ما هو crewAI؟

يشير مصطلح "الطاقم" إلى وكلاء الذكاء الاصطناعي الذين يعملون معًا لتفويض المهام بشكل مستقل وطرح الأسئلة فيما بينهم، على غرار طاقم العمل الواقعي. يتألف كل طاقم متعدد الوكلاء من وكلاء ذكاء اصطناعي متكاملين يلعبون الأدوار ويستفيدون من الأدوات الموجودة والمخصصة لإكمال مجموعة من المهام المعينة. تعمل نماذج اللغة كمحرك استدلال للوكلاء عن طريق تحديد سلسلة من الإجراءات.² يمكن تكوين وكلاء crewAI لاستخدام أي نموذج لغوي كبير (LLM) مفتوح المصدر أو واجهة برمجة التطبيقات.

تعمل الأبحاث الحديثة على توسيع نطاق النماذج اللغوية الكبيرة بما يتجاوز مجرد إنشاء النص، مما يدل على أنها يمكن أن تكون بمثابة وكلاء متعددين الاستخدامات لتفاعلات المحادثة واتخاذ القرار وإكمال المهام.³ في مجال الذكاء الاصطناعي المزدهر والأبحاث المحيطة بوكلاء الذكاء الاصطناعي وأطر العمل الفاعلة، ظهرت الأطر متعددة الوكلاء بما في ذلك crewAI في مشهد الذكاء الاصطناعي التوليدي.

سيستخدم الجيل التالي من تطبيقات الذكاء الاصطناعي بنية فاعلة لبناء أنظمة مستقلة قائمة على الوكيل.⁴ تعالج أطر العمل الفاعلة هذه المهام المعقدة للعديد من حلول الذكاء الاصطناعي من خلال تعزيز مهام الذكاء الاصطناعي التوليدي. على سبيل المثال، يمكن أن تكون روبوتات المحادثة المدعومة بالذكاء الاصطناعي طريقة لتنفيذ أطر العمل للذكاء الاصطناعي الفاعل. يمكن لروبوتات المحادثة الفاعلة، على عكس روبوتات المحادثة غير الفاعلة، استخدام أدواتها المتاحة وتخطيط الإجراءات قبل تشغيلها والاحتفاظ بالذاكرة. تنتج هذه الإمكانات محادثات أكثر دقة وذات مغزى.

الأطر الفاعلة هي بنيات وكلاء الذكاء الاصطناعي التي تستخدم استدعاء الأدوات وتنسيقها لتطبيقات الذكاء الاصطناعي. تستخدم الأنظمة الفاعلة التخطيط والتحسين التكراري والتفكير وآليات التحكم الأخرى للاستفادة الكاملة من قدرات الاستدلال المضمنة في النموذج لإكمال المهام من البداية إلى النهاية.⁵ يؤدي تنفيذ عوامل الذكاء الاصطناعي داخل أنظمة الذكاء الاصطناعي إلى أتمتة العمليات اللازمة لتشغيل تطبيقات الذكاء الاصطناعي التوليدي.

كما توفر أطر العمل الفاعلة أيضًا قدرات تعليمية وأداء محسّن. إن الضبط الدقيق للنماذج اللغوية الكبيرة لمهام صنع القرار المخصصة يتطلب الكثير من الموارد ويمكن أن يقلل من قدرات التعميم الخاصة بالنماذج.⁶ يمكن لوكلاء الذكاء الاصطناعي التعلم من أفعالهم وخبراتهم، مما يخفف من النفقات الحوسبية اللازمة لضبط النماذج.

أطر العمل الفاعلة يمكن أن تستخدم أنظمة أحادية الوكيل أو متعددة الوكلاء.

تعتمد أطر العمل أحادية الوكيل على نموذج لغة واحد لتشغيل مجموعة متنوعة من المهام والمسؤوليات. يتم تزويد الوكيل بموجه النظام والأدوات اللازمة لإكمال مهامه مثل البحث وواجهات برمجة التطبيقات وحتى الوكلاء الآخرين. على الرغم من أن الأنظمة أحادية الوكيل يمكن أن تتفاعل مع العوامل الأخرى من خلال الأدوات، إلا أنها لا تتعاون بنفس الطريقة التي تتعاون بها الأنظمة متعددة الوكلاء.

في الأنظمة أحادية الوكيل، لا توجد آلية للتغذية الراجعة من وكلاء الذكاء الاصطناعي الآخرين؛ لذلك، يوصى بخيارات التعليقات البشرية لتوجيه الوكيل لتحسين الدقة بمرور الوقت. تعمل البنى أحادية الوكيل بشكل أفضل للمشكلات المحددة جيدًا حيث لا تكون التعليقات الواردة من الوكلاء أو المستخدمين الآخرين ضرورية.⁷

بدلاً من محاولة احتواء جميع القدرات داخل نموذج واحد، تقوم الأنظمة المتعددة الوكلاء (MAS) بتقسيم المهام بين العديد من الوكلاء المتخصصين. تتضمن البنى متعددة الوكلاء وكيلين أو أكثر، والتي قد تستخدم نفس نموذج اللغة أو نماذج مختلفة. بغض النظر عن الحجم، يعمل الوكلاء في نفس البيئة لنمذجة أهداف بعضهم البعض وذاكرتهم وخطة عملهم. تظهر هذه البنى مزايا ملحوظة على تحفيز سلسلة الأفكار (CoT)، حيث يحتاج النموذج إلى تقسيم المهام إلى سلسلة من الخطوات.⁸ تميل البنى متعددة الوكلاء إلى الازدهار أكثر عند الحاجة إلى التعاون ومسارات تنفيذ مميزة متعددة.

تعتمد أفضل بنى الوكيل التي يمكن استخدامها على تفاصيل التطبيق الكلي وحالة الاستخدام. الأنظمة أحادية الوكيل هي الأفضل في حل المشكلات الضيقة. يمكننا أن نفكر في الوكلاء كحلول للمشاكل. تتطلب بعض المشاكل قدرات فردية لوكيل واحد متخصص، بينما قد تتطلب مشاكل أخرى فريقًا من محللي المشاكل، أو فريقًا من عدة وكلاء. الأنظمة متعددة الوكلاء هي عبارة عن فريق من الوكلاء الذين يعملون معًا لحل المشاكل التي تتجاوز القدرات الفردية أو المعرفة الخاصة بكل وكيل. يمكن للأنظمة متعددة الوكلاء حل المشكلات الكبيرة جدًا بالنسبة للأنظمة أحادية الوكيل. تشير الأبحاث إلى أن الأنظمة متعددة الوكلاء لها مزايا كبيرة بما في ذلك السرعة والموثوقية المحسّنة كما أنها تتسامح مع البيانات والمعرفة غير المؤكدة.⁹ تشمل المزايا الرئيسية للأنظمة متعددة الوكلاء المشابهة لـ crewAI التعاون بين الوكلاء ومهام سير العمل المستقلة وقابلية التوسع.

يمكن تحسين وكلاء الذكاء الاصطناعي من خلال المعلمات القابلة للتخصيص والمتنوعة. يتم تعيين شخصية لكل وكيل تحدد دوره إلى جانب أي تعليمات محددة لسلوكه.¹⁰ تستخدم أطر العمل متعددة الوكلاء قدرات الوكلاء لإدارة المهام داخل الفريق أثناء العمل في أدوارهم المحددة والتفاعل مع بعضهم البعض. يمكن تكييف تشكيلات هذه الفرق وتحسينها اعتماداً على التطبيق والأهداف العامة.

إحدى الطرق التي يتم بها تنفيذ ذلك هي من خلال وكلاء التوليد التعاوني. إن أطر العمل متعددة الوكلاء قادرة على توفير الأعضاء الأساسية اللازمة للتعاون الفعال.¹¹ توفر بعض أطر العمل متعددة الوكلاء قوالب لتعاون الوكلاء بناءً على الهدف العام. يسّهل crewAI تعاون الوكلاء من خلال السماح للمستخدمين بتجميع الوكلاء في فرق أو أطقم تعمل على تنفيذ هدف أو مهمة مشتركة.

يمكن لوكلاء الذكاء الاصطناعي المستقلين إكمال مهمة أو سلسلة من المهام المعقدة غير الموجهة. يتم التعرف على إمكانات الوكلاء المستقلين القائمين على النماذج اللغوية الكبيرة كنهج رائد نحو تحقيق الذكاء الاصطناعي العام (AGI).¹² يمكن لهؤلاء الوكلاء المعتمدين على النماذج اللغوية الكبيرة تنفيذ المهام من خلال التخطيط والإجراءات الموجهة ذاتيًا. على الرغم من أن وكلاء الذكاء الاصطناعي قد أظهروا قدرات مذهلة، إلا أنهم ما زالوا يواجهون تحديات في توسيع نطاق اختصاصاتهم لتشمل المهام التي تتطلب أشكالًا أكثر تعقيدًا من الاستدلال.¹³ تساعد الأنظمة الفاعلة على التخفيف من هذه التحديات من خلال توفير أطار عمل لمهام سير العمل المستقلة. يوفر crewAI سلوكًا مستقلاً من خلال عمليته الهرمية التي تستخدم وكيل مدير مستقل يشرف على تنفيذ مهام الوكيل وتخصيصها.

يجب أن تتوسع الأنظمة متعددة الوكلاء في عدة أبعاد مختلفة. تتضمن هذه الأبعاد زيادة العدد الإجمالي للوكلاء عبر نظام أو تطبيق، وزيادة التنوع، وزيادة حجم البيانات التي يعمل عليها الوكلاء أو بها.¹⁴ العديد من أطر العمل متعددة الوكلاء تأتي مع أدوات مثل المراقبة والمقاييس للمساعدة في تقييم ما إذا كان النظام يتوسع بنجاح. crewAI يسمح بالتكامل مع أدوات الموارد والمقاييس من طرف ثالث لإعداد قابلية الملاحظة والتقييمات للنماذج اللغوية الكبيرة وأطر عمل النماذج اللغوية الكبيرة وقواعد بيانات المتجهات.

وكلاء الذكاء الاصطناعي عبارة عن أنظمة أو برامج قائمة على النماذج اللغوية الكبيرة يمكن تطويرها لأداء مهام معقدة مختلفة. يمتلك الوكلاء ذاكرة وقدرات تخطيطية تسمح لهم باتخاذ قرارات مستقلة واتخاذ إجراءات بناء على ما سبق من تجاربهم السابقة¹⁵ يقوم الوكلاء بتعزيز قدرات النماذج اللغوية الكبيرة التقليدية باستخدام مخرجات النموذج اللغوي الكبير لاستدعاء أدوات برمجية أخرى (مثل استرجاع البيانات) وتكرار النتائج مرة أخرى في النموذج اللغوي الكبير حتى يتم تحقيق الهدف الشامل. ما يميز وكلاء الذكاء الاصطناعي عن النماذج اللغوية الكبيرة التقليدية هو قدرتهم على التنقل والتفاعل والتكيف مع بيئتهم من خلال تخطيط العمل واستخدام الذاكرة وتبريد الأدوات. توفر الأنظمة الفاعلة الأدوات والتنسيق للوكلاء لتشغيل خوارزميات التعلم الآلي المرتبطة بمهامهم.

تم بناء crewAI على قمة LangChain مع وضع مبدأ التصميم المعياري في الاعتبار. تتكون عناصره الرئيسية من وكلاء وأدوات ومهام وعمليات وطواقم.

الوكلاء هم العناصر الأساسية لإطار عمل crewAI. كل وكيل عبارة عن وحدة مستقلة ذات أدوار مختلفة تساهم في الهدف العام للطاقم. تتم برمجة كل وكيل لأداء المهام والتعامل مع اتخاذ القرارات والتواصل مع الوكلاء الآخرين.

يشجع crewAI المستخدمين على التفكير في الوكلاء كأعضاء في فريق. يمكن أن يكون للوكلاء أدوار مختلفة مثل "عالم البيانات" أو "الباحث" أو "مدير المنتج". يتعاون الفريق متعدد الوكلاء بشكل فعال لأداء مهام سير العمل الآلية.
 
يهدف هذا النوع من الأنظمة متعدد الوكلاء إلى تعزيز قدرات الاستدلال في النماذج اللغوية الكبيرة من خلال المناقشات بين الوكلاء من خلال استخدام هيكل تقمص الأدوار لتسهيل حل المشكلات المعقدة.¹⁶ يتفاعل الوكلاء مع بعضهم البعض من خلال آليات التفويض والاتصال المتأصلة في CrewAI مما يمنحهم القدرة الفطرية على التواصل مع بعضهم البعض لتفويض العمل أو طرح الأسئلة.

يتم تحديد أهداف الوكيل وخصائصه من خلال السمات. لدى وكلاء CrewAI ثلاث سمات رئيسية: الدور والهدف والخلفية الدرامية.

على سبيل المثال، قد تبدو عملية إنشاء وكيل في crewAI بهذا الشكل:

    الوكيل = الوكيل(
         الدور= 'دعم العملاء'،
         الهدف= 'التعامل مع استفسارات العملاء ومشاكلهم'،
         الخلفية الدرامية= 'أنت متخصص في دعم العملاء لسلسة مطاعم. أنت مسؤول عن التعامل مع مكالمات العملاء وتقديم
         دعم العملاء وإدخال بيانات التعليقات.
         )
 

يقدم crewAI العديد من المعلمات الاختيارية بما في ذلك السمات لاختيار النموذج اللغوي الكبير (LLM) وأدوات التبعية التي يستخدمها الوكيل.¹⁷

الأدوات هي مهارات أو وظائف يستخدمها الوكلاء لأداء مهام مختلفة. يمكن للمستخدمين الاستفادة من الأدوات المخصصة والموجودة من مجموعة أدوات crewAI وأدوات LangChain.

تعمل الأدوات على توسيع قدرات الوكلاء من خلال تمكينهم من أداء مجموعة واسعة من المهام بما في ذلك معالجة الأخطاء وآليات التخزين المؤقت والتخصيص عبر وسيطات الأدوات المرنة.

تحتوي جميع الأدوات على معالجة الأخطاء وتدعم آليات التخزين المؤقت.

مجموعة أدوات crewAI تحتوي على مجموعة من أدوات البحث التي تستخدم منهجية التوليد المعزز بالاسترجاع (RAG) ضمن مصادر مختلفة. تتضمن بعض الأمثلة ما يلي:

• JSONSearchTool: إجراء عمليات بحث دقيقة داخل ملفات JSON.
• GithubSearchTool: البحث داخل مستودعات GitHub.
• YouTubeChannelSearchTool: البحث داخل قنوات يوتيوب.

بالإضافة إلى أدوات التوليد المعزز بالاسترجاع، تحتوي المجموعة أيضًا على العديد من أدوات جمع البيانات واستخراجها من الويب.

يقدم crewAI تكاملاً بسيطًا مع أدوات LangChain . فيما يلي بعض الأمثلة على الأدوات المدمجة المتاحة من LangChain:

• Shell (bash): يتيح الوصول إلى shell، مما يمكّن النموذج اللغوي الكبير من تنفيذ أوامر shell.¹⁸
• مقارنة المستندات: استخدام وكيل لمقارنة مستندين.¹⁹
• Python: تمكين الوكلاء من كتابة وتنفيذ كود Python للإجابة على الأسئلة.²⁰

يمكن للمستخدمين إنشاء أدواتهم الخاصة لتحسين قدرات الوكيل بشكل أكبر. كجزء من حزمة أدوات crewAI، يمكن للمستخدمين إنشاء أداة من خلال تحديد وصف واضح لما سيتم استخدام الأداة من أجله. سيستخدم الوكيل الوصف المحدد من قِبل المستخدم لاستخدام الأداة المخصصة. يمكن للأدوات المخصصة اختياريًا تنفيذ آلية التخزين المؤقت التي يمكن ضبطها بدقة للتحكم الدقيق.

المهام هي مهام محددة يتم إنجازها من قِبل الوكلاء. يتم تسهيل تفاصيل التنفيذ من خلال سمات المهمة. يمكن تعيين عدة وكلاء للعمل معاً لإكمال نفس المهمة.

تتضمن سمات المهمة المطلوبة الوصف والوكيل والمخرجات المتوقعة. تحدد هذه السمات نطاق المهمة والوكيل المسؤول والهدف. يمكن إسناد مهمة ما مباشرةً إلى وكيل أو التعامل معها من خلال عملية التسلسل الهرمي لـ crewAI التي تقرر بناءً على الأدوار والتوافر.

فيما يلي مثال على المهمة:

جمع البيانات = المهمة (
     الوصف= ‘جمع البيانات من تفاعلات العملاء وسجل المعاملات وتذاكر الدعم‘
     المخرجات المتوقعة= ‘مجموعة منظمة من البيانات التي يمكن معالجتها مسبقًا‘،
     الوكيل= وكيل علم البيانات،
)

تتضمن سمات المهمة الاختيارية تكامل الأداة والتنفيذ غير المتزامن لتنسيقات التزامن والإخراج بما في ذلك JSON ونماذج Pydantic ومخرجات الملفات لنتائج المهام.

تتضمن ميزات المهام تكامل الأداة والتنفيذ غير المتزامن والمراجعات البشرية للمدخلات وتخصيص المخرجات.

يمكن لنتائج مهمة ما أن تشكل سياقًا لمهمة مستقبلية. على سبيل المثال، يمكن استخدام المخرجات من مهمة "البحث" كسياق لإكمال مهمة "الكاتب". لنأخذ مثالاً بسيطاً، وهو فريق مكون من وكيلين، وكيل "باحث" ووكيل "كاتب". يتم تكليف الوكيل الباحث بالعثور على أمثلة لأفضل حالات استخدام الذكاء الاصطناعي التوليدي، ويمكن للوكيل الكاتب استخدام البحث الناتج كسياق لأداء مهمة كتابة مدونة قصيرة حول نفس الموضوع أو موضوع مشابه.

يمكن تحديد المهام ليتم تنفيذها بشكل غير متزامن. يعد هذا مفيدًا للمهام التي تستغرق وقتًا طويلًا لإكمالها أو ليست ضرورية للمهام التالية التي سيتم تنفيذها. يمكن استخدام سمة السياق لتحديد مهمة مستقبلية يجب أن تنتظر حتى يكتمل إخراج المهمة غير المتزامنة.²¹

تمكّن العمليات وكلاء الذكاء الاصطناعي الفرديين من العمل وحدة متماسكة من خلال تنسيق تنفيذ المهام. تحدد العمليات في أطر العمل الفاعلة كيفية عمل الوكلاء معًا والمهام التي سيتم تكليفهم بها. يقارن crewAI العمليات بإدارة المشاريع لأنها تضمن توزيع المهام وتنفيذها بكفاءة وتظل متوافقة مع الاستراتيجية لإكمال الهدف.

يشمل CrewAI تنفيذين للعمليات: تسلسلي وهرمي، مع تخطيط لثالث يسمى العملية التوافقية. يمكن تعيين العمليات لطاقم من الوكلاء لتمكينهم من العمل كوحدة متماسكة. عند تعيين عملية لطاقم ما، يحدد نوع العملية استراتيجية التنفيذ.

• متسلسل: العملية التسلسلية تشبه سير عمل الفريق الديناميكي. يتم تنفيذ المهام وفقًا للترتيب المحدد مسبقًا في قائمة المهام، مع استخدام مخرجات إحدى المهام كسياق للمهمة التالية.
• الهرمي: تحاكي العملية الهرمية التسلسل الهرمي للشركات. يقوم crewAI بإنشاء مدير بشكل مستقل للمستخدمين من خلال الاستفادة من نموذج لغة المدير المصمم خصيصًا لوكيل المدير.²² يشرف الوكيل المدير على تنفيذ المهام ويخصص المهام للوكلاء بناء على قدراتهم، ويقيم المخرجات ويقيم إكمال المهام. هذه العملية هي مثال على وكلاء الذكاء الاصطناعي الذين يعملون بشكل مستقل وتعاوني لإكمال مجموعة من المهام.
• توافقي (مخطط له): في وقت كتابة هذا التقرير، لم يتم حاليًا تنفيذ عملية التوافق في قاعدة الكود، ولكنها تهدف إلى توفير طريقة لاتخاذ القرارات التعاونية بين الوكلاء فيما يتعلق بتنفيذ المهام. تقدم هذه العملية نهجًا ديمقراطيًا لإدارة المهام.

يجسد الطاقم مجموعة جماعية من الوكلاء الذين يتعاونون لإنجاز مجموعة محددة مسبقًا من المهام.²³ يحدد كل طاقم الاستراتيجية لتنفيذ المهام وتنفيذ الوكيل وسير العمل العام. تتمتع طواقم العمل بالعديد من السمات التي تساعد في تجميع الوكلاء ذوي الأدوار والأدوات التكميلية،، وتعيين المهام وتحديد العملية التي تملي عليهم ترتيب التنفيذ والتفاعل.²⁴

يختار المستخدمون ويحددون قائمة بالوكلاء للعمل معًا كطاقم. يتم تعيين قائمة من المهام لأطقم العمل لإكمالها. تحدد السمات الاختيارية الاستراتيجية للتنفيذ وتعاون الوكيل وسير العمل العام.

فيما يلي مثال لطاقم يتألف من وكيلين بهدف العمل معًا لجمع بيانات دعم العملاء وتنظيمها:

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,
)

تتضمن السمات الإضافية وظائف رد الاتصال وإعدادات اللغة والذاكرة وخيارات تعيين وكيل المدير والنموذج اللغوي الكبير لاستخدامهما اعتمادًا على تدفق العملية (على سبيل المثال، التسلسل والهرمي). بمجرد تجميع الطاقم، يبدأ سير العمل من خلال طريقة بدء التشغيل. يوفر crewAI العديد من طرق بدء التشغيل للتحكم في العملية بما في ذلك تنفيذ المهام غير المتزامن والفردي.²⁵

يمكن لـ crewAI الاتصال بأي نموذج لغوي كبير من خلال مجموعة متنوعة من خيارات الاتصال. بشكل افتراضي، سيستخدم الوكلاء نموذج GPT-4 الخاص بـ OpenAI لمعالجة اللغة، ومع ذلك، يوفر crewAI مرونة في الاتصال بالنماذج اللغوية الكبيرة المختلفة، بما في ذلك نماذج مثل سلسلة IBM Granite™. يمكن توصيل النماذج المحلية من خلال ollama أو واجهات برمجة التطبيقات المفتوحة الأخرى. يتم توفير أمثلة على تكوينات مفتاح واجهة برمجة التطبيقات والبرامج التعليمية حول الاتصال بالعديد من النماذج اللغوية الكبيرة في مستندات CrewAI. يتوافق crewAI مع جميع العناصر LangChain LLM التي تمنح جميع النماذج اللغوية الكبيرة دعمًا أساسيًا لواجهة قابلة للتشغيل.

تُستخدم أطر عمل وكلاء الذكاء الاصطناعي مثل crewAI كأدوات أساسية للباحثين والمطورين لإنشاء أنظمة ذكية في مختلف المجالات، بدءًا من روبوتات المحادثة المدعومة بالذكاء الاصطناعي الفاعل إلى الأنظمة المعقدة متعددة الوكلاء.

تتضمن العديد من الأمثلة الواقعية مشاريع مثل إنشاء صفحات مقصودة تفاعلية واستخدام طاقم عمل لأتمتة عملية تعزيز التواجد على وسائل التواصل الاجتماعي. توجد مجموعة من الأمثلة الواقعية في مستودع GitHub الذي نظمته Moura بعنوان "أمثلة crewAI" للمستخدمين لاختبارها بأنفسهم.²⁶ تتضمن هذه الأمثلة أيضًا مقدمات للمبتدئين لاستخدام إطار العمل.

فيما يلي قائمة ببعض هذه الأمثلة وحالات الاستخدام الأخرى الناشئة عن مجتمع crewAI:

• تخطيط وإنشاء المحتوى: تستخدم إحدى حالات الاستخدام crewAI و groq، وهو نموذج لغة طبيعية، لإنشاء فريق من الوكلاء المتخصصين لإنشاء محتوى جذاب ودقيق من الناحية الواقعية حول موضوع معين.²⁷
• أتمتة التحقق من رسائل البريد الإلكتروني وصياغتها: تم تصميم طاقم من الوكلاء كمقدمة للمبتدئين ، ويكمل مهام تحليل رسائل البريد الإلكتروني وتصفيتها، واستخراج السلاسل الكاملة، والبحث وإنشاء مسودات البريد الإلكتروني باستخدام مكتبة LangGraph لأتمتة مهام سير العمل متعددة الوكلاء.²⁸
• تحليل الأسهم: يتم منح الوكلاء أدوارًا محددة للتعاون لتقديم تحليل كامل للأسهم وتوصية استثمارية باستخدام GPT 3.5 بدلاً من GPT-4 الافتراضي.²⁹

يقارن crewAI نفسه بأطر العمل متعددة الوكلاء بما في ذلك AutoGen و ChatDev. أكبر ميزة لـ crewAI هي الجمع بين ما يفعله هذان الإطاران بشكل جيد على حدة. يجمع crewAI بين مرونة وكلاء المحادثة في AutoGen ونهج العمليات المنظمة لـ ChatDev.³⁰

AutoGen هو إطار العمل مفتوح المصدر من Microsoft والذي يستخدم خوارزميات معالجة اللغة الطبيعية لوكلاء الذكاء الاصطناعي الحواري. بينما تُستخدم كلتا المنصتين في تطبيقين متشابهين، إلا أن لكل منهما إيجابيات وسلبيات. كلاهما نظامان مرنان بوكلاء ذكاء اصطناعي قابلين للتخصيص وقادرين على التعاون. يوفر crewAI طريقة أبسط لتنظيم تفاعلات الوكيل من خلال توفير سمات قابلة للتخصيص تتحكم في عمليات التطبيق. بينما يتطلب Autogon مزيدًا من إعدادات البرمجة لتحقيق ذلك. يقدم AutoGen طريقة مدمجة لتنفيذ التعليمات البرمجية التي تم إنشاؤها بواسطة النموذج اللغوي الكبير بسرعة.³¹بينما crewAI لا يوفر حاليًا أدوات لهذه القدرة، ولكن من الممكن القيام بذلك بإعداد برمجة إضافية.

ChatDev عبارة عن منصة مصدر مفتوح تستخدم التعاون متعدد الوكلاء للعب الأدوار، بما في ذلك CrewAI. تتسم بنية عملية ChatDev بالصرامة، مما يحد من التخصيص ويعيق قابلية التوسع والمرونة في بيئات الإنتاج. تم تصميم أطر العمل مثل crewAI للتكامل مع تطبيقات الطرف الثالث ومهام سير العمل القابلة للتخصيص للبيئات الديناميكية والقابلة للتكيف. "من الوظائف الفريدة لـ ChatDev أنها تمتد كملحق للمتصفح لسلسلة المحادثات عبر مختلف الوكلاء داخل متصفح الويب.³²

وباعتباره إطار عمل للتنسيق متعدد الوكلاء، يقدم crewAI ابتكاراً آخر نحو تحقيق هدف الذكاء الاصطناعي. ستعمل البنى الفاعلة على تحسين أداء وكلاء الذكاء الاصطناعي وقدراتهم، مما يتيح لتطبيقات النماذج اللغوية الكبيرة تنفيذ مهام تتجاوز توليد اللغة.