> ## Documentation Index > Fetch the complete documentation index at: https://docs.wandb.ai/llms.txt > Use this file to discover all available pages before exploring further. # CrewAI > Intégrez CrewAI à Weave pour surveiller et tracer les applications multi-agents Ouvrir dans Colab Ce guide vous montre comment utiliser Weave pour surveiller et tracer des applications multi-agents [CrewAI](https://docs.crewai.com/introduction), y compris les [Crews](https://docs.crewai.com/guides/crews/first-crew) et les [Flows](https://docs.crewai.com/guides/flows/first-flow). CrewAI est un framework Python destiné à créer des agents d’IA autonomes. Il est indépendant de LangChain et des autres frameworks d’agents, et prend en charge deux abstractions : les [Crews](https://docs.crewai.com/guides/crews/first-crew) de haut niveau et les [Flows](https://docs.crewai.com/guides/flows/first-flow) de bas niveau. Les applications CrewAI se composent souvent de plusieurs agents qui collaborent entre eux, ce qui rend essentiel de comprendre comment ils coopèrent et communiquent. Weave capture automatiquement les traces de vos applications CrewAI afin que vous puissiez surveiller et analyser les performances et les interactions de vos agents. Les sections suivantes expliquent le traçage d’un Crew, le suivi de l’utilisation des outils, le traçage d’un Flow et l’encapsulation d’une fonction de garde-fou en tant qu’op Weave.
## Premiers pas avec Crew
Pour exécuter cet exemple, installez CrewAI et Weave. Pour plus d’informations sur l’installation de CrewAI, voir le [guide d’installation de CrewAI](https://docs.crewai.com/installation). ```bash theme={null} pip install crewai weave ``` L’exemple suivant crée un Crew CrewAI et suit l’exécution à l’aide de Weave. Pour activer le traçage, appelez `weave.init()` au début de votre script. L’argument de `weave.init()` est le nom du projet dans lequel Weave journalise les traces. ```python lines {5} theme={null} import weave from crewai import Agent, Task, Crew, LLM, Process # Initialiser Weave avec le nom de votre projet weave.init(project_name="crewai_demo") # Créer un LLM avec une température de 0 pour garantir des sorties déterministes llm = LLM(model="gpt-4o-mini", temperature=0) # Créer des agents researcher = Agent( role='Research Analyst', goal='Find and analyze the best investment opportunities', backstory='Expert in financial analysis and market research', llm=llm, verbose=True, allow_delegation=False, ) writer = Agent( role='Report Writer', goal='Write clear and concise investment reports', backstory='Experienced in creating detailed financial reports', llm=llm, verbose=True, allow_delegation=False, ) # Créer des tâches research_task = Task( description='Deep research on the {topic}', expected_output='Comprehensive market data including key players, market size, and growth trends.', agent=researcher ) writing_task = Task( description='Write a detailed report based on the research', expected_output='The report should be easy to read and understand. Use bullet points where applicable.', agent=writer ) # Créer un crew crew = Crew( agents=[researcher, writer], tasks=[research_task, writing_task], verbose=True, process=Process.sequential, ) # Exécuter le crew result = crew.kickoff(inputs={"topic": "AI in material science"}) print(result) ``` Weave suit et consigne tous les appels effectués via la bibliothèque CrewAI, y compris les interactions entre agents, les exécutions de tâches et les appels LLM. Vous pouvez consulter les traces dans l’interface web de Weave. [crew_trace.png](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7ac-bd52-7390-95a7-309370e9e058%3FhideTraceTree%3D0\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D) CrewAI fournit plusieurs méthodes pour mieux contrôler le processus de kickoff : `kickoff()`, `kickoff_for_each()`, `kickoff_async()` et `kickoff_for_each_async()`. L’intégration prend en charge la journalisation des traces pour toutes ces méthodes.
## Suivi des outils
Les outils CrewAI offrent aux agents des capacités telles que la recherche sur le Web, l’analyse de données, la collaboration et la délégation de tâches entre collègues. L’intégration en assure également le traçage. L’exemple suivant améliore la qualité du rapport généré à partir de l’exemple précédent en donnant à l’agent accès à un outil capable d’effectuer des recherches sur Internet et de renvoyer les résultats les plus pertinents. Commencez par installer la dépendance supplémentaire : ```bash theme={null} pip install 'crewai[tools]' ``` Cet exemple utilise `SerperDevTool` pour permettre à l’agent 'Research Analyst' d’effectuer des recherches d’informations pertinentes sur Internet. Pour plus d’informations sur cet outil et sur les exigences de l’API, voir la [documentation de SerperDevTool](https://docs.crewai.com/tools/serperdevtool). ```python lines {12} theme={null} # .... existing imports .... from crewai_tools import SerperDevTool # Nous fournissons l'outil à l'agent. researcher = Agent( role='Research Analyst', goal='Find and analyze the best investment opportunities', backstory='Expert in financial analysis and market research', llm=llm, verbose=True, allow_delegation=False, tools=[SerperDevTool()], ) # .... existing code .... ``` Exécuter ce Crew avec un agent ayant accès à Internet produit un résultat plus pertinent. Weave trace automatiquement l’utilisation des outils, comme illustré dans l’image suivante. [crew_with_tool_trace.png](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7c7-0213-7f42-b130-caa93a79316c%3FdescendentCallId%3D0195c7c7-0a16-7f11-8cfd-9dedf1d03b3b\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D) L’intégration applique automatiquement un patch à tous les outils disponibles dans le dépôt [`crewAI-tools`](https://github.com/crewAIInc/crewAI-tools).
## Premiers pas avec Flow
L’exemple suivant définit un Flow CrewAI et le trace avec Weave. Comme pour les Crews, appelez `weave.init()` avant de définir le Flow afin que Weave capture automatiquement le point d’entrée `Flow.kickoff`, ainsi que les décorateurs `@start`, `@listen`, `@router`, `@or_` et `@and_`. ```python lines {3} theme={null} import weave # Initialiser Weave avec le nom de votre projet weave.init("crewai_demo") from crewai.flow.flow import Flow, listen, router, start from litellm import completion class CustomerFeedbackFlow(Flow): model = "gpt-4o-mini" @start() def fetch_feedback(self): print("Fetching customer feedback") # Dans un scénario réel, ceci pourrait être remplacé par un appel API. # Pour cet exemple, nous simulons le feedback client. feedback = ( "I had a terrible experience with the product. " "It broke after one use and customer service was unhelpful." ) self.state["feedback"] = feedback return feedback @router(fetch_feedback) def analyze_feedback(self, feedback): # Utiliser le modèle de langage pour analyser le sentiment prompt = ( f"Analyze the sentiment of this customer feedback and " "return only 'positive' or 'negative':\n\n" f"Feedback: {feedback}" ) response = completion( model=self.model, messages=[{"role": "user", "content": prompt}], ) sentiment = response["choices"][0]["message"]["content"].strip().lower() # Si la réponse est ambiguë, utiliser « negative » par défaut if sentiment not in ["positive", "negative"]: sentiment = "negative" return sentiment @listen("positive") def handle_positive_feedback(self): # Générer un message de remerciement pour un feedback positif prompt = "Generate a thank you message for a customer who provided positive feedback." response = completion( model=self.model, messages=[{"role": "user", "content": prompt}], ) thank_you_message = response["choices"][0]["message"]["content"].strip() self.state["response"] = thank_you_message return thank_you_message @listen("negative") def handle_negative_feedback(self): # Générer un message d'excuse avec une promesse d'amélioration du service pour un feedback négatif prompt = ( "Generate an apology message to a customer who provided negative feedback and offer assistance or a solution." ) response = completion( model=self.model, messages=[{"role": "user", "content": prompt}], ) apology_message = response["choices"][0]["message"]["content"].strip() self.state["response"] = apology_message return apology_message # Instancier et démarrer le flow flow = CustomerFeedbackFlow() result = flow.kickoff() print(result) ``` [flow.png](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Flow.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7e3-7a63-7283-bef4-9e0eb2f0eab1\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D) L’intégration applique automatiquement un patch au point d’entrée `Flow.kickoff`, ainsi que tous les décorateurs disponibles (`@start`, `@listen`, `@router`, `@or_` et `@and_`).
## Garde-fou Crew : suivez vos propres ops
Les garde-fous de tâche vous permettent de valider et de transformer les résultats d'une tâche avant que CrewAI ne les transmette à la suivante. Vous pouvez utiliser une fonction Python pour valider l'exécution de l'agent à la volée. En décorant la fonction de garde-fou avec `@weave.op`, vous capturez ses entrées, ses sorties et la logique de l'application afin de pouvoir déboguer la manière dont les données sont validées par vos agents. Cela gère également automatiquement le versionnement du code pendant que vous expérimentez, en capturant des détails ad hoc qui n'ont pas encore été validés dans Git. L'exemple suivant étend le Crew d'analyste de recherche et de rédacteur en ajoutant un garde-fou qui valide la longueur du rapport généré. ```python lines {4,36} theme={null} # .... importations existantes et initialisation de weave .... # Décorez votre fonction de garde-fou avec `@weave.op()` @weave.op(name="guardrail-validate_blog_content") def validate_blog_content(result: TaskOutput) -> Tuple[bool, Any]: # Obtenir le résultat brut sous forme de chaîne result = result.raw """Validate blog content meets requirements.""" try: # Vérifier le nombre de mots word_count = len(result.split()) if word_count > 200: return (False, { "error": "Blog content exceeds 200 words", "code": "WORD_COUNT_ERROR", "context": {"word_count": word_count} }) # Logique de validation supplémentaire ici return (True, result.strip()) except Exception as e: return (False, { "error": "Unexpected error during validation", "code": "SYSTEM_ERROR" }) # .... agents existants et tâche de l'analyste de recherche .... writing_task = Task( description='Write a detailed report based on the research under 200 words', expected_output='The report should be easy to read and understand. Use bullet points where applicable.', agent=writer, guardrail=validate_blog_content, ) # .... code existant pour exécuter le crew .... ``` En décorant la fonction de garde-fou avec `@weave.op`, vous pouvez suivre les entrées et les sorties de cette fonction, ainsi que le temps d’exécution, les informations sur les tokens si la fonction utilise un LLM, la version du code, et bien plus encore. [guardrail.png](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c838-38cb-71a2-8a15-651ecddf9d89%3FdescendentCallId%3D0195c838-8632-7173-846d-f230e7272c20\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D)
## Conclusion
Vous disposez maintenant d’une application CrewAI tracée avec Weave qui capture les interactions des agents, l’utilisation des outils, l’exécution des Flow et les validations des garde-fous. Pour suggérer des améliorations ou signaler des problèmes avec cette intégration, [ouvrez une issue sur GitHub](https://github.com/wandb/weave/issues/new/choose). Pour en savoir plus sur la création de systèmes multi-agents avec CrewAI, consultez les [exemples](https://github.com/crewAIInc/crewAI-examples) et la [documentation](https://docs.crewai.com/introduction) de CrewAI.