CrewAI + Ertas

使用 CrewAI 编排 AI 智能体团队，每个智能体由专门的 Ertas 训练模型驱动，实现基于角色的任务执行和协作工作流。

Overview

CrewAI 是一个多智能体编排框架，将 AI 智能体组织成具有定义角色、目标和背景故事的团队。受人类团队运作方式的启发，CrewAI 为每个智能体分配特定角色——研究员、作者、编辑、分析师——并通过结构化任务委派和顺序或并行执行模式协调其工作。该框架自动处理智能体间通信、任务依赖、上下文共享和输出验证。

CrewAI 的设计理念强调简洁性和生产就绪性。智能体使用自然语言角色描述来定义，而非复杂的配置文件，任务以声明式格式指定预期输出、工具和委派规则。该框架支持顺序工作流（每个智能体的输出作为下一个智能体的输入）和层级工作流（管理智能体委派和审查下属智能体的工作）。这种灵活性使 CrewAI 适用于从内容生产管道到复杂研究和分析工作流的各种场景。

How Ertas Integrates

Ertas 训练的模型通过标准 LLM 配置接口为 CrewAI 智能体提供支持。在 Ertas Studio 中微调专业模型后——研究模型、写作模型、分析模型——您将每个模型分配给相应的 CrewAI 智能体角色。智能体的角色描述和背景故事在提示层面指导其行为，而微调模型在权重层面提供深度领域专业知识。这种双层专业化产生了既方向明确又真正具有知识深度的智能体。

CrewAI-Ertas 组合在内容和分析工作流方面表现出色。例如一个金融研究团队：数据分析师智能体（在财务报表分析上训练）收集和处理公司数据，研究智能体（在市场分析上训练）识别趋势和竞争动态，写作智能体（在投资备忘录风格上训练）将所有内容综合成一份精致的报告。每个智能体使用针对其特定任务优化的不同 Ertas 训练模型，CrewAI 协调他们的工作，使最终输出反映三位专家的综合专业知识。这与让单一通用模型完成所有工作有本质区别——输出质量也体现了这种差异。

Getting Started

1
定义团队角色并微调模型
确定您团队中需要的专业角色。在 Ertas Studio 中使用任务特定的训练示例为每个角色微调一个单独的模型。
2
将模型部署到推理端点
通过 Ollama 或 vLLM 提供微调模型的服务。Ollama 可以同时服务多个模型，非常适合多智能体场景。
3
创建带有角色专用模型的智能体
定义 CrewAI 智能体及其角色、目标和背景故事。通过 LLM 配置为每个智能体分配其专用的 Ertas 训练模型。
4
定义任务和工作流结构
创建具有预期输出的任务并将其分配给智能体。根据任务依赖关系将工作流配置为顺序、并行或层级模式。
5
运行团队并迭代
执行团队工作流并审查输出。分析哪些智能体需要改进，并在 Ertas Studio 中使用有针对性的训练数据重新训练其模型。

python

from crewai import Agent, Task, Crew
from langchain_openai import ChatOpenAI

# Create specialized LLMs from Ertas-trained models
researcher_llm = ChatOpenAI(
    base_url="http://localhost:11434/v1",
    model="ertas-researcher-7b",
    api_key="not-needed",
)
writer_llm = ChatOpenAI(
    base_url="http://localhost:11434/v1",
    model="ertas-writer-7b",
    api_key="not-needed",
)

# Define agents with role-specific fine-tuned models
researcher = Agent(
    role="Market Researcher",
    goal="Gather and analyze market data for investment decisions",
    backstory="Senior equity analyst with 15 years of experience.",
    llm=researcher_llm,
)

writer = Agent(
    role="Report Writer",
    goal="Write clear, actionable investment memos",
    backstory="Financial writer specializing in institutional reports.",
    llm=writer_llm,
)

# Define tasks
research_task = Task(
    description="Research Q3 earnings for the top 5 semiconductor companies.",
    agent=researcher,
    expected_output="Structured analysis with revenue, margins, and guidance.",
)

report_task = Task(
    description="Write a 2-page investment memo based on the research.",
    agent=writer,
    expected_output="Professional investment memo with recommendation.",
)

# Run the crew
crew = Crew(agents=[researcher, writer], tasks=[research_task, report_task])
result = crew.kickoff()
print(result)

使用 CrewAI 构建金融研究团队，为研究和写作角色使用不同的 Ertas 训练模型。