CrewAI AutoGen: بناء أنظمة متعددة الوكلاء وقابلية ملاحظة CrewAI مع OpenTelemetry

CrewAI AutoGen لأنظمة متعددة الوكلاء: النماذج الذهنية وأمثلة Python مع Ollama وتتبعات OpenTelemetry والمؤشرات اللازمة لمراقبتها.
CrewAI/AutoGen : construire des systèmes multi-agents, et l'observabilité CrewAI avec OpenTelemetry

CrewAI وAutoGen إطاران مفتوحا المصدر لبناء أنظمة متعددة الوكلاء (multi-agent systems): عدة وكلاء متخصصين، لكل منهم دوره وأدواته وأحيانًا نموذجه، يتعاونون على إنجاز مهمة. وهذه الفكرة جذابة لفريق التشغيل: وكيل يقرأ التنبيهات، وآخر يستعلم عن السجلات (logs)، وثالث يكتب الملخص. يبقى اختيار الأداة، وهذا موضوع مقارنة CrewAI AutoGen هذه، التي تنتهي بقابلية ملاحظة CrewAI، أي تتبع ما يفعله كل وكيل.

لكن النظام متعدد الوكلاء يضاعف مصادر عدم اليقين. فالوكلاء يتبادلون الرسائل ويستدعون الأدوات ويعيدون استدعاء النموذج، وقد تطلق مهمة واحدة عشرات الاستدعاءات. ومن دون ملاحظة دقيقة يستحيل أن تعرف لماذا كانت النتيجة خاطئة، أو لماذا استغرقت المهمة دقيقتين، أو لماذا تضاعفت فاتورة الرموز (tokens) ثلاث مرات.

يقدّم هذا المقال الإطارين ونموذجهما الذهني ومثالًا عمليًا لكل منهما، ثم طريقة مراقبتهما بواسطة OpenTelemetry. وهو جزء من مقارنتنا لمكدس الذكاء الاصطناعي مفتوح المصدر المستضاف ذاتيًا.

مقارنة CrewAI AutoGen: نموذجان ذهنيان

CrewAI: فريق بأدوار ومهام

CrewAI إطار Python ينظّم العمل على هيئة فريق. تعرّف الوكلاء (دور وهدف وسياق يسمى backstory وأدوات)، والمهام (وصف ونتيجة متوقعة، تُسند إلى وكيل)، وcrew تنفذها وفق عملية (process): متسلسلة، أو هرمية بوكيل مدير. ويقدّم CrewAI أيضًا Flows لربط الخطوات بطريقة أكثر حتمية وتحكمها الأحداث.

هذا النموذج شديد الوضوح: تصف تنظيمًا لا رسمًا بيانيًا. ويناسب سلاسل المعالجة ذات الخطوات المعروفة.

AutoGen: وكلاء يتحاورون

AutoGen، الصادر عن Microsoft Research، يصوغ التعاون على هيئة محادثة. ومنذ إعادة كتابته (الإصدار v0.4) صار مقسمًا إلى طبقات: autogen-core (بيئة تشغيل للوكلاء تقودها الرسائل)، وautogen-agentchat (واجهة عالية المستوى: AssistantAgent، وفرق مثل RoundRobinGroupChat أو SelectorGroupChat، وشروط الإيقاف)، وautogen-ext (عملاء النماذج والأدوات وMCP).

نقطة مهمة قبل بدء مشروع: يذكر مستودع AutoGen الآن أن المشروع في وضع الصيانة ويوجّه المستخدمين الجدد إلى Microsoft Agent Framework بوصفه خليفته، مع دليل للترحيل. ما زال AutoGen صالحًا للاستخدام ومفيدًا للتعلم، لكن عليك تقييم خليفته في أي تطوير جديد. وهناك أيضًا AG2، وهو مشروع مجتمعي متفرع من الفرع التاريخي لـ AutoGen.

متى يكون النظام متعدد الوكلاء مبررًا؟

كثيرًا ما يكفي وكيل واحد بأدوات جيدة، أو حتى سير عمل حتمي. ويُبرَّر تعدد الوكلاء عندما:

  • تتطلب المهام الفرعية سياقات أو تعليمات (prompts) مختلفة جدًا؛
  • تريد مراجعة متبادلة (وكيل يكتب وآخر ينتقد)؛
  • ترغب في تقييد الأدوات المتاحة لكل وكيل لأسباب أمنية.

كل وكيل إضافي يضيف زمن استجابة وتكلفة ونقاط فشل. ابدأ ببساطة ثم قِس.

عمليًا: وكيلان لتحليل الحوادث وقابلية ملاحظة CrewAI

الخطوة 1 — مع CrewAI

ثبّته بالأمر pip install crewai. وللعمل مع نموذج محلي عبر Ollama، يعتمد CrewAI على LiteLLM، وقد يتطلب تبعية إضافية بحسب الإصدار (راجع وثائق CrewAI).

from crewai import Agent, Task, Crew, Process, LLM

llm = LLM(model="ollama/llama3.1", base_url="http://localhost:11434")

analyste = Agent(
    role="Analyste d'incident",
    goal="Identifier la cause probable à partir des logs fournis",
    backstory="SRE expérimenté, factuel, cite les lignes de log.",
    llm=llm)
redacteur = Agent(
    role="Rédacteur",
    goal="Produire une synthèse claire pour l'astreinte",
    backstory="Écrit des comptes rendus courts et actionnables.",
    llm=llm)

analyse = Task(description="Analyse ces logs : {logs}",
               expected_output="Cause probable et preuves", agent=analyste)
synthese = Task(description="Rédige la synthèse de l'incident",
                expected_output="5 lignes maximum", agent=redacteur)

crew = Crew(agents=[analyste, redacteur], tasks=[analyse, synthese],
            process=Process.sequential)
print(crew.kickoff(inputs={"logs": extrait_logs}))

الخطوة 2 — مع AutoGen AgentChat

ثبّته بالأمر pip install -U "autogen-agentchat" "autogen-ext[ollama]".

import asyncio
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.conditions import MaxMessageTermination
from autogen_ext.models.ollama import OllamaChatCompletionClient

async def main():
    client = OllamaChatCompletionClient(model="llama3.1")
    analyste = AssistantAgent("analyste", model_client=client,
        system_message="Identifie la cause probable dans les logs.")
    relecteur = AssistantAgent("relecteur", model_client=client,
        system_message="Critique l'analyse et signale les hypothèses non prouvées.")
    equipe = RoundRobinGroupChat([analyste, relecteur],
        termination_condition=MaxMessageTermination(6))
    print(await equipe.run(task="Logs : ..."))
    await client.close()

asyncio.run(main())

لاحظ شرط الإيقاف: من دونه قد تستمر المحادثة بين الوكلاء أطول بكثير مما هو متوقع.

الخطوة 3 — تفعيل تتبعات OpenTelemetry

  • AutoGen: تصف الوثائق تتبعًا مدمجًا. يكفي ضبط TracerProvider عامّ من OpenTelemetry (مع مُصدِّر OTLP) قبل إنشاء الوكلاء، ويمكن إضافة أدوات القياس الخاصة بعملاء النماذج.
  • CrewAI: يوفّر OpenLLMetry أداة قياس لـ CrewAI، وتسرد وثائق CrewAI عدة تكاملات لقابلية الملاحظة (Langfuse وArize Phoenix وOpenLIT وغيرها).

تفاصيل السلسلة المكوّنة من OpenLLMetry وCollector والواجهة الخلفية مشروحة في Langfuse وOpenLLMetry. وتتفق المبادئ مع مراقبة وكلاء MCP، ويمكن ربط spans الوكلاء بتتبع الخدمة المستدعية كما في OpenTelemetry من البداية إلى النهاية.

ملاحظة: يجمع CrewAI افتراضيًا قياسات استخدام مجهولة المصدر ويرسلها إلى القائمين عليه، ويذكر ملف README أنها تُعطَّل بالمتغير OTEL_SDK_DISABLED=true. انتبه: هذا المتغير يعطّل OpenTelemetry SDK في العملية كلها، أي يعطّل تتبعاتك أنت أيضًا، فتحقق من هذا التداخل في الوثائق قبل استخدامه.

الخطوة 4 — اختيار المؤشرات

  • عدد استدعاءات النموذج وعدد أدوار المحادثة في كل مهمة؛
  • الرموز المستهلكة لكل وكيل ولكل مهمة؛
  • زمن الاستجابة لكل وكيل ولكل استدعاء أداة؛
  • نسبة المهام التي أوقفها شرط الحماية بدل أن تنتهي بصورة طبيعية؛
  • أخطاء الأدوات وإعادات المحاولة.

تغذّي هذه القياسات بعد ذلك أهداف مستوى الخدمة (SLO) كما في أي خدمة أخرى؛ راجع الذكاء الاصطناعي وموثوقية SRE.

أفضل الممارسات

  • حدّد دائمًا سقفًا لعدد الأدوار أو المدة أو الرموز لكل مهمة.
  • امنح كل وكيل الأدوات التي يحتاج إليها فقط، وللقراءة فقط افتراضيًا.
  • اشترط مخرجات منظَّمة بين الوكلاء للحد من انحراف السياق.
  • أبقِ إنسانًا في الحلقة لأي إجراء على بيئة الإنتاج.
  • أعد تشغيل مجموعة حالات مرجعية عند كل تغيير في التعليمات أو النموذج.
  • سمِّ الوكلاء والمهام بوضوح: هذه الأسماء هي التي ستظهر في التتبعات.

الأسئلة الشائعة

CrewAI أم AutoGen: أيهما أختار؟

CrewAI للعمليات ذات الخطوات المعروفة، المصوغة كفريق بأدوار. وAutoGen للمحادثات المفتوحة بين الوكلاء، مع مراعاة دخوله وضع الصيانة وخليفته المعلن.

هل يعمل هذان الإطاران مع نماذج محلية؟

نعم، كلاهما يستطيع استخدام Ollama أو خادم متوافق مع OpenAI. غير أن النماذج الصغيرة تلتزم بتعليمات الدور واستدعاء الأدوات بدرجة أقل، فاختبر قبل التعميم.

كيف أكتشف وكيلًا عالقًا في حلقة؟

من التتبعات: عدد أدوار غير طبيعي، واستدعاءات أدوات متكررة بالوسائط نفسها، وارتفاع حاد في الرموز. والتنبيه على هذه المؤشرات يكشف المشكلة قبل أن تصل الفاتورة.

الخلاصة

يجعل CrewAI وAutoGen الأنظمة متعددة الوكلاء في المتناول، بفلسفتين مختلفتين: الفريق المنظَّم والمحادثة. وفي الحالتين تعتمد القيمة في الإنتاج على القدرة على ملاحظة ما يفعله الوكلاء وتقييد سلوكهم وقياس تكلفتهم. فعّل القياس من النموذج الأولي الأول.

span.observer مدوّنة مجتمعية مستقلة وغير تابعة لشركة Dynatrace LLC ولا للمشاريع المذكورة. العلامات التجارية المذكورة ملك لأصحابها. الأدوات تتطور بسرعة، لذا تحقق دائمًا من الأوامر والخيارات في وثائقها الرسمية.

Total
0
Shares
Leave a Reply

Your email address will not be published. Required fields are marked *

Previous Post
Langfuse et OpenLLMetry : l'observabilité LLM de vos applications avec OpenTelemetry

قابلية ملاحظة LLM مع Langfuse وOpenLLMetry: تتبع تطبيقاتك باستخدام OpenTelemetry

Next Post
Stack IA open source auto-hébergée : le comparatif des briques d'une infrastructure IA auto-hébergée

مكدس الذكاء الاصطناعي المستضاف ذاتيًا: مقارنة بين مكونات البنية التحتية مفتوحة المصدر

Related Posts