mirror of
https://github.com/crewAIInc/crewAI.git
synced 2026-07-02 21:58:11 +00:00
a237ebabba
* feat: adopt directory-based docs versioning with Edge channel Switch docs.crewai.com from navigation-only versioning (every version selector entry rendered the same docs/<lang>/* source files) to Mintlify's directory-based versioning so each version selector entry renders its own snapshot. Add an "Edge" channel under docs/edge/<lang>/* that always reflects main HEAD for unreleased work, eliminating pre-release leakage onto frozen release labels. External links to canonical /<lang>/* URLs are preserved via wildcard redirects that always land on the current default version. Layout: - docs/edge/<lang>/* rolling source (you edit here) - docs/edge/enterprise-api.*.yaml - docs/v<X.Y.Z>/<lang>/* frozen, immutable snapshots - docs/v<X.Y.Z>/enterprise-api.*.yaml - docs/images/ shared, append-only - docs/docs.json nav + redirects URLs follow the Mintlify-idiomatic shape: /edge/<lang>/<page> for Edge, /v<X.Y.Z>/<lang>/<page> for every frozen snapshot. The wildcard redirects /<lang>/:slug* -> /<default>/<lang>/:slug* keep stale links working, and every freeze rewrites them (plus all per-section/per-page redirects) so destinations always resolve to the current default without depending on a second redirect hop. Release flow integration (devtools release): - New module crewai_devtools.docs_versioning.freeze() materialises docs/v<X.Y.Z>/ from docs/edge/, rewrites openapi: refs inside the snapshot, inserts the version into every language block in docs.json, and refreshes all redirect destinations. - _update_docs_and_create_pr() in cli.py now calls that freeze during Phase 2 of devtools release. Edge changelogs are updated first (so the snapshot freeze picks them up), then the snapshot is staged alongside docs.json, branched as docs/freeze-v<X.Y.Z>, and the PR is titled [docs-freeze] docs: snapshot and changelog for v<X.Y.Z> — the title prefix the new CI guard reads. - The PR still gates tag, GitHub release, PyPI publish, and the enterprise release as before; no new PRs are added. - Pre-releases (1.X.YaN, 1.X.YbN, ...) skip the snapshot — they ride Edge — and the docs PR title omits the [docs-freeze] prefix. - docs_check (AI-generated docs scaffolding) writes to docs/edge/<lang>/* so newly-generated unreleased docs land in Edge and never accidentally touch a frozen snapshot. Migration scripts (one-shot): - scripts/docs/freeze_historical_versions.py reconstructs all 16 historical snapshots (v1.10.0 .. v1.14.7) from git tags via git archive | tar, rewriting openapi: MDX refs so each snapshot reads its own enterprise-api YAML rather than the live one. - scripts/docs/prefix_version_paths.py one-shot-migrates docs.json: rewrites every page path in 16 versioned blocks to point under docs/v<X.Y.Z>/, inserts a new Edge entry per language, tags v1.14.7 as Latest (default), prunes pages whose target file doesn't exist in the snapshot (e.g. docs/ar/ didn't exist before v1.12.0), and writes the wildcard + per-section redirects. - scripts/docs/freeze_current_edge.py is now a thin CLI wrapper around docs_versioning.freeze for manual one-off freezes (e.g. retroactively snapshotting a forgotten release). CI guards (.github/workflows/docs-snapshots.yml): - Frozen snapshots under docs/v[0-9]*/ are immutable; only PRs whose title contains [docs-freeze] (i.e. release-cut PRs generated by devtools release or the manual wrapper) may modify them. - Images under docs/images/ are append-only since snapshots share a single image directory. Deleting or renaming an image breaks every historical snapshot that still references it. Restored docs/images/crewai-otel-export.png from PR #3673; it was deleted in PR #4908 but v1.10.0 / v1.10.1 snapshots still reference it. Restoring instead of editing the snapshots preserves historical rendering fidelity and validates the new append-only rule retroactively. Tests: - lib/devtools/tests/test_docs_versioning.py covers the freeze: file copy, openapi rewrite, version insertion, default demotion, redirect upserts, per-section redirect rewriting, idempotency, and invalid inputs. Verified locally with mintlify broken-links: 0 broken links across the full site (Edge + 16 frozen versions, 4 locales). AGENTS.md (repo root) is the contributor guide for the new model; RELEASING.md is the release-cut runbook; README's Contribution section links to both. Co-authored-by: Cursor <cursoragent@cursor.com> * style: resolve linter issues --------- Co-authored-by: Cursor <cursoragent@cursor.com>
461 lines
25 KiB
Plaintext
461 lines
25 KiB
Plaintext
---
|
|
title: 크루
|
|
description: crewAI 프레임워크에서 크루를 이해하고 다양한 속성과 기능을 활용하기.
|
|
icon: people-group
|
|
mode: "wide"
|
|
---
|
|
|
|
## 개요
|
|
|
|
crewAI에서 crew는 일련의 작업을 달성하기 위해 함께 협력하는 에이전트들의 그룹을 나타냅니다. 각 crew는 작업 실행, 에이전트 간 협업, 그리고 전체 워크플로우에 대한 전략을 정의합니다.
|
|
|
|
## Crew 속성
|
|
|
|
| 속성 | 파라미터 | 설명 |
|
|
| :-------------------------------------- | :---------------------- | :-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
|
|
| **Tasks** | `tasks` | crew에 할당된 작업들의 리스트. |
|
|
| **Agents** | `agents` | crew의 일원이 되는 에이전트들의 리스트. |
|
|
| **Process** _(선택사항)_ | `process` | crew가 따르는 프로세스 플로우(예: 순차, 계층적). 기본값은 `sequential`. |
|
|
| **Verbose** _(선택사항)_ | `verbose` | 실행 중 로그의 상세도 설정. 기본값은 `False`. |
|
|
| **Manager LLM** _(선택사항)_ | `manager_llm` | 계층적 프로세스에서 매니저 에이전트가 사용하는 언어 모델. **계층적 프로세스를 사용할 때 필수.** |
|
|
| **Function Calling LLM** _(선택사항)_ | `function_calling_llm` | 전달 시, crew 전체의 모든 agent에 대해 도구의 function calling에 이 LLM을 사용. 각 agent마다 개별 LLM을 가질 수 있으며, 이 경우 crew의 function calling LLM을 오버라이드 함. |
|
|
| **Config** _(선택사항)_ | `config` | crew용으로 선택적인 구성 설정. `Json` 또는 `Dict[str, Any]` 형식 사용. |
|
|
| **Max RPM** _(선택사항)_ | `max_rpm` | 실행 중 crew가 준수하는 분당 최대 요청 수. 기본값은 `None`. |
|
|
| **Memory** _(선택사항)_ | `memory` | 실행 메모리(단기, 장기, 엔터티 메모리) 저장에 사용됨. |
|
|
| **Cache** _(선택사항)_ | `cache` | 도구 실행 결과를 캐시에 저장할지 여부. 기본값은 `True`. |
|
|
| **Embedder** _(선택사항)_ | `embedder` | crew에서 사용할 embedder 설정. 현재는 주로 메모리에서 사용. 기본값은 `{"provider": "openai"}`. |
|
|
| **Step Callback** _(선택사항)_ | `step_callback` | 각 agent의 단계가 끝난 후 호출되는 함수. agent의 작업 기록이나 기타 작업 수행에 사용 가능; agent별 `step_callback`을 오버라이드하지 않음. |
|
|
| **Task Callback** _(선택사항)_ | `task_callback` | 각 작업 완료 후 호출되는 함수. 작업 실행 후 모니터링이나 추가 작업에 유용. |
|
|
| **Share Crew** _(선택사항)_ | `share_crew` | 라이브러리 개선 및 모델 학습을 위해 crew 정보와 실행을 crewAI 팀에 공유할지 여부. |
|
|
| **Output Log File** _(선택사항)_ | `output_log_file` | `True`로 설정 시 로그를 현재 디렉터리에 logs.txt로 저장하거나 파일 경로 지정 가능. 파일명이 .json으로 끝나면 JSON 형식, 아니면 txt 형식으로 로그를 저장. 기본값은 `None`. |
|
|
| **Manager Agent** _(선택사항)_ | `manager_agent` | 매니저로 사용할 커스텀 agent를 설정. |
|
|
| **Prompt File** _(선택사항)_ | `prompt_file` | crew에서 사용할 prompt JSON 파일 경로. |
|
|
| **Planning** *(선택사항)* | `planning` | Crew에 계획 수립 기능을 추가. 활성화하면 각 Crew 반복 전에 모든 Crew 데이터를 AgentPlanner로 전송하여 작업계획을 세우고, 이 계획이 각 작업 설명에 추가됨. |
|
|
| **Planning LLM** *(선택사항)* | `planning_llm` | 계획 과정에서 AgentPlanner가 사용하는 언어 모델. |
|
|
| **Knowledge Sources** _(선택사항)_ | `knowledge_sources` | crew 수준에서 사용 가능한 지식 소스. 모든 agent가 접근 가능. |
|
|
| **Stream** _(선택사항)_ | `stream` | 스트리밍 출력을 활성화하여 crew 실행 중 실시간 업데이트를 받을 수 있습니다. 청크를 반복할 수 있는 `CrewStreamingOutput` 객체를 반환합니다. 기본값은 `False`. |
|
|
|
|
<Tip>
|
|
**Crew Max RPM**: `max_rpm` 속성은 crew가 분당 처리할 수 있는 최대 요청 수를 설정하며, 개별 agent의 `max_rpm` 설정을 crew 단위로 지정할 경우 오버라이드합니다.
|
|
</Tip>
|
|
|
|
## 크루 생성하기
|
|
|
|
CrewAI에서 크루를 생성하는 주요 방법은 **JSONC 구성(새 crew 권장)**을 사용하는 방법과 클래식 프로젝트나 고급 사용 사례에서 **코드로 직접 정의**하는 방법입니다.
|
|
|
|
### JSONC 구성 (권장)
|
|
|
|
`crewai create crew <name>`으로 만든 새 프로젝트는 crew 수준 설정과 태스크를 `crew.jsonc`에 두고, 각 에이전트를 `agents/`의 별도 파일에 둡니다. `crewai run`은 `crew.jsonc` 또는 `crew.json`을 감지해 에이전트를 로드하고, 빠진 placeholder 값을 물은 뒤 crew를 시작합니다.
|
|
|
|
```jsonc crew.jsonc
|
|
{
|
|
"name": "Market Research Crew",
|
|
"agents": ["researcher", "analyst"],
|
|
"tasks": [
|
|
{
|
|
"name": "research",
|
|
"description": "Research {topic} and collect the most relevant facts.",
|
|
"expected_output": "Structured research notes about {topic}.",
|
|
"agent": "researcher"
|
|
},
|
|
{
|
|
"name": "analysis",
|
|
"description": "Analyze the research and write a concise report.",
|
|
"expected_output": "A markdown report with findings and recommendations.",
|
|
"agent": "analyst",
|
|
"context": ["research"],
|
|
"output_file": "output/report.md"
|
|
}
|
|
],
|
|
"process": "sequential",
|
|
"verbose": true,
|
|
"memory": true,
|
|
"inputs": {
|
|
"topic": "AI Agents"
|
|
}
|
|
}
|
|
```
|
|
|
|
`agents`의 각 문자열은 먼저 `agents/<name>.jsonc`, 그 다음 `agents/<name>.json`으로 해석됩니다. 계층형 crew는 `"process": "hierarchical"`와 `manager_llm` 또는 `manager_agent`를 사용하세요.
|
|
|
|
<Warning>
|
|
신뢰하는 출처의 JSON crew 프로젝트만 실행하세요. `custom:<name>` 도구와 `{"python": "module.attribute"}` 참조는 crew 로드 시 로컬 Python 코드를 실행합니다.
|
|
</Warning>
|
|
|
|
### 클래식 YAML 구성
|
|
|
|
`crewai create crew <name> --classic`으로 만든 클래식 프로젝트는 `crew.py`, `config/agents.yaml`, `config/tasks.yaml`, `@CrewBase`, `@agent`, `@task`, `@crew` 데코레이터를 사용합니다.
|
|
|
|
이 방식은 기존 Python/YAML 프로젝트와 Python 데코레이터 제어가 필요한 팀을 위해 계속 지원됩니다.
|
|
|
|
클래식 프로젝트를 만든 후, `CrewBase`를 상속받는 클래스에서 데코레이터를 이용해 agent, task, 그리고 crew 자체를 정의할 수 있습니다.
|
|
|
|
#### 데코레이터가 적용된 예시 Crew 클래스
|
|
|
|
```python code
|
|
from crewai import Agent, Crew, Task, Process
|
|
from crewai.project import CrewBase, agent, task, crew, before_kickoff, after_kickoff
|
|
from crewai.agents.agent_builder.base_agent import BaseAgent
|
|
from typing import List
|
|
|
|
@CrewBase
|
|
class YourCrewName:
|
|
"""Description of your crew"""
|
|
|
|
agents: List[BaseAgent]
|
|
tasks: List[Task]
|
|
|
|
# YAML 구성 파일 경로
|
|
# YAML로 정의된 에이전트와 태스크의 예시는 아래 링크를 참고하세요:
|
|
# - Task: https://docs.crewai.com/concepts/tasks#yaml-configuration-recommended
|
|
# - Agents: https://docs.crewai.com/concepts/agents#yaml-configuration-recommended
|
|
agents_config = 'config/agents.yaml'
|
|
tasks_config = 'config/tasks.yaml'
|
|
|
|
@before_kickoff
|
|
def prepare_inputs(self, inputs):
|
|
# crew 시작 전에 입력값을 수정합니다
|
|
inputs['additional_data'] = "Some extra information"
|
|
return inputs
|
|
|
|
@after_kickoff
|
|
def process_output(self, output):
|
|
# crew가 종료된 후 출력값을 수정합니다
|
|
output.raw += "\nProcessed after kickoff."
|
|
return output
|
|
|
|
@agent
|
|
def agent_one(self) -> Agent:
|
|
return Agent(
|
|
config=self.agents_config['agent_one'], # type: ignore[index]
|
|
verbose=True
|
|
)
|
|
|
|
@agent
|
|
def agent_two(self) -> Agent:
|
|
return Agent(
|
|
config=self.agents_config['agent_two'], # type: ignore[index]
|
|
verbose=True
|
|
)
|
|
|
|
@task
|
|
def task_one(self) -> Task:
|
|
return Task(
|
|
config=self.tasks_config['task_one'] # type: ignore[index]
|
|
)
|
|
|
|
@task
|
|
def task_two(self) -> Task:
|
|
return Task(
|
|
config=self.tasks_config['task_two'] # type: ignore[index]
|
|
)
|
|
|
|
@crew
|
|
def crew(self) -> Crew:
|
|
return Crew(
|
|
agents=self.agents, # @agent 데코레이터로 자동 수집
|
|
tasks=self.tasks, # @task 데코레이터로 자동 수집
|
|
process=Process.sequential,
|
|
verbose=True,
|
|
)
|
|
```
|
|
|
|
위 코드를 실행하는 방법:
|
|
|
|
```python code
|
|
YourCrewName().crew().kickoff(inputs={"any": "input here"})
|
|
```
|
|
|
|
<Note>
|
|
태스크들은 정의된 순서대로 실행됩니다.
|
|
</Note>
|
|
|
|
`CrewBase` 클래스와 이 데코레이터들은 에이전트와 태스크의 수집을 자동화하여
|
|
수동으로 관리할 필요를 줄여줍니다.
|
|
|
|
#### `annotations.py`의 데코레이터 개요
|
|
|
|
CrewAI는 `annotations.py` 파일에서 크루 클래스 내의 메서드를 특별히 처리하기 위해 사용하는 여러 데코레이터를 제공합니다:
|
|
|
|
- `@CrewBase`: 클래스를 크루 기본 클래스로 표시합니다.
|
|
- `@agent`: `Agent` 객체를 반환하는 메서드임을 나타냅니다.
|
|
- `@task`: `Task` 객체를 반환하는 메서드임을 나타냅니다.
|
|
- `@crew`: `Crew` 객체를 반환하는 메서드임을 나타냅니다.
|
|
- `@before_kickoff`: (옵션) 크루가 시작되기 전에 실행될 메서드를 표시합니다.
|
|
- `@after_kickoff`: (옵션) 크루가 종료된 후에 실행될 메서드를 표시합니다.
|
|
|
|
이러한 데코레이터들은 크루의 구조를 구성하는 데 도움이 되며, 에이전트와 태스크를 수동으로 나열하지 않아도 자동으로 수집할 수 있도록 해줍니다.
|
|
|
|
### 직접 코드 정의 (대안)
|
|
|
|
또는 YAML 구성 파일을 사용하지 않고 코드에서 직접 crew를 정의할 수 있습니다.
|
|
|
|
```python code
|
|
from crewai import Agent, Crew, Task, Process
|
|
from crewai_tools import YourCustomTool
|
|
|
|
class YourCrewName:
|
|
def agent_one(self) -> Agent:
|
|
return Agent(
|
|
role="Data Analyst",
|
|
goal="Analyze data trends in the market",
|
|
backstory="An experienced data analyst with a background in economics",
|
|
verbose=True,
|
|
tools=[YourCustomTool()]
|
|
)
|
|
|
|
def agent_two(self) -> Agent:
|
|
return Agent(
|
|
role="Market Researcher",
|
|
goal="Gather information on market dynamics",
|
|
backstory="A diligent researcher with a keen eye for detail",
|
|
verbose=True
|
|
)
|
|
|
|
def task_one(self) -> Task:
|
|
return Task(
|
|
description="Collect recent market data and identify trends.",
|
|
expected_output="A report summarizing key trends in the market.",
|
|
agent=self.agent_one()
|
|
)
|
|
|
|
def task_two(self) -> Task:
|
|
return Task(
|
|
description="Research factors affecting market dynamics.",
|
|
expected_output="An analysis of factors influencing the market.",
|
|
agent=self.agent_two()
|
|
)
|
|
|
|
def crew(self) -> Crew:
|
|
return Crew(
|
|
agents=[self.agent_one(), self.agent_two()],
|
|
tasks=[self.task_one(), self.task_two()],
|
|
process=Process.sequential,
|
|
verbose=True
|
|
)
|
|
```
|
|
|
|
위 코드를 실행하는 방법:
|
|
|
|
```python code
|
|
YourCrewName().crew().kickoff(inputs={})
|
|
```
|
|
|
|
이 예시에서:
|
|
|
|
- 에이전트와 태스크는 데코레이터 없이 클래스 내에서 직접 정의됩니다.
|
|
- 에이전트와 태스크 목록을 수동으로 생성하고 관리합니다.
|
|
- 이 방식은 더 많은 제어를 제공하지만, 대규모 프로젝트의 경우 유지보수가 어려울 수 있습니다.
|
|
|
|
## Crew Output
|
|
|
|
CrewAI 프레임워크에서 crew의 출력은 `CrewOutput` 클래스 내에 캡슐화되어 있습니다.
|
|
이 클래스는 crew 실행 결과를 구조화된 방식으로 접근할 수 있도록 하며, 원시 문자열, JSON, Pydantic 모델과 같은 다양한 형식을 포함합니다.
|
|
`CrewOutput`에는 최종 task 출력 결과, 토큰 사용량, 그리고 개별 task 출력 결과가 포함됩니다.
|
|
|
|
### Crew 출력 속성
|
|
|
|
| 속성 | 매개변수 | 타입 | 설명 |
|
|
| :--------------- | :--------------- | :--------------------------- | :----------------------------------------------------------------------------------------- |
|
|
| **Raw** | `raw` | `str` | crew의 원시 출력값입니다. 출력의 기본 형식입니다. |
|
|
| **Pydantic** | `pydantic` | `Optional[BaseModel]` | crew의 구조화된 출력을 나타내는 Pydantic 모델 객체입니다. |
|
|
| **JSON Dict** | `json_dict` | `Optional[Dict[str, Any]]` | crew의 JSON 출력을 나타내는 딕셔너리입니다. |
|
|
| **Tasks Output** | `tasks_output` | `List[TaskOutput]` | crew 내 각 작업의 출력을 나타내는 `TaskOutput` 객체의 리스트입니다. |
|
|
| **Token Usage** | `token_usage` | `Dict[str, Any]` | 실행 중 언어 모델의 성능에 대한 통찰을 제공하는 토큰 사용 요약 정보입니다. |
|
|
|
|
### Crew 출력 메서드 및 속성
|
|
|
|
| 메서드/속성 | 설명 |
|
|
| :-------------- | :------------------------------------------------------------------------------------------------ |
|
|
| **json** | 출력 형식이 JSON인 경우 crew 출력의 JSON 문자열 표현을 반환합니다. |
|
|
| **to_dict** | JSON 및 Pydantic 출력을 사전으로 변환합니다. |
|
|
| \***\*str\*\*** | crew 출력의 문자열 표현을 반환합니다. 우선순위는 Pydantic, 그 다음 JSON, 마지막으로 raw입니다. |
|
|
|
|
### Crew 출력 접근하기
|
|
|
|
crew가 실행된 후에는 `Crew` 객체의 `output` 속성을 통해 출력값에 접근할 수 있습니다. `CrewOutput` 클래스는 이 출력값을 다루고 표시하는 다양한 방법을 제공합니다.
|
|
|
|
#### 예시
|
|
|
|
```python Code
|
|
# Example crew execution
|
|
crew = Crew(
|
|
agents=[research_agent, writer_agent],
|
|
tasks=[research_task, write_article_task],
|
|
verbose=True
|
|
)
|
|
|
|
crew_output = crew.kickoff()
|
|
|
|
# Accessing the crew output
|
|
print(f"Raw Output: {crew_output.raw}")
|
|
if crew_output.json_dict:
|
|
print(f"JSON Output: {json.dumps(crew_output.json_dict, indent=2)}")
|
|
if crew_output.pydantic:
|
|
print(f"Pydantic Output: {crew_output.pydantic}")
|
|
print(f"Tasks Output: {crew_output.tasks_output}")
|
|
print(f"Token Usage: {crew_output.token_usage}")
|
|
```
|
|
|
|
## 크루 로그 접근하기
|
|
|
|
`output_log_file`을 `True(Boolean)` 또는 `file_name(str)`로 설정하면 크루 실행의 실시간 로그를 볼 수 있습니다. 이벤트 로그는 `file_name.txt`와 `file_name.json` 두 가지 형식 모두를 지원합니다.
|
|
`True(Boolean)`로 설정할 경우에는 `logs.txt`로 저장됩니다.
|
|
|
|
`output_log_file`이 `False(Boolean)` 또는 `None`으로 설정된 경우에는 로그가 저장되지 않습니다.
|
|
|
|
```python Code
|
|
# 크루 로그 저장하기
|
|
crew = Crew(output_log_file = True) # 로그는 logs.txt로 저장됩니다
|
|
crew = Crew(output_log_file = file_name) # 로그는 file_name.txt로 저장됩니다
|
|
crew = Crew(output_log_file = file_name.txt) # 로그는 file_name.txt로 저장됩니다
|
|
crew = Crew(output_log_file = file_name.json) # 로그는 file_name.json으로 저장됩니다
|
|
```
|
|
|
|
## 메모리 활용
|
|
|
|
crew는 메모리(단기, 장기 및 엔티티 메모리)를 활용하여 시간이 지남에 따라 실행 및 학습을 향상시킬 수 있습니다. 이 기능을 통해 crew는 실행 메모리를 저장하고 회상할 수 있어, 의사결정 및 작업 실행 전략에 도움이 됩니다.
|
|
|
|
## 캐시 활용
|
|
|
|
캐시는 도구 실행 결과를 저장하는 데 사용될 수 있으며, 동일한 작업을 반복 실행할 필요를 줄여 프로세스의 효율성을 높입니다.
|
|
|
|
## Crew 사용 메트릭
|
|
|
|
crew 실행 후, `usage_metrics` 속성에 접근하여 crew가 실행한 모든 작업에 대한 언어 모델(LLM) 사용 메트릭을 확인할 수 있습니다. 이를 통해 운영 효율성과 개선이 필요한 영역에 대한 인사이트를 얻을 수 있습니다.
|
|
|
|
```python Code
|
|
# Access the crew's usage metrics
|
|
crew = Crew(agents=[agent1, agent2], tasks=[task1, task2])
|
|
crew.kickoff()
|
|
print(crew.usage_metrics)
|
|
```
|
|
|
|
## Crew 실행 프로세스
|
|
|
|
- **순차적 프로세스**: 작업이 하나씩 차례로 실행되어 linear flow의 작업 흐름을 제공합니다.
|
|
- **계층적 프로세스**: 매니저 agent가 crew를 조정하여 작업을 위임하고 결과를 검증한 후 다음 단계로 이동합니다. **참고**: 이 프로세스에는 `manager_llm` 또는 `manager_agent`가 필요하며, 프로세스 flow 검증을 위해 필수적입니다.
|
|
|
|
### 크루 시작하기
|
|
|
|
크루가 구성되면, `kickoff()` 메서드를 사용하여 워크플로를 시작하세요. 이렇게 하면 정의된 프로세스 플로우에 따라 실행 과정이 시작됩니다.
|
|
|
|
```python Code
|
|
# Start the crew's task execution
|
|
result = my_crew.kickoff()
|
|
print(result)
|
|
```
|
|
|
|
### Crew를 시작하는 다양한 방법
|
|
|
|
crew가 구성되면, 적절한 시작 방법으로 workflow를 시작하세요. CrewAI는 kickoff 프로세스를 더 잘 제어할 수 있도록 여러 방법을 제공합니다.
|
|
|
|
#### 동기 메서드
|
|
|
|
- `kickoff()`: 정의된 process flow에 따라 실행 프로세스를 시작합니다.
|
|
- `kickoff_for_each()`: 입력 이벤트나 컬렉션 내 각 항목에 대해 순차적으로 task를 실행합니다.
|
|
|
|
#### 비동기 메서드
|
|
|
|
CrewAI는 비동기 실행을 위해 두 가지 접근 방식을 제공합니다:
|
|
|
|
| 메서드 | 타입 | 설명 |
|
|
|--------|------|-------------|
|
|
| `akickoff()` | 네이티브 async | 전체 실행 체인에서 진정한 async/await 사용 |
|
|
| `akickoff_for_each()` | 네이티브 async | 리스트의 각 입력에 대해 네이티브 async 실행 |
|
|
| `kickoff_async()` | 스레드 기반 | 동기 실행을 `asyncio.to_thread`로 래핑 |
|
|
| `kickoff_for_each_async()` | 스레드 기반 | 리스트의 각 입력에 대해 스레드 기반 async |
|
|
|
|
<Note>
|
|
고동시성 워크로드의 경우 `akickoff()` 및 `akickoff_for_each()`가 권장됩니다. 이들은 작업 실행, 메모리 작업, 지식 검색에 네이티브 async를 사용합니다.
|
|
</Note>
|
|
|
|
```python Code
|
|
# Start the crew's task execution
|
|
result = my_crew.kickoff()
|
|
print(result)
|
|
|
|
# Example of using kickoff_for_each
|
|
inputs_array = [{'topic': 'AI in healthcare'}, {'topic': 'AI in finance'}]
|
|
results = my_crew.kickoff_for_each(inputs=inputs_array)
|
|
for result in results:
|
|
print(result)
|
|
|
|
# Example of using native async with akickoff
|
|
inputs = {'topic': 'AI in healthcare'}
|
|
async_result = await my_crew.akickoff(inputs=inputs)
|
|
print(async_result)
|
|
|
|
# Example of using native async with akickoff_for_each
|
|
inputs_array = [{'topic': 'AI in healthcare'}, {'topic': 'AI in finance'}]
|
|
async_results = await my_crew.akickoff_for_each(inputs=inputs_array)
|
|
for async_result in async_results:
|
|
print(async_result)
|
|
|
|
# Example of using thread-based kickoff_async
|
|
inputs = {'topic': 'AI in healthcare'}
|
|
async_result = await my_crew.kickoff_async(inputs=inputs)
|
|
print(async_result)
|
|
|
|
# Example of using thread-based kickoff_for_each_async
|
|
inputs_array = [{'topic': 'AI in healthcare'}, {'topic': 'AI in finance'}]
|
|
async_results = await my_crew.kickoff_for_each_async(inputs=inputs_array)
|
|
for async_result in async_results:
|
|
print(async_result)
|
|
```
|
|
|
|
이러한 메서드는 crew 내에서 task를 관리하고 실행하는 데 유연성을 제공하며, 동기 및 비동기 workflow 모두 필요에 맞게 사용할 수 있도록 지원합니다. 자세한 비동기 예제는 [Crew 비동기 시작](/ko/learn/kickoff-async) 가이드를 참조하세요.
|
|
|
|
### 스트리밍 Crew 실행
|
|
|
|
crew 실행을 실시간으로 확인하려면 스트리밍을 활성화하여 출력이 생성되는 대로 받을 수 있습니다:
|
|
|
|
```python Code
|
|
# 스트리밍 활성화
|
|
crew = Crew(
|
|
agents=[researcher],
|
|
tasks=[task],
|
|
stream=True
|
|
)
|
|
|
|
# 스트리밍 출력을 반복
|
|
streaming = crew.kickoff(inputs={"topic": "AI"})
|
|
for chunk in streaming:
|
|
print(chunk.content, end="", flush=True)
|
|
|
|
# 최종 결과 접근
|
|
result = streaming.result
|
|
```
|
|
|
|
스트리밍에 대한 자세한 내용은 [스트리밍 Crew 실행](/ko/learn/streaming-crew-execution) 가이드를 참조하세요.
|
|
|
|
### 특정 Task에서 다시 실행하기
|
|
|
|
이제 CLI 명령어 `replay`를 사용하여 특정 task에서 다시 실행할 수 있습니다.
|
|
|
|
CrewAI의 replay 기능을 사용하면 커맨드라인 인터페이스(CLI)를 통해 특정 task에서 다시 실행할 수 있습니다. `crewai replay -t <task_id>` 명령어를 실행하면 replay 과정에서 사용할 `task_id`를 지정할 수 있습니다.
|
|
|
|
Kickoff은 이제 최신 kickoff에서 반환된 task output을 로컬에 저장하므로, 해당 지점부터 다시 실행할 수 있습니다.
|
|
|
|
### CLI를 사용하여 특정 작업에서 다시 실행하기
|
|
|
|
replay 기능을 사용하려면 다음 단계를 따라주세요:
|
|
|
|
1. 터미널 또는 명령 프롬프트를 엽니다.
|
|
2. CrewAI 프로젝트가 위치한 디렉터리로 이동합니다.
|
|
3. 아래 명령어를 실행합니다:
|
|
|
|
최신 kickoff 작업 ID를 확인하려면 다음을 사용하세요:
|
|
|
|
```shell
|
|
crewai log-tasks-outputs
|
|
```
|
|
|
|
그런 다음, 특정 작업에서 다시 실행하려면 다음을 사용하세요:
|
|
|
|
```shell
|
|
crewai replay -t <task_id>
|
|
```
|
|
|
|
이 명령어들을 사용하면 이전에 실행된 작업의 컨텍스트를 유지하면서 최신 kickoff 작업부터 다시 실행할 수 있습니다.
|