 단일 에이전트 아키텍처는 다른 에이전트 또는 사용자의 피드백이 필요하지 않은 잘 정의된 문제에 가장 적합합니다.⁷

멀티 에이전트 시스템(MAS)은 모든 능력을 단일 모델로 포함하려고 하지 않고, 여러 전문 에이전트에게 작업을 분배합니다. 멀티 에이전트 아키텍처에는 동일한 언어 모델 또는 다른 언어 모델을 사용할 수 있는 두 개 이상의 에이전트가 포함됩니다. 규모에 관계없이 에이전트는 동일한 환경 내에서 작업하여 서로의 목표, 메모리 및 실행 계획을 모델링합니다. 이러한 아키텍처는 모델이 작업을 일련의 단계로 나누어야 하는 CoT(Chain-of-Thought) 프롬프트에 비해 주목할 만한 이점을 보여줍니다.⁸ 멀티 에이전트 아키텍처는 협업과 여러 개의 고유한 실행 경로가 필요할 때 더 잘 작동하는 경향이 있습니다.

사용하기에 가장 적합한 에이전트 아키텍처는 전체 애플리케이션 및 사용 사례의 특성에 따라 다릅니다. 단일 에이전트 시스템은 좁은 범위의 문제를 해결하는 데 가장 적합합니다. 에이전트를 문제 해결사로 생각할 수 있습니다. 어떤 문제에는 한 명의 전문 상담원의 개별적인 능력이 필요하고, 어떤 문제에는 여러 명의 상담원이 팀을 이루어 문제를 해결해야 할 수도 있습니다. 멀티 에이전트 시스템은 각 에이전트의 개별 능력이나 지식을 넘어서는 문제를 해결하기 위해 함께 협력하는 에이전트 팀입니다. 멀티 에이전트 시스템은 단일 에이전트 시스템으로 해결하기에는 너무 큰 문제를 해결할 수 있습니다. 연구에 따르면 멀티 에이전트 시스템은 속도와 신뢰성 향상, 불확실한 데이터와 지식 허용 등 상당한 이점이 있는 것으로 나타났습니다.⁹ crewAI와 유사한 멀티 에이전트 시스템의 주요 이점에는 에이전트 협업, 자율 워크플로 및 확장성이 포함됩니다.

AI 에이전트는 다양한 사용자 지정 매개변수를 통해 최적화할 수 있습니다. 각 에이전트에게는 자신의 역할과 행동에 대한 특정 지침이 명시된 페르소나가 지정됩니다.¹⁰ 멀티 에이전트 프레임워크는 에이전트의 기능을 활용하여 특정 역할을 수행하고 서로 상호 작용하면서 팀 내의 작업을 관리합니다. 이러한 팀의 구성은 애플리케이션과 전반적인 목표에 따라 조정되고 최적화될 수 있습니다.

이를 구현하는 한 가지 방법은 협업 생성형 에이전트를 사용하는 것입니다. 멀티에이전트 프레임워크는 효과적인 협업에 필요한 필수 기능을 제공할 수 있습니다.¹¹ 일부 멀티 에이전트 프레임워크는 전체 목표에 따라 에이전트 협업을 위한 템플릿을 제공합니다. crewAI는 사용자가 에이전트를 팀 또는 공통의 목표나 작업을 수행하기 위해 일하는 크루로 구성할 수 있도록 하여 에이전트 협업을 용이하게 합니다.

자율 AI 에이전트는 지시 없이도 작업 또는 일련의 복잡한 작업을 완료할 수 있습니다. LLM 기반 자율 에이전트의 잠재력은 인공 일반 지능(AGI)을 달성하기 위한 선도적인 접근법으로 인정받고 있습니다.¹² 이러한 LLM 기반 에이전트는 자기 주도적인 계획과 작업을 통해 작업을 실행할 수 있습니다. AI 에이전트는 놀라운 기능을 입증했지만 더 복잡한 형태의 추론이 필요한 작업에 대한 능력을 확장하는 데에는 여전히 어려움을 겪고 있습니다.¹³ 에이전틱 시스템은 자율 워크플로를 위한 프레임워크를 제공함으로써 이러한 문제를 완화하는 데 도움이 됩니다. crewAI는 에이전트 작업의 실행 및 할당을 감독하는 자율적으로 생성된 관리자 에이전트를 사용하는 계층적 프로세스를 통해 자율적인 동작을 제공합니다.

다중 에이전트 시스템은 다양한 차원으로 확장되어야 합니다. 이러한 차원에는 시스템 또는 애플리케이션에서 총 에이전트 수가 증가하는 경우, 에이전트의 다양성이 증가하는 경우, 에이전트가 작업하는 데이터의 크기가 증가하는 경우 등이 포함됩니다.¹⁴ 많은 멀티 에이전트 프레임워크에는 시스템이 성공적으로 확장되고 있는지 평가하는 데 도움이 되는 모니터링 및 메트릭과 같은 툴이 함께 제공됩니다. crewAI를 사용하면 타사 리소스 모니터링 및 메트릭 툴과 통합하여 LLM, LLM 프레임워크 및 벡터 데이터베이스에 대한 관측 가능성 및 평가를 설정할 수 있습니다.

AI 에이전트는 다양하고 복잡한 작업을 수행하도록 개발할 수 있는 LLM 기반 시스템 또는 프로그램입니다. 에이전트는 이전 경험을 바탕으로 독립적인 결정을 내리고 조치를 취할 수 있는 메모리 및 계획 능력을 보유하고 있습니다.¹⁵ 에이전트는 LLM 아웃풋을 사용하여 다른 소프트웨어 툴(예: 데이터 검색)을 호출하고 가장 중요한 목표가 달성될 때까지 결과를 LLM으로 다시 루프함으로써 기존 LLM 능력을 향상시킵니다. AI 에이전트가 기존 LLM과 다른 점은 작업 계획, 메모리 활용 및 툴 냉각을 통해 환경을 탐색하고 상호 작용하며 환경에 적응하는 능력입니다. 에이전틱 시스템은 에이전트가 자신의 업무와 관련된 머신 러닝 알고리즘을 실행할 수 있도록 툴링 및 오케스트레이션을 제공합니다.

crewAI는 모듈식 설계 원칙을 염두에 두고 LangChain을 기반으로 구축되었습니다. 주요 구성 요소는 에이전트, 툴, 작업, 프로세스 및 스태프로 구성됩니다.

에이전트는 crewAI 프레임워크의 기본 구성 요소입니다. 각 에이전트는 크루의 전체 목표에 기여하는 다양한 역할을 수행하는 자율적인 단위입니다. 각 에이전트는 작업을 수행하고, 의사 결정을 내리고, 다른 에이전트와 소통하도록 프로그래밍됩니다.

cruAI는 사용자가 에이전트를 팀의 구성원으로 생각하도록 장려합니다. 에이전트는 '데이터 과학자', '연구원', '제품 관리자'와 같은 다양한 역할을 할 수 있습니다. 멀티 에이전트 팀은 효과적으로 협업하여 자동화된 워크플로를 수행합니다.
 
이러한 형태의 멀티 에이전트 시스템은 롤플레잉 구조를 활용하여 복잡한 문제 해결을 용이하게 함으로써 에이전트 간 토론을 통해 LLM의 추론 능력을 향상시키는 것을 목표로 합니다.¹⁶ 에이전트들은 crewAI의 고유한 위임 및 커뮤니케이션 메커니즘을 통해 서로 소통하며, 서로에게 연락하여 업무를 위임하거나 질문할 수 있는 타고난 능력을 제공합니다.

에이전트의 목표와 특성은 속성에 의해 정의됩니다. crewAI의 에이전트는 역할, 목표, 배경 스토리라는 세 가지 주요 속성을 갖습니다.

예를 들어, crewAI에서 에이전트의 인스턴스화는 다음과 같을 수 있습니다.

    에이전트 = 에이전트(
         역할 = '고객 지원',
         목표= '고객 문의 및 문제 처리'),
         배경 스토리 = '귀하는 체인 레스토랑의 고객 지원 전문가입니다. 귀하는 고객 전화를 처리하고
         고객 지원 및 피드백 데이터 입력을 제공할 책임이 있습니다.'
         )
 

crewAI는 에이전트가 사용하는 LLM 및 툴링 종속성을 선택하기 위한 속성을 포함한 여러 가지 선택적 매개변수를 제공합니다.¹⁷

툴은 에이전트가 다양한 작업을 수행하는 데 사용하는 기술 또는 기능입니다. 사용자는 crewAI 툴킷 및 LangChain 툴의 사용자 지정 툴과 기존 툴을 모두 활용할 수 있습니다.

툴은 유연한 툴 인수를 통해 오류 처리, 캐싱 메커니즘, 사용자 지정 등 다양한 작업을 수행할 수 있도록 하여 에이전트의 기능을 확장합니다.

모든 툴에는 오류 처리 기능이 포함되어 있으며 캐싱 메커니즘을 지원합니다.

crewAI 툴킷에는 다양한 소스에서 검색 증강 생성(RAG) 방법론을 사용하는 검색 툴 세트가 포함되어 있습니다. 몇 가지 예는 다음과 같습니다.

• JSONSearchTool: JSON 파일 내에서 정밀한 검색을 수행합니다.
• GithubSearchTool: GitHub 리포지토리 내에서 검색합니다.
• YouTubeChannelSearchTool: YouTube 채널 내에서 검색합니다.

이 키트에는 RAG 툴 외에도 데이터 수집 및 추출을 위한 다양한 웹 스크래핑 툴이 포함되어 있습니다.

crewAI는 LangChain 툴과의 간단한 통합을 제공합니다. 다음은 LangChain에서 사용 가능한 기본 제공 툴의 몇 가지 예입니다.

• 셸(bash): 셸에 대한 액세스 권한을 부여하여 LLM이 셸 명령을 실행할 수 있도록 합니다.¹⁸
• 문서 비교: 에이전트를 사용하여 두 문서를 비교합니다.¹⁹
• Python: 에이전트가 Python 코드를 작성하고 실행하여 질문에 답할 수 있도록 합니다.²⁰

사용자는 에이전트 능력을 더욱 최적화하기 위해 자신만의 툴을 만들 수 있습니다. crewAI 툴 패키지의 일부로 사용자는 툴의 용도에 대한 명확한 설명을 정의하여 툴을 만들 수 있습니다. 에이전트는 사용자 정의 설명을 사용하여 사용자 지정 툴을 사용합니다. 사용자 지정 툴은 세분화된 제어를 위해 미세 조정할 수 있는 캐싱 메커니즘을 선택적으로 구현할 수 있습니다.

작업은 에이전트가 완료한 특정 과제입니다. 작업 속성을 통해 실행 세부 정보를 확인할 수 있습니다. 여러 에이전트가 함께 작업하여 동일한 작업을 완료하도록 지정할 수 있습니다.

필요한 작업 속성에는 설명, 에이전트 및 예상 아웃풋이 포함됩니다. 이러한 속성은 작업의 범위, 담당 에이전트 및 목표를 정의합니다. 작업은 에이전트에게 직접 할당되거나 역할과 가용성에 따라 결정되는 crewAI의 계층적 프로세스를 통해 처리될 수 있습니다.

다음은 작업의 예입니다.

데이터 수집 = 작업(
     설명= '고객 상호작용, 거래 내역 및 지원 티켓에서 데이터 수집'
     예상 아웃풋 = '사전 처리가 가능한 체계화된 데이터 컬렉션'
     에이전트 = 데이터 과학 에이전트,
)

선택적 작업 속성에는 툴 통합, 동시성을 위한 비동기 실행 및 JSON, Pydantic 모델 및 작업 결과에 대한 파일 아웃풋을 포함한 아웃풋이 포함됩니다.

작업 기능에는 툴 통합, 비동기 실행, 사람 인풋 검토 및 아웃풋 사용자 지정이 포함됩니다.

작업 결과는 향후 작업에 대한 컨텍스트를 설정할 수 있습니다. 예를 들어, '연구' 작업의 아웃풋은 '작성자' 작업을 완료하기 위한 컨텍스트로 사용될 수 있습니다. 간단한 예로 '연구 에이전트' 한 명과 '작가' 에이전트 한 명, 두 명의 에이전트로 구성된 팀을 생각해 보세요. 연구 에이전트는 최고의 생성형 AI 사용 사례의 예를 찾는 임무를 맡고 있으며, 작가 에이전트는 결과 연구를 컨텍스트로 사용하여 동일하거나 유사한 주제에 대한 짧은 블로그를 작성하는 작업을 수행할 수 있습니다.

작업은 비동기적으로 실행되도록 정의할 수 있습니다. 이 기능은 완료하는 데 시간이 오래 걸리거나 다음 작업을 수행하는 데 필요하지 않은 작업에 유용합니다. 컨텍스트 속성을 사용하여 향후 작업에서 비동기 작업의 아웃풋이 완료될 때까지 기다리도록 정의할 수 있습니다.²¹

프로세스는 작업 실행을 오케스트레이션하여 개별 AI 에이전트가 일관된 단위로 작동할 수 있도록 합니다. 에이전트 프레임워크의 프로세스는 에이전트가 함께 작업하는 방식과 에이전트에게 할당되는 작업을 정의합니다. crewAI는 프로세스를 프로젝트 관리와 비교하는데, 이는 작업이 효율적으로 분배 및 실행되고 미리 정의된 전략에 따라 목표를 완수할 수 있도록 하기 때문입니다.

crewAI에는 순차적 프로세스와 계층적 프로세스라는 두 가지 프로세스 구현이 포함되어 있으며, 합의 프로세스라고 하는 세 번째 프로세스를 계획하고 있습니다. 에이전트 크루에 프로세스를 할당하여 응집력 있는 단위로 운영할 수 있도록 할 수 있습니다. 크루에게 프로세스를 할당할 때 프로세스 유형에 따라 실행 전략이 설정됩니다.

• 순차적: 순차적 프로세스는 동적 팀 워크플로와 유사합니다. 작업은 작업 목록에 미리 정의된 순서에 따라 실행되며, 한 작업의 아웃풋이 다음 작업의 컨텍스트로 사용됩니다.
• 계층적: 계층적 프로세스는 기업 계층 구조를 모방합니다. crewAI는 관리자 에이전트에 맞게 조정된 관리자 언어 모델을 활용하여 사용자를 위한 관리자를 자율적으로 생성합니다.²² 관리자 에이전트는 작업 실행을 감독하고, 에이전트의 기능에 따라 에이전트에게 작업을 할당하고, 아웃풋을 검토하고, 작업 완료를 평가합니다. 이 프로세스는 AI 에이전트가 자율적으로 협력하여 일련의 작업을 완료하는 예입니다.
• 합의(예정): 현재 합의 프로세스는 코드베이스에 구현되어 있지 않지만 작업 실행에 대한 에이전트 간의 공동 의사 결정을 위한 방법을 제공하는 것을 목표로 하고 있습니다. 이 프로세스는 작업 관리에 대한 민주적 접근 방식을 도입합니다.

크루는 사전 정의된 일련의 작업을 수행하기 위해 협력하는 에이전트의 집합적 앙상블을 구현합니다.²³ 각 팀은 작업 실행, 에이전트 실행 및 전체 워크플로에 대한 전략을 정의합니다. 크루는 상호 보완적인 역할과 툴을 가진 에이전트를 모으고, 작업을 할당하고, 실행 순서와 상호 작용을 지시하는 프로세스를 선택하는 데 도움이 되는 몇 가지 속성을 가지고 있습니다.²⁴

사용자는 크루로 함께 작업할 에이전트 목록을 선택하고 정의합니다. 크루에게는 완료해야 할 작업 목록이 할당됩니다. 선택적 속성은 실행 전략, 에이전트 협업 및 전반적인 워크플로를 정의합니다.

다음은 고객 지원 데이터를 수집하고 구성하기 위해 협력하는 것을 목표로 하는 두 명의 에이전트로 구성된 팀의 예입니다.

내 크루 = 크루(
    에이전트 = [데이터 과학 에이전트, 고객 지원 에이전트],
    작업 = [고객 지원 작업, 데이터 수집 작업],
    프로세스 = 프로세스 순차적,
    전체 아웃풋 = 참,
    세부 정보 =참,
)

추가 속성에는 콜백 기능, 언어 및 메모리 설정, 프로세스 흐름(예: 순차적, 계층적)에 따라 사용할 관리자 에이전트 및 LLM을 설정하는 옵션이 포함됩니다. 팀이 구성되면 스타트업 방식을 통해 워크플로가 시작됩니다. crewAI는 비동기 및 개별 작업 실행을 포함하여 프로세스를 제어하기 위한 여러 시작 방법을 제공합니다.²⁵

crewAI는 다양한 연결 옵션을 통해 모든 LLM에 연결할 수 있습니다. 기본적으로 에이전트는 언어 처리를 위해 OpenAI의 GPT-4 모델을 사용하지만 crewAI는 IBM Granite 시리즈와 같은 모델을 포함하여 다양한 LLM에 연결할 수 있는 유연성을 제공합니다. 로컬 모델은 ollama 또는 기타 개방형 API를 통해 연결할 수 있습니다. API 키 구성의 예와 여러 LLM에 연결하는 방법에 대한 튜토리얼은 crewAI 문서에서 확인할 수 있습니다. crewAI는 모든 LLM에 실행 가능한 인터페이스에 대한 기본 지원을 제공하는 모든 LangChain LLM 구성 요소와 호환됩니다.

crewAI와 같은 AI 에이전트 프레임워크는 연구자와 개발자가 에이전틱 AI 챗봇부터 복잡한 멀티 에이전트 시스템에 이르기까지 다양한 영역에서 지능형 시스템을 개발할 수 있는 기본 툴의 역할을 합니다.

몇 가지 실제 사례로는 대화형 랜딩 페이지를 구축하고 크루를 사용하여 소셜 미디어 인지도를 높이는 프로세스를 자동화하는 것과 같은 프로젝트가 있습니다. Moura가 구성한 GitHub 저장소에는 사용자가 직접 테스트해 볼 수 있도록 “CreWai Examples”라는 제목의 여러 실제 예제 모음이 있습니다.²⁶ 이러한 예제에는 초보자를 위한 프레임워크 사용 소개도 포함되어 있습니다.

다음은 몇 가지 예시와 crewAI 커뮤니티에서 소개된 기타 사용 사례의 목록입니다.

• 콘텐츠 계획 및 제작: 한 사용 사례에서는 crewAI와 자연어 모델인 groq를 사용하여 전문 에이전트 팀을 만들어 주어진 주제에 대해 매력적이고 사실에 입각한 정확한 콘텐츠를 제작합니다.²⁷
• 이메일 확인 및 초안 작성 자동화: 초보자를 위한 입문서로 설계되었으며, 에이전트 크루가 LangGraph 라이브러리를 사용하여 이메일 분석 및 필터링, 전체 스레드 가져오기, 조사 및 이메일 초안 작성 작업을 완료하여 멀티 에이전트 워크플로를 자동화합니다.²⁸
• 주식 분석: 에이전트는 기본 GPT-4 대신 GPT 3.5를 사용하여 완전한 주식 분석 및 투자 추천을 제공하기 위해 협업할 수 있는 특정 역할이 부여됩니다.²⁹

crewAI는 AutoGen 및 ChatDev를 포함한 멀티 에이전트 프레임워크와 비교됩니다. crewAI의 가장 큰 장점은 이 두 프레임워크가 개별적으로 잘 수행하는 기능이 결합되어 있다는 것입니다. crewAI는 AutoGen의 대화형 에이전트의 유연성과 ChatDev의 구조화된 프로세스 접근 방식을 결합합니다.³⁰

AutoGen은 대화형 AI 에이전트를 위해 자연어 처리(NLP) 알고리즘을 사용하는 Microsoft의 오픈 소스 에이전틱 프레임워크입니다. 두 플랫폼 모두 유사한 애플리케이션에서 사용되지만 각각 장단점이 있습니다. 둘 다 협업이 가능한 맞춤형 AI 에이전트를 갖춘 유연한 시스템입니다. crewAI는 애플리케이션 프로세스를 제어하는 사용자 지정 가능한 속성을 제공하여 에이전트 상호 작용을 보다 간단하게 조율할 수 있는 방법을 제공합니다. Autogen은 이를 위해 더 많은 프로그래밍 설정이 필요합니다. AutoGen은 LLM에서 생성된 코드를 빠르게 실행할 수 있는 기본 제공 방법을 제공합니다.³¹ crewAI는 현재 이 기능을 위한 툴링을 제공하지 않지만, 추가 프로그래밍 설정을 통해 제공할 수 있습니다.

ChatDev는 crewAI를 포함한 롤플레잉 멀티 에이전트 협업을 사용하는 오픈 소스 플랫폼입니다. ChatDev의 프로세스 구조는 경직되어 있어 사용자 지정이 제한되고 프로덕션 환경의 확장성과 유연성을 방해합니다. crewAI와 같은 프레임워크는 동적이고 적응력이 뛰어난 환경을 위해 타사 애플리케이션 및 사용자 지정 가능한 워크플로와 통합되도록 설계되었습니다. ChatDev의 고유한 기능은 브라우저 확장 기능으로 확장되어 웹 브라우저 내에서 다양한 에이전트 간에 대화를 연결할 수 있다는 것입니다.³²

멀티 에이전트 오케스트레이션 프레임워크인 crewAI는 인공 지능이라는 목표를 향한 또 다른 혁신을 제공합니다. 에이전틱 아키텍처는 AI 에이전트의 성능과 능력을 향상시켜 LLM 애플리케이션이 언어 생성 이상의 작업을 수행할 수 있도록 지원합니다.