> ## Documentation Index > Fetch the complete documentation index at: https://wb-21fd5541-wbdocs-1882.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # CrewAI > CrewAI を Weave と統合し、マルチエージェントアプリケーションを監視・トレースする

CrewAI は、LangChain や他のエージェントフレームワークに完全に依存せず、一から構築された軽量かつ非常に高速な Python フレームワークです。CrewAI は、高レベルでシンプルな操作性 ([Crews](https://docs.crewai.com/guides/crews/first-crew)) と、低レベルでのきめ細かな制御 ([Flows](https://docs.crewai.com/guides/flows/first-flow)) の両方を開発者に提供し、あらゆるシナリオに合わせた自律型 AI エージェントの構築に適しています。[CrewAI の詳細はこちら](https://docs.crewai.com/introduction)。 AI エージェントを扱う際は、それらのやり取りをデバッグして監視することが重要です。CrewAI アプリケーションは複数のエージェントが連携して動作することが多いため、それらがどのように協調し、やり取りしているかを理解することが不可欠です。Weave は、CrewAI アプリケーションのトレースを自動的に収集することでこのプロセスを簡素化し、エージェントのパフォーマンスや相互作用を監視・分析できるようにします。このインテグレーションは、Crews と Flows の両方をサポートします。

## Crew を使い始める

この例を実行するには、CrewAI ([詳細はこちら](https://docs.crewai.com/installation)) と Weave をインストールする必要があります。 ``` pip install crewai weave ``` これから CrewAI Crew を作成し、Weave を使用して実行をトレースします。まずは、スクリプトの先頭で `weave.init()` を呼び出すだけです。weave.init() の引数には、トレースのログを記録するプロジェクト名を指定します。 ```python lines {5} theme={null} import weave from crewai import Agent, Task, Crew, LLM, Process # プロジェクト名でWeaveを初期化する weave.init(project_name="crewai_demo") # 決定論的な出力を保証するためtemperatureを0に設定してLLMを作成する llm = LLM(model="gpt-4o-mini", temperature=0) # エージェントを作成する researcher = Agent( role='Research Analyst', goal='Find and analyze the best investment opportunities', backstory='Expert in financial analysis and market research', llm=llm, verbose=True, allow_delegation=False, ) writer = Agent( role='Report Writer', goal='Write clear and concise investment reports', backstory='Experienced in creating detailed financial reports', llm=llm, verbose=True, allow_delegation=False, ) # タスクを作成する research_task = Task( description='Deep research on the {topic}', expected_output='Comprehensive market data including key players, market size, and growth trends.', agent=researcher ) writing_task = Task( description='Write a detailed report based on the research', expected_output='The report should be easy to read and understand. Use bullet points where applicable.', agent=writer ) # Crewを作成する crew = Crew( agents=[researcher, writer], tasks=[research_task, writing_task], verbose=True, process=Process.sequential, ) # Crewを実行する result = crew.kickoff(inputs={"topic": "AI in material science"}) print(result) ``` Weave は、CrewAI ライブラリを介して行われるすべての calls をトラッキングし、ログします。これには、エージェントのやり取り、タスクの実行、LLM calls が含まれます。トレースは Weave の Web インターフェースで確認できます。 [

](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7ac-bd52-7390-95a7-309370e9e058%3FhideTraceTree%3D0\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D) CrewAI には、kickoff プロセスをより細かく制御するための複数の method (`kickoff()`, `kickoff_for_each()`, `kickoff_async()`, `kickoff_for_each_async()`) があります。このインテグレーションは、これらすべての method からのトレースのログをサポートしています。

## ツールをトラッキングする

CrewAI のツールは、Web 検索やデータ分析から、共同作業や同僚へのタスク委任まで、さまざまな機能をエージェントに提供します。インテグレーションでは、それらもトレースできます。インターネットを検索して最も関連性の高い結果を返せるツールを使えるようにすることで、上記の例で生成されるレポートの品質を向上させます。まず、追加の依存関係をインストールしましょう。 ``` pip install 'crewai[tools]' ``` この例では、`SerperDevTool` を使用して、'Research Analyst' エージェントがインターネット上の関連情報を検索できるようにしています。このツールと API の要件の詳細については、[こちら](https://docs.crewai.com/tools/serperdevtool)をご覧ください。 ```python lines {12} theme={null} # .... 既存のインポート .... from crewai_tools import SerperDevTool # エージェントにツールを渡します。 researcher = Agent( role='Research Analyst', goal='Find and analyze the best investment opportunities', backstory='Expert in financial analysis and market research', llm=llm, verbose=True, allow_delegation=False, tools=[SerperDevTool()], ) # .... 既存のコード .... ``` インターネットにアクセスできるエージェントでこの Crew を実行すると、より適切で質の高い結果が得られます。ツールの使用は、以下の画像のように自動的にトレースされます。 [

](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Crew.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7c7-0213-7f42-b130-caa93a79316c%3FdescendentCallId%3D0195c7c7-0a16-7f11-8cfd-9dedf1d03b3b\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D) このインテグレーションは、[`crewAI-tools`](https://github.com/crewAIInc/crewAI-tools)リポジトリで利用可能なすべてのツールに自動的にパッチを適用します。

## Flow 入門

```python lines {3} theme={null} import weave # プロジェクト名でWeaveを初期化する weave.init("crewai_demo") from crewai.flow.flow import Flow, listen, router, start from litellm import completion class CustomerFeedbackFlow(Flow): model = "gpt-4o-mini" @start() def fetch_feedback(self): print("Fetching customer feedback") # 実際のシナリオでは、これをAPI callに置き換えることができます。 # この例では、顧客フィードバックをシミュレートします。 feedback = ( "I had a terrible experience with the product. " "It broke after one use and customer service was unhelpful." ) self.state["feedback"] = feedback return feedback @router(fetch_feedback) def analyze_feedback(self, feedback): # 言語モデルを使用してセンチメントを分析する prompt = ( f"Analyze the sentiment of this customer feedback and " "return only 'positive' or 'negative':\n\n" f"Feedback: {feedback}" ) response = completion( model=self.model, messages=[{"role": "user", "content": prompt}], ) sentiment = response["choices"][0]["message"]["content"].strip().lower() # レスポンスが曖昧な場合はnegativeをデフォルトとする if sentiment not in ["positive", "negative"]: sentiment = "negative" return sentiment @listen("positive") def handle_positive_feedback(self): # ポジティブなフィードバックに対するお礼メッセージを生成する prompt = "Generate a thank you message for a customer who provided positive feedback." response = completion( model=self.model, messages=[{"role": "user", "content": prompt}], ) thank_you_message = response["choices"][0]["message"]["content"].strip() self.state["response"] = thank_you_message return thank_you_message @listen("negative") def handle_negative_feedback(self): # ネガティブなフィードバックに対するお詫びメッセージを生成する prompt = ( "Generate an apology message to a customer who provided negative feedback and offer assistance or a solution." ) response = completion( model=self.model, messages=[{"role": "user", "content": prompt}], ) apology_message = response["choices"][0]["message"]["content"].strip() self.state["response"] = apology_message return apology_message # フローをインスタンス化して開始する flow = CustomerFeedbackFlow() result = flow.kickoff() print(result) ``` [

](https://wandb.ai/ayut/crewai_demo/weave/traces?filter=%7B%22opVersionRefs%22%3A%5B%22weave%3A%2F%2F%2Fayut%2Fcrewai_demo%2Fop%2Fcrewai.Flow.kickoff%3A*%22%5D%7D\&peekPath=%2Fayut%2Fcrewai_demo%2Fcalls%2F0195c7e3-7a63-7283-bef4-9e0eb2f0eab1\&cols=%7B%22wb_run_id%22%3Afalse%2C%22attributes.weave.client_version%22%3Afalse%2C%22attributes.weave.os_name%22%3Afalse%2C%22attributes.weave.os_release%22%3Afalse%2C%22attributes.weave.os_version%22%3Afalse%2C%22attributes.weave.source%22%3Afalse%2C%22attributes.weave.sys_version%22%3Afalse%7D) このインテグレーションでは、`Flow.kickoff` のエントリポイントと、使用可能なすべてのデコレータ (`@start`、`@listen`、`@router`、`@or_`、`@and_`) に自動的にパッチが適用されます。

## Crew Guardrail - 独自の ops をトラッキングする

タスクガードレールを使うと、タスクの出力を次のタスクに渡す前に検証や変換を行えます。エージェントの実行内容をその場で検証するには、シンプルな Python 関数を使用できます。この関数を `@weave.op` でラップすると、inputs、outputs、アプリケーションロジックのキャプチャが始まり、エージェントを通じてデータがどのように検証されるかをデバッグできるようになります。さらに、実験を進める中で git にコミットされていないアドホックな詳細も記録できるよう、コードのバージョン管理も自動的に開始されます。リサーチアナリストとライターの例を見てみましょう。ここでは、生成されたレポートの長さを検証するためのガードレールを追加します。 ```python lines {4,36} theme={null} # .... 既存のインポートとweaveの初期化 .... # ガードレール関数を`@weave.op()`でデコレートする @weave.op(name="guardrail-validate_blog_content") def validate_blog_content(result: TaskOutput) -> Tuple[bool, Any]: # 生の文字列結果を取得する result = result.raw """ブログコンテンツが要件を満たしているか検証する。""" try: # 単語数を確認する word_count = len(result.split()) if word_count > 200: return (False, { "error": "ブログコンテンツが200語を超えています", "code": "WORD_COUNT_ERROR", "context": {"word_count": word_count} }) # 追加の検証ロジックをここに記述 return (True, result.strip()) except Exception as e: return (False, { "error": "検証中に予期しないエラーが発生しました", "code": "SYSTEM_ERROR" }) # .... 既存のエージェントとリサーチアナリストのタスク .... writing_task = Task( description='調査に基づいて200語以内の詳細なレポートを作成する', expected_output='レポートは読みやすく理解しやすいものにすること。必要に応じて箇条書きを使用すること。', agent=writer, guardrail=validate_blog_content, ) # .... クルーを実行する既存のコード .... ``` ガードレール関数を `@weave.op` でデコレートするだけで、この関数の入力と出力に加え、実行時間、内部で LLM を使用している場合のトークン情報、コード version などをトラッキングできます。 [

## まとめ

このインテグレーションの改善点について、ぜひご意見をお寄せください。問題が発生した場合は、[こちら](https://github.com/wandb/weave/issues/new/choose) から issue を作成してください。 CrewAI を使って強力なマルチエージェントシステムを構築する方法については、同社の[豊富なサンプル](https://github.com/crewAIInc/crewAI-examples)や[ドキュメント](https://docs.crewai.com/introduction)をご覧ください。