> ## 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 > CrewAI を Weave と統合し、マルチエージェントアプリケーションを監視・トレースする Colab で開く このガイドでは、[Crews](https://docs.crewai.com/guides/crews/first-crew) と [Flows](https://docs.crewai.com/guides/flows/first-flow) の両方を含む [CrewAI](https://docs.crewai.com/introduction) のマルチエージェントアプリケーションを、Weave を使用して監視およびトレースする方法を紹介します。 CrewAI は、自律型 AI エージェントを構築するための Python フレームワークです。LangChain や他のエージェントフレームワークには依存しておらず、高レベルの [Crews](https://docs.crewai.com/guides/crews/first-crew) と低レベルの [Flows](https://docs.crewai.com/guides/flows/first-flow) という 2 つの抽象化をサポートします。 CrewAI アプリケーションは複数のエージェントが連携して動作することが多いため、それらがどのように協調し、やり取りしているかを理解することが不可欠です。Weave は、CrewAI アプリケーションのトレースを自動的に取得し、エージェントのパフォーマンスや相互作用を監視・分析できるようにします。 以下のセクションでは、Crew のトレース、ツール使用状況のトラッキング、Flow のトレース、およびガードレール関数を Weave op としてラップする方法を順に説明します。
## Crew を使い始める
この例を実行するには、CrewAI と Weave をインストールしてください。CrewAI のインストールの詳細については、[CrewAI installation guide](https://docs.crewai.com/installation) をご覧ください。 ```bash theme={null} pip install crewai weave ``` 次の例では、CrewAI Crew を作成し、Weave を使用して実行をトレースします。トレースを有効にするには、スクリプトの先頭で `weave.init()` を呼び出します。`weave.init()` の引数には、Weave がトレースをログするプロジェクト名を指定します。 ```python lines {5} theme={null} import weave from crewai import Agent, Task, Crew, LLM, Process # プロジェクト名で Weave を初期化する weave.init(project_name="crewai_demo") # 決定論的な出力を保証するため、temperature を 0 に設定して LLM を作成する llm = LLM(model="gpt-4o-mini", temperature=0) # エージェントを作成する 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, ) # タスクを作成する 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 ) # Crew を作成する crew = Crew( agents=[researcher, writer], tasks=[research_task, writing_task], verbose=True, process=Process.sequential, ) # Crew を実行する result = crew.kickoff(inputs={"topic": "AI in material science"}) print(result) ``` Weave は、CrewAI ライブラリを介して行われるすべての calls をトラッキングし、ログします。これには、エージェント のやり取り、タスクの実行、LLM calls が含まれます。トレースは Weave の Web インターフェースで確認できます。 [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 には、kickoff プロセスをより細かく制御するための複数の method (`kickoff()`, `kickoff_for_each()`, `kickoff_async()`, `kickoff_for_each_async()`) があります。このインテグレーションは、これらすべての method からのトレースのログをサポートしています。
## ツールをトラッキングする
CrewAI のツールは、Web 検索やデータ分析から、共同作業や同僚へのタスク委任まで、さまざまな機能をエージェントに提供します。インテグレーションでは、それらもトレースできます。 インターネットを検索して最も関連性の高い結果を返せるツールを使えるようにすることで、前の例で生成されたレポートの品質を向上させます。 まず、追加の依存関係をインストールします。 ```bash theme={null} pip install 'crewai[tools]' ``` この例では、`SerperDevTool` を使用して、'Research Analyst' エージェントがインターネット上の関連情報を検索できるようにしています。このツールと API の要件の詳細については、[SerperDevTool documentation](https://docs.crewai.com/tools/serperdevtool)をご覧ください。 ```python lines {12} theme={null} # .... 既存のインポート .... from crewai_tools import SerperDevTool # エージェントにツールを提供します。 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()], ) # .... 既存のコード .... ``` インターネットにアクセスできるエージェントでこの Crew を実行すると、より関連性の高い結果が得られます。Weave は、以下の画像のようにツールの使用を自動的にトレースします。 [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) このインテグレーションは、[`crewAI-tools`](https://github.com/crewAIInc/crewAI-tools)リポジトリで利用可能なすべてのツールに自動的にパッチを適用します。
## Flow 入門
次の例では、CrewAI Flow を定義し、Weave でトレースします。Crews の場合と同様に、Flow を定義する前に `weave.init()` を呼び出してください。これにより、Weave は `Flow.kickoff` のエントリポイントと、`@start`、`@listen`、`@router`、`@or_`、`@and_` の各デコレータを自動的に取得します。 ```python lines {3} theme={null} import weave # プロジェクト名でWeaveを初期化する 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") # 実際のシナリオでは、これをAPIコールに置き換えることができます。 # この例では、カスタマーフィードバックをシミュレートします。 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): # 言語モデルを使用してセンチメントを分析する 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() # レスポンスが曖昧な場合はnegativeをデフォルトとする if sentiment not in ["positive", "negative"]: sentiment = "negative" return sentiment @listen("positive") def handle_positive_feedback(self): # ポジティブなフィードバックに対するお礼メッセージを生成する 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): # ネガティブなフィードバックに対してサービス改善を約束するお詫びメッセージを生成する 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 # Flowをインスタンス化してキックオフする 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) このインテグレーションでは、`Flow.kickoff` のエントリポイントと、使用可能なすべてのデコレータ (`@start`、`@listen`、`@router`、`@or_`、`@and_`) に自動的にパッチが適用されます。
## Crew guardrail: 独自の ops をトラッキングする
タスクガードレールを使うと、CrewAI がタスクの出力を次のタスクに渡す前に検証や変換を行えます。エージェント の実行内容をその場で検証するには、Python 関数を使用できます。 ガードレール関数を `@weave.op` でラップすると、inputs、outputs、アプリケーションロジックが取得され、エージェント を通じてデータがどのように検証されるかをデバッグできるようになります。さらに、実験を進める中で git にコミットされていないアドホックな詳細も記録できるよう、コードのバージョン管理も自動的に開始されます。 次の例では、リサーチアナリストとライターの Crew を拡張し、生成されたレポートの長さを検証するガードレールを追加します。 ```python lines {4,36} theme={null} # .... 既存のインポートと weave の初期化 .... # ガードレール関数を `@weave.op()` でデコレートする @weave.op(name="guardrail-validate_blog_content") def validate_blog_content(result: TaskOutput) -> Tuple[bool, Any]: # 生の string 結果を取得する result = result.raw """Validate blog content meets requirements.""" try: # 単語数を確認する 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} }) # 追加の検証ロジックをここに記述 return (True, result.strip()) except Exception as e: return (False, { "error": "Unexpected error during validation", "code": "SYSTEM_ERROR" }) # .... 既存のエージェントとリサーチアナリストのタスク .... 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, ) # .... crew を実行する既存のコード .... ``` ガードレール関数を `@weave.op` でデコレートすると、この関数の入力と出力に加え、実行時間、関数が LLM を使用している場合のトークン情報、コード version などをトラッキングできます。 [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)
## まとめ
これで、エージェント間のやり取り、ツールの使用、Flow の実行、ガードレールの検証を取得する、Weave でトレースされた CrewAI アプリケーションが用意できました。このインテグレーションの改善案を提案したり問題を報告したりするには、[GitHub で issue を作成してください](https://github.com/wandb/weave/issues/new/choose)。 CrewAI でマルチエージェントシステムを構築する方法の詳細については、CrewAI の[サンプル](https://github.com/crewAIInc/crewAI-examples)と[ドキュメント](https://docs.crewai.com/introduction)をご覧ください。