跳转到主要内容

文档索引

获取完整文档索引： https://docs.crewai.com.cn/llms.txt

在深入了解之前，请使用此文件来浏览所有可用页面。

​
使用多模态智能体

CrewAI 支持多模态智能体，能够处理文本以及图像等非文本内容。本指南将向您展示如何启用并使用智能体的多模态功能。

​
启用多模态功能

要创建多模态智能体，只需在初始化智能体时将 multimodal 参数设置为 True 即可。 
from crewai import Agent

agent = Agent(
    role="Image Analyst",
    goal="Analyze and extract insights from images",
    backstory="An expert in visual content interpretation with years of experience in image analysis",
    multimodal=True  # This enables multimodal capabilities
)
当您设置 multimodal=True 时，智能体会自动配置处理非文本内容所需的工具，包括 AddImageTool。

​
处理图像

多模态智能体预装了 AddImageTool，使其能够处理图像。您无需手动添加此工具——在启用多模态功能时，它会自动包含在内。 以下是一个完整的示例，展示了如何使用多模态智能体来分析图像：
from crewai import Agent, Task, Crew

# Create a multimodal agent
image_analyst = Agent(
    role="Product Analyst",
    goal="Analyze product images and provide detailed descriptions",
    backstory="Expert in visual product analysis with deep knowledge of design and features",
    multimodal=True
)

# Create a task for image analysis
task = Task(
    description="Analyze the product image at https://example.com/product.jpg and provide a detailed description",
    expected_output="A detailed description of the product image",
    agent=image_analyst
)

# Create and run the crew
crew = Crew(
    agents=[image_analyst],
    tasks=[task]
)

result = crew.kickoff()

​
上下文进阶使用

在为多模态智能体创建任务时，您可以提供额外的上下文或关于图像的具体问题。任务描述中可以包含您希望智能体重点关注的具体方面。 
from crewai import Agent, Task, Crew

# Create a multimodal agent for detailed analysis
expert_analyst = Agent(
    role="Visual Quality Inspector",
    goal="Perform detailed quality analysis of product images",
    backstory="Senior quality control expert with expertise in visual inspection",
    multimodal=True  # AddImageTool is automatically included
)

# Create a task with specific analysis requirements
inspection_task = Task(
    description="""
    Analyze the product image at https://example.com/product.jpg with focus on:
    1. Quality of materials
    2. Manufacturing defects
    3. Compliance with standards
    Provide a detailed report highlighting any issues found.
    """,
    expected_output="A detailed report highlighting any issues found",
    agent=expert_analyst
)

# Create and run the crew
crew = Crew(
    agents=[expert_analyst],
    tasks=[inspection_task]
)

result = crew.kickoff()

​
工具详情

使用多模态智能体时，AddImageTool 会自动配置以下架构： 
class AddImageToolSchema:
    image_url: str  # Required: The URL or path of the image to process
    action: Optional[str] = None  # Optional: Additional context or specific questions about the image
多模态智能体将通过其内置工具自动处理图像，使其能够：
  • 通过 URL 或本地文件路径访问图像
  • 在可选上下文或具体问题的辅助下处理图像内容
  • 根据视觉信息和任务需求提供分析与见解

​
最佳实践

使用多模态智能体时，请谨记以下最佳实践：
  1. 图像访问
    • 确保您的图像可以通过智能体可访问的 URL 获取
    • 对于本地图像，请考虑临时托管它们或使用绝对文件路径
    • 在运行任务前，请验证图像 URL 是否有效且可访问
  2. 任务描述
    • 请明确您希望智能体分析图像的哪些方面
    • 在任务描述中包含清晰的问题或需求
    • 考虑使用可选的 action 参数进行针对性分析
  3. 资源管理
    • 图像处理可能比仅处理文本的任务需要更多的计算资源
    • 某些语言模型可能要求将图像数据进行 base64 编码
    • 考虑对多张图像进行批量处理以优化性能
  4. 环境设置
    • 验证您的环境是否具备图像处理所需的依赖项
    • 确保您的语言模型支持多模态功能
    • 先用小尺寸图像进行测试，以验证您的设置
  5. 错误处理
    • 为图像加载失败实现适当的错误处理机制
    • 当图像处理失败时，制定好备用方案
    • 监控并记录图像处理操作以便调试