本项目实现一个健康档案助手智能体
包含两个Agent，一个Agent负责根据医生询问的健康问题，从私有健康档案库(RAG)中检索相关内容
另一个Agent负责根据检索的内容和问题进行健康分析并最终调用外部工具把生成的报告以PDF文件保存到本地
RAG的功能:
离线步骤:文档加载->文档切分->向量化->灌入向量数据库
在线步骤:获取用户问题->用户问题向量化->检索向量数据库->将检索结果和用户问题填入prompt模版->用最终的prompt调用LLM->由LLM生成回复
retrieval_agent:
role: >
健康档案检索专家
goal: >
根据医生询问的健康问题: {topic}，从健康档案中检索相关记录。
backstory: >
你是一位专业的健康档案检索专家，擅长在庞大的健康档案库中快速找到与用户健康问题相关的历史记录。
report_agent:
role: >
健康报告撰写专家
goal: >
你的任务是分析从健康档案中检索到的相关数据，再结合医生问的问题 {topic} 并基于这些信息撰写一份简洁明了、富有医学依据的健康建议报告。
你需要综合分析用户的病史、体检数据、生活方式等因素，确保报告内容能够帮助医生做出科学决策，并为患者提供个性化的健康改善建议。
backstory: >
你是一位医学背景的报告撰写专家，擅长分析健康档案并生成专业、易于医生理解的健康建议报告，内容既简洁又具有医学严谨性。
retrieval_task:
description: >
根据用户提供的健康问题: {topic} ，使用提供的外部工具tool从健康档案库中检索与其相关的所有健康信息。
expected_output: >
与用户健康问题密切相关的健康档案记录。
agent: retrieval_agent
report_task:
description: >
根据健康档案检索专家返回的健康记录内容，再结合医生问的问题 {topic} ，撰写一份清晰、简洁的健康建议报告。报告应包括对用户当前健康状况的详细分析，并根据分析结果提供个性化的健康建议。
并使用提供的外部工具tool将报告内容存储到pdf文件
expected_output: >
一份包含健康状况分析和实际健康建议的报告，使用简洁的医学语言。
agent: report_agent
Agents:
是一个自主可控单元，通过编程可以实现执行任务、作出决定、与其他Agent协作交流
可类比为团队中的一员，拥有特定的技能和任务
属性:
role(角色):定义Agent在团队中的角色功能
goal(目标):Agent实现的目标
backstory(背景信息):为Agent提供上下文
Tasks:
分配给Agent的具体任务，提供执行任务所需的所有细节
属性:
description(任务描述):简明扼要说明任务要求
agent(分配的Agent):分配负责该任务的Agent
expected_output(期望输出):任务完成情况的详细描述
Tools(工具列表):为Agent提供可用于执行该任务的工具列表
output_json(输出json):输出一个json对象，只能输出一种数据格式
output_file(工具列表):将任务结果输出到一个文件中，指定输出的文件格式
context(上下文):指定其输出被用作该任务上下文的任务
Processes
CrewAI中负责协调Agent执行任务
类似于团队中的项目经理
确保任务分配和执行效率与预定计划保持一致
目前拥有两种实施机制:
sequential(顺序流程):反映了crew中动态的工作流程，以深思熟虑的和系统化的方式推进各项任务，按照任务列表中预定义的顺序执行，一个任务的输出作为下一个任务的上下文
hierarchical(分层流程):允许指定一个自定义的管理Agent，负责监督任务执行，包括计划、授权和验证。任务不是预先分配的，而是根据Agent的能力进行任务分配，审查产出并评估任务完成情况
Crews:
1个crew代表一组合作完成一系列任务的Agent
每个crew定义了任务执行策略、Agent协作和整体工作流程
属性:
Tasks(任务列表):分配给crew的任务列表
Agents(Agent列表):分配给crew的Agent列表
Process(背景信息):crew遵循的流程
manager_llm(大模型):在hierarchical模式下指定大模型
language(语言):指定crew使用的语言
language_file(语言文件):指定crew使用的语言文件
Pipleline:
在CrewAI中,pipleline代表一种结构化的工作流程，允许多个crew顺序或并行执行
提供了一种组织涉及多个阶段的复杂流程的方法，其中一个阶段的输出可作为后续阶段的输入
关键术语:
Stage:pipleline中的1个独立部分，可以是1个顺序crews，也可以是一个并行的crews
Run:运行pipleling处理的单个实例
Branch:Stage内的并行执行
Trace:单个输入在整个pipleline中的运行轨迹、捕捉它所经历的路径和转换
可以使用代理的方式，具体代理方案自己选择
官方介绍：是OpenAI接口的管理、分发系统
支持 Azure、Anthropic Claude、Google PaLM 2 & Gemini、智谱 ChatGLM、百度文心一言、讯飞星火认知、阿里通义千问、360 智脑以及腾讯混元
创建渠道：大模型类型(通义千问)、APIKey(通义千问申请的真实有效的APIKey)
创建令牌：创建OneAPI的APIKey，后续代码中直接调用此APIKey
本应用案例需要用到的汉字字体包，请下载后将文件放置在对应的工程文件夹内
使用pycharm构建一个项目，为项目配置虚拟python环境
项目名称：CrewAITest
直接将下载的文件夹中的文件拷贝到新建的项目目录中
命令行终端中执行cd crewAIWithRag 命令进入到该文件夹内，然后执行如下命令安装依赖包
pip install -r requirements.txt
每个软件包后面都指定了本次视频测试中固定的版本号
在使用python main.py命令启动脚本前，需根据自己的实际情况调整代码中的如下参数:
openai模型相关配置 根据自己的实际情况进行调整
OPENAI_API_BASE = "https://api.wlai.vip/v1"
OPENAI_CHAT_API_KEY = "sk-XmrIEFplNArLlYa0E8C5A7C5F82041FdBd923e9d115746D0"
OPENAI_CHAT_MODEL = "gpt-4o-mini"
非gpt大模型相关配置(oneapi方案 通义千问为例) 根据自己的实际情况进行调整
ONEAPI_API_BASE = "http://139.224.72.218:3000/v1"
ONEAPI_CHAT_API_KEY = "sk-0FxX9ncd0yXjTQF877Cc9dB6B2F44aD08d62805715821b85"
ONEAPI_CHAT_MODEL = "qwen-max"
本地大模型相关配置(Ollama方案 llama3.1:latest为例) 根据自己的实际情况进行调整
OLLAMA_API_BASE = "http://localhost:11434/v1"
OLLAMA_CHAT_API_KEY = "ollama"
OLLAMA_CHAT_MODEL = "llama3.1:latest"
openai:调用gpt大模型;oneapi:调用非gpt大模型;ollama:调用本地大模型
MODEL_TYPE = "openai"
API服务设置相关 根据自己的实际情况进行调整
PORT = 8012 # 服务访问的端口
在运行python apiTest.py命令启动脚本前，需根据自己的实际情况调整代码中的如下参数:
调整1:默认非流式输出 True or False
stream_flag = False
调整2:检查URL地址中的IP和PORT是否和main脚本中相同
url = "http://localhost:8012/v1/chat/completions"