​
什么是知识？

在CrewAI中，知识是一个强大的系统，允许AI代理在执行任务时访问和利用外部信息源。 可以将其视为为您的代理提供了一个参考库，他们可以在工作时查阅。

使用知识的主要好处：

  • 使用领域特定信息增强代理
  • 用真实世界的数据支持决策
  • 在对话中保持上下文
  • 基于事实信息的回应

​
支持的知识来源

CrewAI 支持多种类型的知识源，开箱即用：

文本来源

  • 原始字符串
  • 文本文件 (.txt)
  • PDF 文档

结构化数据

  • CSV 文件
  • Excel 电子表格
  • JSON 文档

​
支持的知识参数

参数类型是否必需描述
sourcesList[BaseKnowledgeSource]Yes提供内容以进行存储和查询的知识源列表。可以包括PDF、CSV、Excel、JSON、文本文件或字符串内容。
collection_namestrNo知识将存储的集合名称。用于识别不同的知识集。如果未提供，默认为“knowledge”。
storageOptional[KnowledgeStorage]No用于管理知识存储和检索的自定义存储配置。如果未提供，将创建一个默认存储。

​
快速入门示例

对于基于文件的知识源，请确保将您的文件放置在项目根目录下的knowledge目录中。 此外，在创建源时，请使用从knowledge目录开始的相对路径。

这是一个使用基于字符串知识的示例：

Code
from crewai import Agent, Task, Crew, Process, LLM
from crewai.knowledge.source.string_knowledge_source import StringKnowledgeSource

# Create a knowledge source
content = "Users name is John. He is 30 years old and lives in San Francisco."
string_source = StringKnowledgeSource(
    content=content,
)

# Create an LLM with a temperature of 0 to ensure deterministic outputs
llm = LLM(model="gpt-4o-mini", temperature=0)

# Create an agent with the knowledge store
agent = Agent(
    role="About User",
    goal="You know everything about the user.",
    backstory="""You are a master at understanding people and their preferences.""",
    verbose=True,
    allow_delegation=False,
    llm=llm,
)
task = Task(
    description="Answer the following questions about the user: {question}",
    expected_output="An answer to the question.",
    agent=agent,
)

crew = Crew(
    agents=[agent],
    tasks=[task],
    verbose=True,
    process=Process.sequential,
    knowledge_sources=[string_source], # Enable knowledge by adding the sources here. You can also add more sources to the sources list.
)

result = crew.kickoff(inputs={"question": "What city does John live in and how old is he?"})

这是另一个使用CrewDoclingSource的例子。CrewDoclingSource实际上非常多功能，可以处理多种文件格式，包括TXT、PDF、DOCX、HTML等。

Code
from crewai import LLM, Agent, Crew, Process, Task
from crewai.knowledge.source.crew_docling_source import CrewDoclingSource

# Create a knowledge source
content_source = CrewDoclingSource(
    file_paths=[
        "https://lilianweng.github.io/posts/2024-11-28-reward-hacking",
        "https://lilianweng.github.io/posts/2024-07-07-hallucination",
    ],
)

# Create an LLM with a temperature of 0 to ensure deterministic outputs
llm = LLM(model="gpt-4o-mini", temperature=0)

# Create an agent with the knowledge store
agent = Agent(
    role="About papers",
    goal="You know everything about the papers.",
    backstory="""You are a master at understanding papers and their content.""",
    verbose=True,
    allow_delegation=False,
    llm=llm,
)
task = Task(
    description="Answer the following questions about the papers: {question}",
    expected_output="An answer to the question.",
    agent=agent,
)

crew = Crew(
    agents=[agent],
    tasks=[task],
    verbose=True,
    process=Process.sequential,
    knowledge_sources=[
        content_source
    ],  # Enable knowledge by adding the sources here. You can also add more sources to the sources list.
)

result = crew.kickoff(
    inputs={
        "question": "What is the reward hacking paper about? Be sure to provide sources."
    }
)

​
更多示例

以下是使用不同类型知识源的示例：

​
文本文件知识源

from crewai.knowledge.source.crew_docling_source import CrewDoclingSource

# Create a text file knowledge source
text_source = CrewDoclingSource(
    file_paths=["document.txt", "another.txt"]
)

# Create crew with text file source on agents or crew level
agent = Agent(
    ...
    knowledge_sources=[text_source]
)

crew = Crew(
    ...
    knowledge_sources=[text_source]
)

​
PDF 知识源

from crewai.knowledge.source.pdf_knowledge_source import PDFKnowledgeSource

# Create a PDF knowledge source
pdf_source = PDFKnowledgeSource(
    file_paths=["document.pdf", "another.pdf"]
)

# Create crew with PDF knowledge source on agents or crew level
agent = Agent(
    ...
    knowledge_sources=[pdf_source]
)

crew = Crew(
    ...
    knowledge_sources=[pdf_source]
)

​
CSV 知识源

from crewai.knowledge.source.csv_knowledge_source import CSVKnowledgeSource

# Create a CSV knowledge source
csv_source = CSVKnowledgeSource(
    file_paths=["data.csv"]
)

# Create crew with CSV knowledge source or on agent level
agent = Agent(
    ...
    knowledge_sources=[csv_source]
)

crew = Crew(
    ...
    knowledge_sources=[csv_source]
)

​
Excel 知识源

from crewai.knowledge.source.excel_knowledge_source import ExcelKnowledgeSource

# Create an Excel knowledge source
excel_source = ExcelKnowledgeSource(
    file_paths=["spreadsheet.xlsx"]
)

# Create crew with Excel knowledge source on agents or crew level
agent = Agent(
    ...
    knowledge_sources=[excel_source]
)

crew = Crew(
    ...
    knowledge_sources=[excel_source]
)

​
JSON 知识源

from crewai.knowledge.source.json_knowledge_source import JSONKnowledgeSource

# Create a JSON knowledge source
json_source = JSONKnowledgeSource(
    file_paths=["data.json"]
)

# Create crew with JSON knowledge source on agents or crew level
agent = Agent(
    ...
    knowledge_sources=[json_source]
)

crew = Crew(
    ...
    knowledge_sources=[json_source]
)

​
知识配置

​
分块配置

知识源自动分块内容以便更好地处理。 您可以在知识源中配置分块行为：

from crewai.knowledge.source.string_knowledge_source import StringKnowledgeSource

source = StringKnowledgeSource(
    content="Your content here",
    chunk_size=4000,      # Maximum size of each chunk (default: 4000)
    chunk_overlap=200     # Overlap between chunks (default: 200)
)

分块配置有助于：

  • 将大型文档分解为可管理的部分
  • 通过块重叠保持上下文
  • 优化检索准确性

​
嵌入配置

您还可以为知识存储配置嵌入器。 如果您想为知识存储使用与代理不同的嵌入器，这将非常有用。 embedder 参数支持包括以下各种嵌入模型提供者：

  • openai: OpenAI的嵌入模型
  • google: 谷歌的文本嵌入模型
  • azure: Azure OpenAI 嵌入
  • ollama: 使用 Ollama 进行本地嵌入
  • vertexai: Google Cloud VertexAI 嵌入
  • cohere: Cohere的嵌入模型
  • bedrock: AWS Bedrock 嵌入
  • huggingface: Hugging Face 模型
  • watson: IBM Watson 嵌入

以下是如何使用Google的text-embedding-004模型配置知识库嵌入器的示例：

​
清除知识

如果您需要清除存储在CrewAI中的知识，可以使用带有--knowledge选项的crewai reset-memories命令。

Command
crewai reset-memories --knowledge

当您更新了知识源并希望确保代理使用最新信息时，这非常有用。

​
特定代理知识

虽然可以在团队级别使用crew.knowledge_sources提供知识，但个别代理也可以使用knowledge_sources参数拥有自己的知识源：

Code
from crewai import Agent, Task, Crew
from crewai.knowledge.source.string_knowledge_source import StringKnowledgeSource

# Create agent-specific knowledge about a product
product_specs = StringKnowledgeSource(
    content="""The XPS 13 laptop features:
    - 13.4-inch 4K display
    - Intel Core i7 processor
    - 16GB RAM
    - 512GB SSD storage
    - 12-hour battery life""",
    metadata={"category": "product_specs"}
)

# Create a support agent with product knowledge
support_agent = Agent(
    role="Technical Support Specialist",
    goal="Provide accurate product information and support.",
    backstory="You are an expert on our laptop products and specifications.",
    knowledge_sources=[product_specs]  # Agent-specific knowledge
)

# Create a task that requires product knowledge
support_task = Task(
    description="Answer this customer question: {question}",
    agent=support_agent
)

# Create and run the crew
crew = Crew(
    agents=[support_agent],
    tasks=[support_task]
)

# Get answer about the laptop's specifications
result = crew.kickoff(
    inputs={"question": "What is the storage capacity of the XPS 13?"}
)

特定代理知识的好处：

  • 为代理提供与其角色相关的专业信息
  • 保持代理之间的关注点分离
  • 结合机组级别的知识，实现分层信息访问

​
自定义知识源

CrewAI 允许您通过扩展 BaseKnowledgeSource 类为任何类型的数据创建自定义知识源。让我们创建一个实际的示例，该示例获取并处理太空新闻文章。

​
太空新闻知识源示例

​
关键组件解释

  1. 自定义知识源 (SpaceNewsKnowledgeSource):

    • 扩展 BaseKnowledgeSource 以与 CrewAI 集成
    • 可配置的 API 端点和文章限制
    • 实现三个关键方法:
      • load_content(): 从 API 获取文章
      • _format_articles(): 将文章结构化为可读文本
      • add(): 处理并存储内容

  2. 代理配置:

    • 专门角色为太空新闻分析师
    • 使用知识源访问太空新闻

  3. 任务设置:

    • 通过{user_question}接收用户问题作为输入
    • 旨在根据知识源提供详细的答案

  4. 团队编排:

    • 管理代理和任务之间的工作流程
    • 通过启动方法处理输入/输出

这个例子演示了如何：

  • 创建一个自定义知识源，用于获取实时数据
  • 处理和格式化外部数据以供AI使用
  • 使用知识源来回答特定的用户问题
  • 通过CrewAI的代理系统无缝集成一切

​
关于Spaceflight新闻API

该示例使用了Spaceflight News API，它：

  • 提供免费访问与太空相关的新闻文章
  • 不需要身份验证
  • 返回有关空间新闻的结构化数据
  • 支持分页和过滤

您可以通过修改端点URL来自定义API查询：

# Fetch more articles
recent_news = SpaceNewsKnowledgeSource(
    api_endpoint="https://api.spaceflightnewsapi.net/v4/articles",
    limit=20,  # Increase the number of articles
)

# Add search parameters
recent_news = SpaceNewsKnowledgeSource(
    api_endpoint="https://api.spaceflightnewsapi.net/v4/articles?search=NASA", # Search for NASA news
    limit=10,
)

​
最佳实践

这个页面有帮助吗？

FlowsLLMs