Crewai -Analytics Vidhyaを使用してAIペアプログラマーを構築します-AI-php.cn

効率的なソフトウェア開発の需要は、貴重なプログラミングパートナーとして人工知能の採用を促進しています。 AI搭載のコーディングアシスタントは、人間のペアプログラマーのように、コードの書き込み、デバッグ、および最適化を簡素化することにより、開発に革命をもたらしています。この記事では、Crewaiエージェントを使用してAIペアプログラマを構築して、コーディングタスクを合理化し、開発者の生産性を高めます。

概要

このガイドがカバーしています：

コーディングタスクの支援におけるクルワイの役割を理解する。
主要なコンポーネントの識別：エージェント、タスク、ツール、乗組員、およびそれらの相互作用。
コード生成とレビューのためにAIエージェントを設定する実際の経験。
共同コーディング用の複数のAIエージェントの構成。
Crewaiを利用して、コードの品質を評価および最適化します。

NVLM 1.0 D 74bの定性的例
NVLMと他のLLMの比較
他のマルチモーダルLLMの制限
これらの制限に対処します
NVLM：モデルとトレーニング方法
トレーニングデータ
結果
NVLM D 72Bへのアクセス
- 必要なライブラリをインポートします
- モデルシャード
- 画像の事前処理
- ダイナミックイメージタイル
- 読み込みおよび前処理画像
- モデルの読み込みと使用
- テキストと画像の会話
よくある質問

AIペアプログラマ機能

AIペアプログラマーには、いくつかの利点があります。

コード生成： 1つのAIエージェントを使用して特定の問題のコードを生成し、別のAIエージェントとレビューします。
コードの改善：指定された基準に基づいて既存のコードを評価します。
コードの最適化：コメントやdocstringsの追加など、コードの拡張機能を要求します。
デバッグ：コードエラーを解決するための提案を受け取ります。
テストケース生成：テスト駆動型開発を含むさまざまなシナリオのテストケースを生成します。

この記事では、最初の2つの機能に焦点を当てています。

クルワイとは何ですか？

Crewaiは、AIエージェントを作成するためのフレームワークです。その重要なコンポーネントは次のとおりです。

エージェント：エージェントは、大規模な言語モデル（LLM）を使用して、入力プロンプトに基づいて出力を生成します。ツールと対話し、ユーザーの入力を受け入れ、他のエージェントと通信します。
タスク：説明、エージェント、使用可能なツールなど、エージェントの目的を定義します。
ツール：エージェントは、Web検索、ファイルの読み取り、コード実行などのタスクにツールを使用します。
クルー：タスクで協力し、相互作用、情報共有、責任委任を定義するエージェントのグループ。

また読む：Crewaiと共同AIエージェントを構築します

これらの概念を説明するエージェントを構築しましょう。

前提条件

AIペアプログラマを構築する前に、LLMSのAPIキーを取得します。

API経由でLLMにアクセスします

選択したLLMのAPIキーを生成し、プライバシーを維持しながらプロジェクトアクセスのために.envファイルに安全に保存します。

例.ENVファイル

サンプル.envファイル：

Crewai -Analytics Vidhyaを使用してAIペアプログラマーを構築します

必要なライブラリ

次のライブラリバージョンが使用されます。

CREWAI - 0.66.0
CREWAI-TOOLS - 0.12.1

コード作成の自動化

このセクションでは、コード生成とレビューのためにライブラリのインポートとエージェントの定義を示します。

ライブラリのインポート

dotenvインポートload_dotenvから
load_dotenv（ '/。Env'）

クルワイ輸入エージェント、タスク、乗組員から

ログイン後にコピー

コードライターエージェントの定義

1人のエージェントがコードを生成し、別のエージェントがレビューします。

 code_writer_agent = agent（role = "ソフトウェアエンジニア"、
                          目標= 'docstringsやコメントを含む最適化された保守可能なコードを書き込む'、 
                          backstory = "" "あなたは、docstrings and commentsで最適化され、保守可能なコードを書くソフトウェアエンジニアです。" ""、
                          llm = 'gpt-4o-mini'、
                          verbose = true）

ログイン後にコピー

説明されたエージェントパラメーター

役割：エージェントの関数を定義します。
目標：エージェントの目的を指定します。
バックストーリー：より良い相互作用のためのコンテキストを提供します。
LLM：使用するLLMを指定します（オプションについてはLitellmドキュメントを参照）。
Verbose：詳細な入出力ロギングを有効にします。

コードライタータスクの定義

code_writer_task = task（description = '{言語}の問題を解決するためのコードを書き込む問題：{問題}'、
                        expection_output = 'タイプヒントを備えた順調なコード'、
                        agent = code_writer_agent）

ログイン後にコピー

タスクパラメーターが説明しました

説明：変数（{言語}、{問題}）を使用してタスク目的をクリアします。
expects_output：希望の出力形式。
エージェント：タスクに割り当てられたエージェント。

コードレビュー担当者エージェントとタスクの定義

同様に、 code_reviewer_agentとcode_reviewer_taskを定義します。

 code_reviewer_agent = agent（role = "シニアソフトウェアエンジニア"、
                            目標= 'コードが最適化され、保守可能であることを確認してください'、 
                            Backstory = "" "あなたは、読みやすさ、保守性、パフォーマンスのためのコードをレビューするシニアエンジニアです。" ""、
                            llm = 'gpt-4o-mini'、
                            verbose = true）

code_reviewer_task = task（description = "" "{言語}の問題に対して記述されたコードのレビュー：問題：{問題}" "" "、
                          expects_output = 'レビューコード'、
                          agent = code_reviewer_agent）

ログイン後にコピー

乗組員の建設と運営

乗組員を作成して実行します。

クルー=クルー（agents = [code_writer_agent、code_reviewer_agent]、 
            tasks = [code_writer_task、code_reviewer_task]、 
            verbose = true）

result = crew.kickoff（inputs = {'upprogen'： '' tic-tac-toeゲームを作成 '、'言語 '：' python '}）

ログイン後にコピー

サンプル出力：

Crewai -Analytics Vidhyaを使用してAIペアプログラマーを構築します

結果分析

resultオブジェクトには次のものが含まれます。

 result.dict（）。keys（）
>>> dict_keys（['raw'、 'pydantic'、 'json_dict'、 'tasks_output'、 'token_usage']））

＃トークンの使用
result.dict（）['token_usage']
>>> {'total_tokens'：2656、...}

＃最終出力
印刷（result.raw）

ログイン後にコピー

その後、生成されたコードを実行できます。

Crewai -Analytics Vidhyaを使用してAIペアプログラマーを構築します

自動コード評価

このセクションでは、既存のコードの評価について説明します。

評価要件の定義

まず、エージェントを使用して要件を収集し、別のエージェントを使用してそれらの要件に基づいてコードを評価します。

ツールを使用します

FileReadToolファイルを読み取ります。ツールはエージェント機能を強化します。ツールは、タスクとエージェントに割り当てることができます。タスクレベルの割り当ては、エージェントレベルの割り当てをオーバーライドします。

要件の設定エージェントとタスクを収集します

crewai_toolsからfilreadtoolをインポートします

code_requirements_agent = agent（role = "data科学者"、
                          目標= '特定の問題のコード要件を定義します。'、 
                          Backstory = "" "あなたは、コードを定義する問題を定義するデータサイエンティストです。問題を解決するためのコードを定義します。
                          llm = 'gpt-4o-mini'、
                          verbose = true）

code_requirement_task = task（description = 'ステップバイステップ要件を書き込みます。問題：{問題}'、
                            expects_output = 'フォーマット要件テキスト。'、
                            agent = code_requirements_agent、
                            human_input = true）

ログイン後にコピー

human_input=True調整のためにユーザー入力を許可します。

コード評価

この例では、より大きなコンテキストをより適切に処理するために、 FileReadToolとgpt-4oを使用しています。

 file_read_tool = filereadtool（ 'eda.py'）

code_evaluator_agent = agent（role = "data Science Evaluator"、
                            目標= '提供された要件に基づいてコードを評価する'、 
                            Backstory = "" "あなたは指定された要件に基づいてコードをレビューするデータサイエンス評価者です。" ""、
                            llm = 'gpt-4o'、
                            verbose = true）

code_evaluator_task = task（description = "" "要件に基づいてコードファイルを評価します。コードではなく評価のみを提供します。" "" "、
                           expection_output = '要件に基づく詳細な評価。'、
                           ツール= [file_read_tool]、
                           agent = code_evaluator_agent）

ログイン後にコピー

評価クルーの構築

乗組員を作成し、問題を定義します。

クルー=クルー（agents = [code_requirements_agent、code_evaluator_agent]、 
            tasks = [code_requirement_task、code_evaluator_task]、 
            verbose = true）

問題= "" "NYCタクシー旅行期間データセットでEDAを実行..." ""＃（dataset説明

result = crew.kickoff（入力= {'問題'：問題}）

ログイン後にコピー

出力

出力は、人間の入力プロンプトを示しています。

Crewai -Analytics Vidhyaを使用してAIペアプログラマーを構築します

タスク出力は個別にアクセスできます。

 print（code_requirement_task.output.raw）
印刷（result.raw）

ログイン後にコピー

結論

CREWAIは、AI駆動型のコード生成、レビュー、評価を通じてソフトウェア開発を強化するための強力なフレームワークを提供します。役割、目標、タスクを定義することにより、開発者はワークフローを合理化し、生産性を高めることができます。 AIペアプログラマーとCrewaiを統合すると、効率とコードの品質が向上します。 Crewaiの柔軟性により、シームレスなAIエージェントコラボレーションが促進され、最適化され、保守性があり、エラーのないコードが得られます。 AIが進化するにつれて、Crewaiのペアプログラミング機能は、開発者にとってますます価値が高まるようになります。