Часть 5. Flow в CrewAI и контроль сложных сценариев

CrewAI изначально строит агентные команды (Crews), но настоящий контроль достигается при помощи Flows — структурированных, событийно-управляемых сценариев исполнения. Это возможность вставлять условия, ветвления, параллели и динамическую маршрутизацию задач.

Flow позволяет:
🔸 запускать код, выполнять прямые запросы в LLM и запускать агентов внутри одного пайплайна

🔸 отслеживать состояние во время всего выполнения (state → state lifecycle)

🔸 реагировать на события и результаты предыдущих шагов через декораторы @start() и @listen(), включая and_(), or_() или @router() для условной маршрутизации

Flow запускается через CLI crewai flow kickoff. Состояние делают на основе словаря или Pydantic модели. Состояние автоматически сохраняется между этапами и может быть сохранено для долгосрочных сценариев.

Flow эффективен в задачах создания интерактивных ассистентов, реализации бизнес-логики, автоматизации техподдержки, генерации отчётов, публикаций и сценариев с участием человека.

Интеграция с Crews
Flow запускает Crews как шаги, передавая им параметры состояния, затем обрабатывает результаты.

Это позволяет: контролировать, какие агенты когда запускаются, проверять условия перед запуском Crew и управлять результатами сверху. Flow работает на уровне верхнего оркестра, а Crews на уровне агентской команды.

#crewai

Часть 6. Как писать goal и backstory для агентов в CrewAI

При создании агента в CrewAI две ключевые характеристики формируют его поведение и специализацию: goal (цель) и backstory (предыстория). Они используются при генерации системных промптов и напрямую влияют на эффективность агента в рамках задачи.

Что такое цель (goal)?
Цель это чёткое и краткое описание миссии агента. Оно должно быть конкретным и релевантным его роли.

✅ Пример правильной цели:
Собирать свежие новости IT и переписывать их в короткие публикации для Telegram канала.

❌ Плохая цель:
Работать с текстом.
(слишком общее и непонятно, что именно агент должен делать)

Что такое backstory?
Backstory описывает личность и манеру агента: его опыт, принципы работы и стиль общения. В официальном гайде говорится, что backstory помогает задать мотивацию и тон агента в нужном контексте. Она может включать: опыт и компетенции, стиль работы, предпочтения в подаче информации, мотивацию и характер.

✅ Пример хорошего backstory:
Ты — опытный редактор, который работает в сфере технологий. Умеешь быстро находить суть в потоке информации, писать короткие, понятные и цепляющие тексты. Делаешь новости живыми и интересными.

❌ Плохой backstory:
Ты работаешь с информацией.
(недостаточно контекста и поведенческих указаний)


CrewAI автоматически добавляет системные инструкции поверх ваших goal и backstory, гарантируя, что ответ следует нужному формату и стилю. Поэтому важно, чтобы эти поля были дизайн ориентированы, а не литературные.

Рекомендации по созданию
Начните с ясной цели, что создаётся, кем, какое качество.

Затем сформируйте backstory, почему и как этот агент делает работу, какой у него тон, аудитория и ценности.

По возможности уточняйте роль агента: вместо обобщённого "Писатель" или "Иследователь" лучше использовать конкретные формулировки, например "Старший исследователь в области искусственного интеллекта".

#crewai

Часть 7. Как писать Task в CrewAI

Task это формализованное задание, которое включает не только описание действия, но и его контекст, ожидаемый результат и привязку к конкретному агенту. От того, насколько грамотно вы его сформулируете, зависит точность, воспроизводимость и надёжность всей системы.

Что включает Task
description это формулировка задания. Должна описывать, что именно агент должен сделать, и в каком виде должен быть результат. Не путайте с goal агента, description описывает конкретную задачу, а не общую роль.

expected_output это чёткое указание, как должен выглядеть результат. Это снижает галлюцинации модели и делает вывод предсказуемым. Можно указать формат: JSON, Markdown, список тезисов, статья и т.д.

В agent указываем агента, который будет выполнять задачу. Без этого Task в sequential режиме не выполнится.

Дополнительные параметры:
🔸 context=[...] — передаёт результат предыдущих Task.
🔸 tools=[...] — инструменты которыми может пользоваться агент.
🔸 output_json / output_pydantic — валидация результата по pydantic модели.
🔸 callback / guardrail — обработка результата или проверка качества перед следующими действиями.

Пример Task

Task(
  description="""Проанализируй текстовую расшифровку видео и выдели 3 наиболее интересных фрагмента длительностью от 5 до 60 секунд. Каждый фрагмент должен содержать: время начала, длительность и краткое описание того, чем он интересен.""",
  expected_output="JSON с полями start_time, duration, summary",
  agent=analyst_agent,
  context=[transcription_task],
  output_json=VideoFragmentList
)

Частые ошибки
Слишком общее задание: "Сделай анализ текста" - неясно, как именно анализировать, что считать результатом.

Несколько целей в одной таске: "Проанализируй текст, найди фрагменты и сделай нарезку" — разбейте на отдельные задачи.

В description не пишите общий контекст или цели, для этого есть goal, backstory, context.


Советы
🔸 Помните, каждый Task это единица логики, которую можно тестировать и переиспользовать.

🔸 Делайте Task атомарными: одна задача = один результат.

🔸 Не бойтесь быть конкретным. Чем точнее задание, тем лучше результат.

🔸 Для сложных систем пишите output с помощью pydantic.

#crewai

Тестирую qwen3:8b, полет нормальный.

А это работа с включенной памятью в CrewAI

Часть 8. Стратегии выбора: Crews, Flows или их комбинация

В CrewAI ключевым архитектурным решением является выбор между подходами: Crews, Flows или их комбинацией. Документация рекомендует делать выбор на основе оценки сложности (complexity) и точности (precision) вашей задачи.


Что такое complexity и precision
Complexity: отражает структуру задачи, сколько этапов, какие зависимости между ними, нужны ли ветвления, циклы, условная логика.

Precision: показывает, насколько результат должен быть аккуратным, форматированным, воспроизводимым, с низким уровнем ошибок.

Комбинация этих показателей позволяет визуально спроектировать архитектуру с помощью матрицы "complexity vs precision".

📍 Четыре сценария и рекомендуемые стратегии и матрица использования CrewAI

🔹 Низкая сложность, низкая точность
Применяется в простых задачах, например, генерация идей, креативный текст. Ошибки не критичны.
Рекомендуется: простые Crews с минимальным набором агентов.

🔹 Низкая сложность, высокая точность
Требуется строго структурированный вывод (JSON, XML), повторяемость результатов, минимальный разброс.
Рекомендуется: Flows с прямыми вызовами LLM или простые Crews с обязательной структурированной валидацией.

🔹 Высокая сложность, низкая точность
Много этапов, несколько агентов, задач достаточно для сотрудничества. Качество может быть менее строго.
Рекомендуется: Crews с распределением ролей, исследователь, писатель, критик и пр.

🔹 Высокая сложность, высокая точность
Сложные пайплайны с жёсткими требованиями, регламентированными форматами, проверками ошибок.
Рекомендуется: Flows, которые оркестрируют работу нескольких Crews, с явной логикой ветвлений и валидаторами.

Как выбрать подходящую стратегию
Оцените complexity, сколько шагов? Есть ли ветвления? Нужна условная логика?

Оцените precision, насколько важна точность вывода? Нужна структура или вариативность?

Спроецируйте результаты на матрицу:
🔸 Low‑Low → Crew
🔸 Low‑High → проста Flow или сложные Crews
🔸 High‑Low → мультиагентные Crews
🔸 High‑High → Flows + Crews

Учитывайте дополнительные факторы: время разработки, масштабируемость, опыт команды и интеграционные требования.

#crewai

Практическая структура оценки при выборе стратегии в CrewAI

Чтобы определить правильный подход для вашего конкретного случая, следуйте этой пошаговой схеме оценки.
​
Шаг 1: Оцените сложность
Оцените сложность вашего приложения по шкале от 1 до 10, приняв во внимание:

1) Сколько различных операций (шагов) требуется?
- 1-3 шага: Низкая сложность (1-3)
- 4-7 шагов: Средняя сложность (4-7)
- 8+ шагов: Высокая сложность (8-10)

2) Насколько взаимосвязаны различные части?
- Мало зависимостей: низкая сложность (1-3)
- Некоторые зависимости: Средняя сложность (4-7)
- Множество сложных зависимостей: Высокая сложность (8-10)

3) Условная логика: сколько ветвлений и принятия решений необходимо?
- Линейный процесс: низкая сложность (1-3)
- Некоторое ветвление: Средняя сложность (4-7)
- Сложные деревья решений: Высокая сложность (8-10)

4) Знание предметной области: насколько специализированы требуемые знания?
- Общие знания: Низкая сложность (1-3)
- Некоторые специальные знания: Средняя сложность (4-7)
- Глубокие познания в различных областях: Высокая сложность (8-10)

Рассчитайте свой средний балл, чтобы определить общую сложность.
​
Шаг 2: Оценка требований к точности
Оцените ваши требования к точности по шкале от 1 до 10, приняв во внимание:

1) Насколько структурированным должен быть выходной сигнал?
- Текст свободной формы: низкая точность (1-3)
- Полуструктурированный: Средняя точность (4-7)
- Строго отформатировано (JSON, XML): Высокая точность (8-10)

2) Насколько важна фактическая точность?
- Творческий контент: Низкая точность (1-3)
- Информативность: Средняя точность (4-7)
- Критическая информация: Высокая точность (8-10)

3) Воспроизводимость: насколько последовательными должны быть результаты при разных запусках?
- Допустимое отклонение: низкая точность (1-3)
- Необходима некоторая последовательность: средняя точность (4-7)
- Требуется точная воспроизводимость: высокая точность (8-10)

4) Устойчивость к ошибкам: каково влияние ошибок?
- Низкое воздействие: Низкая точность (1-3)
- Умеренное воздействие: средняя точность (4-7)
- Высокая ударопрочность: высокая точность (8-10)

Рассчитайте средний балл, чтобы определить общие требования к точности.
​
Шаг 3: Сопоставьте с матрицей
Отобразите оценки сложности и точности на матрице:
▫️ Низкая сложность (1-4), низкая точность (1-4): простые crew
▫️ Низкая сложность (1–4), высокая точность (5–10): flow с прямыми вызовами LLM
▫️ Высокая сложность (5-10), низкая точность (1-4): сложные crew
▫️ Высокая сложность (5-10), высокая точность (5-10): flow, организующие crew
​
Шаг 4: Рассмотрите дополнительные факторы
Помимо сложности и точности, примите во внимание:

1) Время разработки: команды часто быстрее создают прототипы.

2) Потребности в обслуживании: Потоки обеспечивают лучшую долгосрочную ремонтопригодность.

3) Опыт команды: примите во внимание знакомство вашей команды с различными подходами.

4) Требования к масштабируемости: потоки обычно лучше масштабируются для сложных приложений.

5) Потребности интеграции: продумайте, как решение будет интегрироваться с существующими системами.


Помните, что оптимальный подход часто меняется по мере развития вашего приложения. Начните с самого простого решения, отвечающего вашим потребностям, и будьте готовы совершенствовать архитектуру по мере накопления опыта и прояснения требований.

Источник

#crewai

Недавно решал одну задачу на CrewAI для стримера.

Суть задачи
Нужно собирать новости компьютерных игр на текущую дату. Формировать пост для телеграм и отправлять боту в ТГ. Посты всегда должны быть одного формата.
Нужны были не просто новости, а новые игры, dlc, патчи, обновления и только на платформу PC.

Так же одним из требований было, минимальные затраты на использование. Т.е. дешёвый сервер и дешёвый API LLM. Если с сервером проблем нет, то вот с LLM как бы есть.

Агентская система
В проекте два агента. Один ищет новости, фильтрует и сортирует их по заданным требованиям. Даёт краткое описание по заданной структуре.

Второй агент, на основе этих данных формирует пост для телеграм + хештеги.
После завершения задач, скрипт отправляет пост боту в ТГ.

Проблемы с которыми столкнулся
Иногда второй агент выдавал новости которых нет. Первым шагом скорректировал промпт, чтобы он основывался только на данных которые ему были переданы.

Вторая проблема, он выдавал часть новостей, которым пара лет. Эта проблема была решена с помощью доработки промпта и введением агента менеджера.

Использовать API хороших LLM нет возможности.
Было принято решение в бета версии использовать локальную LLM. По результатам тестов остановился на qwen3:8b. Выдает достойный результат и подходит под ресурсы ПК.

На результат работы можно посмотреть в Телеграм канале стримера.


#crewai

OpenAI представила GPT-OSS, новую открытую серию языковых моделей

Компания OpenAI официально анонсировала серию открытых языковых моделей под названием GPT-OSS (GPT Open-Source Series).

Модель представлена в двух вариантах: gpt-oss-20b и gpt-oss-120b, которые разработаны специально для задач рассуждения и агентских функций.

Особенностью GPT-OSS является лицензия Apache 2.0, что позволяет свободно использовать, модифицировать и распространять модель в коммерческих целях. Модели обучаются с использованием передовых методов предварительного и пост-обучения с особым акцентом на рассуждения и логические задачи.

Одно из преимуществ GPT-OSS это возможность запуска на обычном ноутбуке, но нужно 18-32 Гб ОЗУ.


Источник

#openai #gpt #gptoss

🚀 ChatGPT‑5

OpenAI анонсировала официальную презентацию GPT‑5 сегодня, в формате прямой трансляции в 20:00 по МСК. Логотип «LIVE5TREAM» намекает на запуск модели.

Предполагаемый релиз — в течение августа 2025, возможно, в середине или конце месяца.

Уже во внутренних тестах GPT‑5 продемонстрировала усилившиеся способности к решению задач (особенно в кодировании и логике), но прирост не такой впечатляющий, как при переходе от GPT‑3 к GPT‑4.

Что ожидаем от GPT‑5
Улучшенное рассуждение и агинские возможности: способность выполнять задачи без подробных инструкций, действуя как самостоятельный агент.

Поддержка мультимодальности: входы и выходы в текст, изображение, аудио, возможно и видео.

Источник

#chatgpt5

Описание, хештеги и таймкоды для видео на YouTube

На днях решал задачу, чтобы LLM делала описание, хештеги и таймкоды для видео на YouTube.
На первый взгляд задача не сложная. Но столкнулся с рядом проблем.

В CrewAI есть инструмент YoutubeVideoSearchTool предназначенный для семантического поиска в видео YouTube с использованием RAG. Но вот беда, этот инструмент выдает 400 ошибку и не работает. Проблема в том, что он основан на библиотеке pytube, которая давно не обновлялась. Установка либы pytubefix не дало результата.

Попробовал для видео использовать RagTool, но столкнулся с той же проблемой.

Решил написать не большой скрипт, для получения транскрипта видео с помощью библиотеки youtube_transcript_api. Заработало.

Как работает
При запуске crew спрашиваю url видео. В url нахожу id видео.
Если еще не получали транскрипт видео, то получаю транскрипт и записываю в файл. Запускается crew для анализа и составления описания, хештегов и таймкодов.

Если из этого видео уже получали транскрипт, то просто достаем информацию из файла или перезаписываем, на выбор пользователя.

В самом crew используется один агент с одной задачей.

Код демо версии можно посмотреть у меня в клубе по нейросетям.

#crewai

В этом посте 👆 рассказывал как сделал сбор новостей компьютерных игр.

Вчера у меня появилась задача сделать сбор и рисерч новостей в нужную тематику.

Сначала было предложение сделать поиск с помощью SerperDevTool. Но он находил новости в которых мельком упоминалась нужная тема и эти новости были не валидны.
С уточнённым промптом начали отсеивать не нужные новости и сайты (газеты и телеканалы). Но поиск увеличился во времени.

После небольшого обсуждения, оказалось, что можно искать новости на определенном сайте.

Для этого в CrewAI есть инструмент ScrapeWebsiteTool. Этот инструмент, предназначенный для извлечения и чтения содержимого сайта. Он способен обрабатывать различные типы веб-страниц, выполняя HTTP запросы и анализируя полученный HTML.

Проблемы с которыми столкнулся
А их не было. В этот раз всё нормально отработало. Главное правильно сделанные промпты.

Агентская система
В проекте 3 агента. Рисерчер ищет новости в нужной тематике. Писатель, который на основе найденных данных пишет статью в нужном формате. И редактор, который проверяет работу писателя.
После статья публикуется на сайте как черновик.

В планах еще добавить шаг валидации человеком. Перед тем как отправлять статью, нужно получить от человека одобрение или отправить на доработку.

Для этой задачи взял Gemini Flash 2.

#crewai

Сделал пример проекта на CrewAI для поиска и написание новостей в IT тематику.

Код демо проекта выложил у себя в клубе по нейросетям. Подписывайтесь на клуб, забирайте код.

Что в проекте есть
Три агента, рисерчер ищет новости в IT тематике. Писатель, который на основе найденных данных пишет статью в нужном формате. И редактор, который проверяет работу писателя.

Новости ищут на определенных сайтах, с легкостью можно заменить инструмент и искать в гугл.
Вы можете изменить тематику новостей, и получить готовых агентов.

Агенты проверены на Gemini Flash 2 и Qwen3 8b.

#crewai

Как настроить переменные окружения .env для локальной работы с ollama в CrewAI.

Устанавливаем ollama открываем терминал и скачиваем нужную модель, например qwen3

ollama pull qwen3:8b

В фале .env прописываем настройки

MODEL=ollama/qwen3:8b
API_BASE=http://localhost:11434

#crewai