使用CREWAI的并发查询分辨率系统

在人工智能时代，企业不断寻求创新的方式来增强客户支持服务。一种这样的方法是利用AI代理协同工作以有效解决客户查询。本文探讨了使用Crewai，OpenAI的GPT模型和Google Gemini的并发查询分辨率系统的实现。该系统采用多个专业代理，它们并行操作以无缝处理客户查询，从而减少响应时间并提高准确性。

学习目标

>了解AI代理如何通过自动响应并汇总关键信息来有效地处理客户查询。>
• 了解Crewai如何启用多代理协作以改善客户支持工作流程。
>探索不同类型的AI代理，例如查询解析器和摘要及其在客户服务自动化中的角色。>
• >使用Python的Asyncio来实施并发查询处理以提高响应效率。
• >通过集成AI驱动的自动化来优化客户支持系统，以提高准确性和可扩展性。
• >本文是

> > data Science Blogathon的一部分。 目录的>> ai代理如何一起工作？

>实现并发查询分辨率系统

步骤1：设置api键
• • 步骤2：导入所需的库
  • Step 5: Defining Tasks
  Step 6: Executing a Query with AI Agents
• Step 7: Handling Multiple Queries Concurrently
• Step 8: Defining Example Queries
• Step 9: Setting Up the Event Loop
• Step 10: Handling Event Loops in Jupyter Notebook/Google COLAB

步骤11：执行查询和打印结果

>并发查询分辨率分辨率系统的优势 >并发查询解决系统的应用程序 AI代理如何一起工作？> 并发查询分辨率系统使用多代理框架，将每个代理分配一个特定的角色。该系统利用Crewai，这是一个使AI代理可以有效协作的框架。 系统的主要组件包括：

• 查询分辨率代理：负责理解客户查询并提供准确的响应。
• 摘要代理：总结了快速审查和未来参考的分辨率过程。
• llms（大语言模型）：包括诸如GPT-4O和GEMINI之类的模型，每个模型都具有不同的配置，以平衡速度和准确性。> >
任务管理：
• 动态分配任务以确保并发查询处理。
并发查询分辨率系统的实现

将AI代理框架从概念转变为现实，结构化实施方法至关重要。下面，我们概述了设置和集成AI代理以进行有效查询解决方案所涉及的关键步骤。

>

>步骤1：设置API键

>使用OS模块将OpenAI API密钥存储为环境变量。这允许系统在无需硬编码敏感凭证的情况下安全地验证API请求。

>系统使用OS模块与操作系统进行交互。

import os 

# Set the API key as an environment variable
os.environ["OPENAI_API_KEY"] = ""

该系统将OpenAI_API_KEY设置为环境变量，允许其对OpenAI的API进行身份验证。

步骤2：导入所需库

>

>必要的库是导入的，包括用于处理异步操作的异步以及诸如代理，机组人员，任务和LLM之类的CREWAI组件。这些对于定义和管理AI代理至关重要。

>

import asyncio
from crewai import Agent, Crew, Task, LLM, Process
import google.generativeai as genai

asyncio：

python的内置模块，用于异步编程，启用并发执行。>
• 代理：代表一个具有特定职责的AI工人。
• > crew：>管理多个代理及其相互作用。
>
• >任务：>定义每个代理应该做的。>
• llm：>指定所使用的大语言模型。>
• 进程：>它定义了任务的执行方式，无论是顺序还是并行。
google.generativeai：
• 库用于使用Google的生成AI模型（在此片段中不使用，但可能包括用于将来的扩展）。 步骤3：初始化llms
• >以不同的温度设置初始化了三种不同的LLM实例（GPT-4O和GPT-4）。温度控制响应的创造力，确保在AI生成的答案中的准确性和灵活性之间保持平衡。
该系统创建三个LLM实例，每个实例都具有不同的配置。>

>参数：

• 模型：>指定要使用的OpenAI模型（GPT-4O或GPT-4）。
>
• 温度：控制响应中的随机性（0 =确定性，1 =更多创意）。

这些不同的模型和温度有助于平衡准确性和创造力

步骤4：定义AI代理

每个代理都有特定的角色和预定义的目标。创建了两个AI代理：

• >查询解析器：处理客户查询并提供详细的响应。>
>
• 摘要生成器：总结了快速参考的分辨率。每个代理都有定义的角色，目标和背景故事来指导其相互作用。
  >

查询分辨率代理

import os 

# Set the API key as an environment variable
os.environ["OPENAI_API_KEY"] = ""

让我们看看此代码块中发生了什么

• 代理创建： QUERY_RESOLUTION_AGENT是负责解决客户查询的AI驱动的助手。>
>模型选择：
• 它使用llm_1，其配置为GPT-4O，温度为0.7。 这种平衡允许创造性而准确的响应。 角色：>系统将代理指定为查询解析器。
• 背景故事：开发人员计划代理人充当专业客户服务助理，确保高效且专业的回复。>
• 目标：为用户查询提供准确的解决方案。
• 详细模式：
摘要代理
• 在这里会发生什么？

>代理创建：

import asyncio
from crewai import Agent, Crew, Task, LLM, Process
import google.generativeai as genai

summary_agent旨在汇总查询分辨率。

>

>

模型选择：
• 使用温度为0.2的LLM_2（GPT-4），使其响应更加确定性和精确。 >角色：
>该代理充当摘要发电机。
• > 背景故事：
它总结了查询分辨率简洁供快速参考。
• 目标：
它提供了一个清晰明确的摘要，概述了如何解决客户查询。
• >详细模式：>
• 步骤5：定义任务 系统动态分配任务以确保并行查询处理。
本节定义了在并发查询分辨率系统中分配给AI代理的任务。
• 在这里会发生什么？

定义任务：

• resolution_task：此任务指示查询解析器代理分析和解决客户查询。
• summary_task：此任务指示摘要代理生成分辨率过程的简短摘要。
>

>动态查询处理：

• 执行任务时，系统用实际的客户查询代替{query}。
• 这允许系统动态处理任何客户查询。
>

预期输出：

andolution_task期望对查询有详细的响应。
• >
summary_task生成了查询分辨率的简明摘要。
• >

代理分配：

query_resolution_agent被分配用于处理分辨率任务。

>
• summary_agent被分配以处理摘要任务。>
• 为什么这很重要

>

任务专业：每个AI代理都有特定的工作，可确保效率和清晰度。

>可伸缩性：
• 您可以添加更多任务和代理来处理不同类型的客户支持交互。> >>并行处理：
可以同时执行任务，以减少客户的等待时间。
• 步骤6：用AI代理执行查询
>创建一个异步函数来处理查询。机组类组织代理和任务，依次执行它们，以确保正确的查询分辨率和摘要。
• 此功能定义了执行查询的异步过程。它创建了一个机组人员实例，其中包括：
>

代理：

参与该过程的AI代理（查询解析器和摘要生成器）。

import os 

# Set the API key as an environment variable
os.environ["OPENAI_API_KEY"] = ""

任务：

>分配给代理的任务（查询分辨率和摘要）。

• process = process.sequection：确保任务是按顺序执行的。
• verbose = true：启用详细记录以更好地跟踪。
• 该函数使用等待执行AI代理并返回结果。> >步骤7：处理多个查询同时
• 使用asyncio.gather（），可以同时处理多个查询。这通过允许AI代理并并行处理不同的客户问题来减少响应时间。> 此函数同时执行两个查询。 ASyncio.gather（）同时处理两个查询，从而大大减少了响应时间。该函数返回两个查询的结果，一旦执行完成

>步骤8：定义示例查询

开发人员定义样本查询以测试系统，涵盖了常见的客户支持问题，例如登录失败和付款处理错误。

这些是测试系统的示例查询。

查询1涉及登录问题，而查询2与付款网关错误有关。

>步骤9：设置事件循环

该系统初始化事件循环以处理异步操作。如果它找不到现有循环，它将创建一个新的循环来管理AI任务执行。

import os 

# Set the API key as an environment variable
os.environ["OPENAI_API_KEY"] = ""

本节确保事件循环可用于运行异步任务。

如果系统检测到没有事件循环（RuntimeError发生），它将创建一个新的并将其设置为活动循环。

步骤10：Jupyter笔记本中的处理事件循环/Google Colab

>由于jupyter和colab具有预先存在的事件循环，因此使用nest_asyncio.apply（）来防止冲突，确保顺畅地执行异步查询。

jupyter笔记本和Google Colab具有预先存在的事件循环，在运行异步功能时可能会导致错误。

import asyncio
from crewai import Agent, Crew, Task, LLM, Process
import google.generativeai as genai

> nest_asyncio.apply（）允许嵌套事件循环，解决兼容性问题。

步骤11：执行查询和打印结果

事件循环运行handle_two_queries（）同时处理查询。该系统打印最终的AI生成的响应，显示查询分辨率和摘要。

>

loop.run_until_complete（）启动执行handle_two_queries（），该（同时处理两个查询。

# Initialize the LLM with Gemini
llm_1 = LLM(
    model="gpt-4o",
    temperature=0.7)
llm_2 = LLM(
    model="gpt-4",
    temperature=0.2)
llm_3 = LLM(
    model="gpt-4o",
    temperature=0.3)

系统打印结果，显示每个查询的AI生成的分辨率。

并发查询分辨率系统的优势

在下面，我们将通过同时处理多个查询，从而导致更快的响应时间和改进的用户体验，从而看到并发查询分辨率系统如何提高效率。>

>更快的响应时间：

并行执行同时解决多个查询。

>
• 提高准确性：利用多个llms确保创造力和事实正确性之间的平衡。
• >可伸缩性：系统可以在不干预的情况下处理大量查询。
更好的客户体验：
• 自动摘要提供了查询分辨率的快速概述。
>并发查询分辨率系统的应用
• >现在，我们将探索并发查询分辨率系统的各种应用程序，包括客户支持自动化，聊天机器人中的实时查询处理以及有效处理大型服务请求。>
  • 客户支持自动化：启用AI驱动的聊天机器人可以同时解决多个客户查询，减少响应时间。
  • 实时查询处理：通过并行处理大量查询，提高效率来增强实时支持系统。>
  • >电子商务协助：在线购物平台中精简产品查询，订单跟踪和付款问题解决方案。
  >
  • > IT帮助台家管理：通过同时诊断和解决多个技术问题来支持IT服务桌。
  • 医疗保健和远程医疗：协助同时管理患者查询，预约时间表和医疗建议。>
  结论
  并发查询分辨率系统展示了AI驱动的多代理协作如何彻底改变客户支持。通过利用Crewai，OpenAI的GPT型号和Google Gemini，企业可以自动化查询处理，提高效率和用户满意度。这种方法将来为更高级的AI驱动服务解决方案铺平了道路。

  钥匙要点

  ai代理简化客户支持，减少响应时间。
  • crewai使专业代理能够有效地一起工作。
  >
  • 使用Asyncio，同时处理多个查询。
  >
  • 不同的LLM配置平衡精度和创造力。
  该系统可以在不干预的情况下管理大量查询量。
  • 自动摘要提供了快速，清晰的查询分辨率。
  >
  常见问题
  > Q1。什么是crewai？

  a。 Crewai是一个框架，允许多个AI代理在复杂的任务上进行协作。它可以使代理商之间的任务管理，角色专业化和无缝协调。 Crewai如何工作？ Crewai定义具有特定角色的代理，动态分配任务，然后依次或同时处理它们。它利用Openai的GPT和Google Gemini等AI模型有效地执行任务。 Crewai如何同时处理多个查询？ Crewai使用Python的asyncio.gather（）同时运行多个任务，从而确保了无绩效瓶颈的更快的查询分辨率。

  Q4。 Crewai可以与不同的llms集成？是的，Crewai支持各种大型语言模型（LLMS），包括OpenAI的GPT-4，GPT-4O和Google的Gemini，允许用户根据速度和准确性要求进行选择。 Crewai如何确保任务准确性？通过使用具有不同温度设置的不同AI模型，CREWAI平衡创造力和事实正确性，以确保可靠的响应。

  >本文所示的媒体不归Analytics Vidhya拥有，并由作者自行决定使用。

以上是使用CREWAI的并发查询分辨率系统的详细内容。更多信息请关注PHP中文网其他相关文章！