使用多模态智能体

了解如何在 CrewAI 框架中为智能体启用并使用多模态能力，以处理图像和其他非文本内容。

使用多模态智能体

CrewAI 支持能够同时处理文本和图像等非文本内容的多模态智能体。本指南将向你展示如何在智能体中启用并使用多模态能力。

启用多模态能力

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：

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
)

当你设置 multimodal=True 时，智能体会自动配置用于处理非文本内容的必要工具，包括 AddImageTool。

处理图像

多模态智能体已预配置 AddImageTool，可用于处理图像。你无需手动添加此工具——启用多模态能力时它会自动包含。

以下完整示例展示如何使用多模态智能体分析图像：

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()

结合上下文的高级用法

为多模态智能体创建任务时，你可以提供关于图像的额外上下文或具体问题。任务描述可以包含你希望智能体重点关注的特定方面：

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 会自动配置为以下 schema：

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
• 使用可选上下文或具体问题处理图像内容
• 基于视觉信息和任务要求提供分析与洞察

最佳实践

使用多模态智能体时，请牢记以下最佳实践：

1. 图像访问

   • 确保智能体可通过 URL 访问你的图像
   • 对于本地图像，考虑临时托管它们或使用绝对文件路径
   • 在运行任务前验证图像 URL 有效且可访问

2. 任务描述

   • 明确你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要求
   • 考虑使用可选的 action 参数进行聚焦分析

3. 资源管理

   • 图像处理可能比纯文本任务需要更多计算资源
   • 某些语言模型可能需要对图像数据进行 base64 编码
   • 考虑对多张图像进行批处理以优化性能

4. 环境设置

   • 验证你的环境具有图像处理所需的依赖项
   • 确保你的语言模型支持多模态能力
   • 先用小图像测试以验证你的设置

5. 错误处理

   • 为图像加载失败实现适当的错误处理
   • 为图像处理失败时准备回退策略
   • 监控并记录图像处理操作以便调试