Unlocking AI Automation: Creating Agentic AI with Crew ai

ปัจจุบัน AI Agent นั้นได้เป็นที่กล่าวถึงอย่างมากในวงการ Generative AI และ Large Language Models (LLMs) ซึ่งตัว Crew ai นี้จะมาช่วยยกระดับการทำงานของ Generative AI และการใช้งานของมนุษย์ให้มีประสิทธิภาพมากขึ้น โดยหลักการแล้ว Agent จะถูกออกแบบให้มีการทำงานแทนคนโดยอัตโนมัติ จะมีการตัดสินใจที่จะทำงานเอง คิดการกระทำเองว่าต้องทำอะไรต่อไปเพื่อให้ได้บรรลุเป้าหมายที่ได้กำหนดเอาไว้

Agent ก็จะสามารที่จะทำงานได้หลากหลายรูปแบบ หลากหลายโดเมน ทำงานที่มีความซับซ้อนได้เอง โดยอาศัยเทคนิคหรือเทคโนโลยีเข้ามาเป็นส่วนหนึ่งของการทำงานได้ อย่างเช่นการช่วยวิเคราะห์ข้อมูลและช่วยตัดสินใจต่างๆ จากข้อมูล

ในบทความนี้จะแสดงการสร้าง Agent ด้วย LLMs โดยเราจะพัฒนา agent มาช่วยในการเขียนบทความ (blog) ซึ่ง agent ก็จะถูกออกแบบให้มีการทำงานแบบอัตโนมัติเช่นการค้นหาข้อมูลก่อน วิเคราะห์ข้อมูลที่ได้รับมา และสร้างบทความขึ้นมาใหม่จากข้อมูลที่ได้มา ซึ่งเราจะเพิ่มให้ LLMs Agent นั้นมีความสามารถที่จะเข้าถึงข้อมูลที่อยู่บน internet มาช่วยประกอบการทำงาน

โดยเราจะพัฒนา AI agent ด้วยการใช้ LLM model ที่เป็น Gemini 1.5 flash, Langchain และ CrewAI

AI Agent & AI Agentic

แล้ว AI Agent นั้นต่างจาก AI Agentic อย่างไร 

1. Agent AI: ปกติจะใช้อธิบายระบบหรือ AI ที่ถูกออกแบบมาให้ทำงานอย่างใดอย่างหนึ่งแบบอัตโนมัติโดยจะยังอาศัยมนุษย์หรือระบบอื่นๆ ประกอบการทำงาน อย่างเช่น แช็ตบอทในการตอบคำถามผู้ใช้งาน ที่ถูกออกแบบมาให้
2. Agentic AI: จะอ้างอิงถึงการนำเอา Agent AI มาทำงานร่วมกันและสร้างให้เกิดกระบวนการคิดวิเคราะห์ ค้นหาข้อมูลและตัดสินใจการทำงานด้วยตัว Agent เองทั้งหมด เพื่อให้ได้มาซึ่งผลลัพท์ (Goal) ที่มนุษย์ได้กำหนดให้

เราจะพัฒนาขึ้นมาใช้เองได้อย่างไร แนะนำเริ่มต้นกับ CrewAI

มาเข้าใจ Concept การทำงานและหลักการคร่าว ๆ กันก่อนครับ

1. Agents คือ หน่วยการทำงานที่อิสระที่รับผิดชอบในการทำงานหรือ tasks ซึ่งแต่ละ agent ก็จะประกอบด้วย
   • Role: นิยามถึงความรับผิดชอบหลัก
   • Goal: ระบุผลลัพท์ที่ได้จากการทำงานนี้
   • Backstory: ข้อมูลประกอบการทำงานเพื่อให้การทำงานนี้ได้ผลลัพท์ที่ดีที่สุด
2. Tasks คือ  งานที่ถูกมอบหมายให้ agent ทำงาน ซึ่งจะประกอบด้วย
   • Description: คำอธิบายหรือรายละเอียดว่า agent นั้นจะต้องทำอะไรบ้าง
   • Expected Output: ส่วนการวัดผลสำคัญเพื่อยืนยันว่างานนั้นสำเร็จจริงๆ
   • Assigned Agent: ตัว agent ที่ได้รับมอบหมายในการทำงานนี้
3. Crew คือ กลุ่มของ Agent ที่ร่วมกันทำงานด้วยกันเพื่อให้งานนั้นสำเร็จ ซึ่งจะทำงานแบบต่อเนื่องกันเป็นลำดับก็ได้หรือทำงานในรูปแบบร่วมกันทำงานพร้อมๆ กันก็ได้ ขึ้นอยู่กับการออกแบบการทำงาน
4. Process คือ การอธิบายว่ารูปแบบการทำงานนั้นจะเป็นลักษณะใด
   • Sequential: การทำงานแบบเป็นลำดับขั้นตอนต่อๆ กัน
   • Hierarchical: การทำงานในลักษณะมีส่วนการจัดการการทำงานแบบเป็นโครงสร้าง

Agent คิดอย่างไร

โดยปกติแล้ว Agent จะมีการใช้งาน Prompt Engineer ในรูปแบบของ ReAct และ CoTs ด้วย ซึ่งตัว agent จะทำงานแบบอัตโนมัติตั้งแต่กระบวนการคิดและวางแผนการทำงานว่าจะทำอย่างไรให้ได้ผลลัพท์ออกมา 

1. Thought: คือกระบวนการคิดและวางแผนก่อนว่าจะต้องทำ action อะไรบ้าง
2. Action: คือกระบวนการทำงานโดยตัว LLM จะทำงานตามสิ่งที่ได้คิดมาก่อนหน้า
3. Action input: แต่ละ Action ก็จะต้องการข้อมูลประกอบการทำงานเหมือนการเขียนโปรแกรมแบบฟังก์ชั่น ตัว Action input ก็จะเปรียบเทียบได้กับ input parameter
4. Observation: ตัว Agent จะทำการดูผลลัพท์ที่ได้จากการ action และตรวจสอบดูว่าได้ข้อมูลที่ต้องการหรือยัง

โดยกระบวนการนี้จะเป็น Loop การทำงานไปเรื่อยๆ จนกว่าจะได้ผลลัพท์สุดท้ายที่ต้องการกลับออกมา

LLM และ ตัวอย่าง Code Flow การทำงาน

ในที่นี้เราจะเลือกใช้ Gemini 1.5 flash บน VertexAI ใน Google Cloud Platform  เป็น LLM ในการสร้างกลุ่ม Agent

โดยรูปแบบการทำงานจะเป็นในลักษณะ Multi-Agent นั่นคือ agent แต่ละตัวจะทำงานร่วมกัน ในกลุ่มการทำงานนี้ตัว agent จะช่วยกันค้นหาข้อมูลและเขียนบล็อกในหัวข้อที่มนุษย์กำหนดให้ โดยแต่ละ agent ก็จะมีหน้าที่รับผิดชอบและงานที่ต้องทำแตกต่างกันไป และได้ผลลัพท์สุดท้ายเป็นบล็อกที่ผ่านการตรวจสอบจาก agent กันเองเช่นเดียวกัน

Code สามารถทำตามข้อมูลด้านล่างได้เลย

1. ติดตั้ง dependencies

pip install crewai langchain

2. กำหนดการทำงานของ LLM

from langchain_google_vertexai import ChatVertexAI
llm = ChatVertexAI(   model="gemini-1.5-flash-002",   temperature=0,   max_tokens=None,   timeout=None,   max_retries=2,)

3.   กำหนดเครื่องมือที่จะให้ Agent ใช้งาน

serper_tool = SerperDevTool()

scrape_tool = ScrapeWebsiteTool()

4.   สร้าง Agents 

Planner

planner = Agent( 

   role="Content Planner", 

   goal="Develop a comprehensive and structured content outline for {topic}, including key sections, subsections, and supporting points.", 

   backstory="An expert content strategist skilled at breaking down complex topics into manageable parts.",

   llm=llm, 

)

Agent planner จะทำหน้าที่กำหนดโครงสร้างและหัวข้อของบล็อกที่จะเขียนว่ามีหัวข้ออะไรบ้างจาก topic ที่ได้มา

Researcher

researcher = Agent(

 role='Research',

 goal="Provide an indepth research report on a single or list of {topic}",

 backstory='An expert researcher with a keen eye for details on a topic.',

 verbose=True,

 max_iter=3,

 tools=[serper_tool],

 llm=llm,

)

Agent researcher จะทำหน้าที่ค้นหาข้อมูลที่มีอยู่ในอินเตอร์เน็ตผ่านเครื่องมือที่ชื่อว่า serper_tool ในหัวข้อที่ได้รับ

Writer

writer = Agent( 

   role="Content Writer", 

   goal="Produce captivating and informative blog posts about {topic}.", 

   backstory="A versatile writer passionate about simplifying complex ideas.", 

   llm=llm, 

)

Agent writer จะทำหน้าที่สร้างบทความตามโครงสร้างที่ได้ออกแบบมาจากข้อมูลที่ได้ทำการค้นหามาเช่นกัน

Editor

editor = Agent( 

   role="Content Editor", 

   goal="Refine the blog post, ensuring clarity, coherence, and grammatical accuracy.", 

   backstory="A meticulous editor with a strong eye for detail.", 

   llm=llm, 

)

Agent Editor จะทำหน้าที่ตรวจสอบและแก้ไขบทความให้มีความสมบูรณ์และน่าอ่าน

6.  สร้าง Tasks ให้ Agents ทำงาน

Plan

plan = Task( 

   description="Create a detailed content outline for {topic}, including main sections and key points.", 

   expected_output="A structured outline for {topic}, with headings and bullet points.", 

   agent=planner, 

)

กำหนดแผนการทำงานว่าต้องการโครงสร้างของตัวบล็อกแบบใดบ้าง ในที่นี้ก็จะรวมถึงบทความหลักและหลักการสำคัญๆ ของหัวข้อ

Research

research = Task(

 description="Break down the subject and do indepth research about {topic}. Explain the functionality, use cases, etc. of the topic",

 expected_output="An elaborate summary of 4000 words on the topic or list of topics: {topic}",

 agent=researcher

)

กำหนดให้ทำการค้นหาข้อมูลตามหัวข้อและสรุปแต่ละหัวข้อที่ได้ทำการค้นหาออกมา

Write

write = Task( 

   description="Write an exhaustive engaging blog post about the {topic}, based on the research analyst’s summary.",

   expected_output="A 2000 word blog post formatted in markdown with engaging, informative, and accessible content, avoiding complex jargon.", 

   agent=writer, 

)

ทำการเขียนบล็อกจากสิ่งที่ได้จากการค้นหามา

Edit

edit = Task( 

   description="Review and polish the blog post, ensuring quality and alignment with the outline.", 

   expected_output="A polished, error-free blog post with enhanced structure and tone."

                   "Making sure the blog is easy to read and understand.", 

   agent=editor, 

   output_file="blog_post.md",

)

ทำการตรวจสอบและแก้ไขให้บทความความดึงดูดน่าอ่าน

7.  สร้างทีมการทำงานให้กับ Agents

from crewai import Crew, Process 

crew = Crew( 

   agents=[planner, researcher, writer, editor], 

   tasks=[plan, research, write, edit], 

   verbose=True,

   process=Process.sequential,  

)

สร้างกลุ่มการทำงานจากที่ได้กำหนดมา

8. เริ่มการทำงาน

result = crew.kickoff(inputs={"topic": "Generative AI in 2025: A Game Changer for Businesses"})

เริ่มการทำงานด้วยการเขียนบทความ “Generative AI in 2025: A Game Changer for Businesses” หลังจากนั้นตัว agent แต่ละตัวจะเริ่มทำงานของตัวเองซึ่งใช้เวลาไม่นานนักก็จะได้ผลลัพท์ออกมา

เราลองตรวจสอบผลที่ได้จากการทำงาน ของ Agentic AI

สรุป

ตอนนี้ในการใช้ AI นั้นได้เปลี่ยนแปลงไปอย่างรวดเร็ว เครื่องมือในการพัฒนา Agent อย่าง CrewAI ก็เป็นอีกตัวช่วยหนึ่งให้เหล่านักพัฒนา LLM Application นั้นสามารถที่จะพัฒนาได้ง่ายขึ้น และเมื่อได้ Agent แล้วเราก็สามารถนำไปช่วยเพิ่ม productivity ต่างๆ ในการทำงานได้อย่างดี