בניית סוכני AI אוטונומיים

pip install langgraph langchain-openai

from langgraph.graph import StateGraph, END from langchain_openai import ChatOpenAI from langchain_core.tools import tool from typing import TypedDict, Annotated import operator # הגדרת State class AgentState(TypedDict): messages: Annotated[list, operator.add] task: str result: str # הגדרת כלים @tool def search_web(query: str) -> str: """חפש מידע באינטרנט""" # כאן היית מחבר DuckDuckGo או SerpAPI return f"תוצאות חיפוש עבור: {query}" @tool def write_file(filename: str, content: str) -> str: """כתוב תוכן לקובץ""" with open(filename, 'w', encoding='utf-8') as f: f.write(content) return f"נכתב ל-{filename}" llm = ChatOpenAI(model="gpt-4o", temperature=0) tools = [search_web, write_file] llm_with_tools = llm.bind_tools(tools) # Node: הסוכן מחליט מה לעשות def agent_node(state: AgentState): response = llm_with_tools.invoke(state["messages"]) return {"messages": [response]} # Node: ביצוע הכלי שנבחר def tool_node(state: AgentState): last_message = state["messages"][-1] results = [] for tool_call in last_message.tool_calls: tool_fn = {"search_web": search_web, "write_file": write_file} result = tool_fn[tool_call["name"]].invoke(tool_call["args"]) results.append({"role": "tool", "content": result}) return {"messages": results} # תנאי: המשך או סיים? def should_continue(state): last = state["messages"][-1] if hasattr(last, 'tool_calls') and last.tool_calls: return "tools" return END # בניית ה-Graph graph = StateGraph(AgentState) graph.add_node("agent", agent_node) graph.add_node("tools", tool_node) graph.set_entry_point("agent") graph.add_conditional_edges("agent", should_continue) graph.add_edge("tools", "agent") app = graph.compile() # הרצה result = app.invoke({ "messages": [{"role": "user", "content": "חפש מידע על טרנדים ב-AI 2025 וכתוב סיכום לקובץ summary.txt"}], "task": "research", "result": "" })

from langchain_community.vectorstores import Chroma from langchain_openai import OpenAIEmbeddings from datetime import datetime class AgentMemory: def __init__(self): self.embeddings = OpenAIEmbeddings() self.store = Chroma( collection_name="agent_memory", embedding_function=self.embeddings ) def save(self, content: str, metadata: dict = {}): """שמור זיכרון חדש""" metadata["timestamp"] = datetime.now().isoformat() self.store.add_texts([content], metadatas=[metadata]) def recall(self, query: str, k: int = 5) -> list: """שלוף זיכרונות רלוונטיים""" docs = self.store.similarity_search(query, k=k) return [d.page_content for d in docs] # שימוש memory = AgentMemory() memory.save("הלקוח יעל מעדיפה תקשורת קצרה וישירה") memory.save("פרויקט X נעצר בגלל בעיות תקציב בנובמבר 2024") # לפני כל שיחה: שלוף הקשר רלוונטי context = memory.recall("יעל - עדכון סטטוס") # ["הלקוח יעל מעדיפה תקשורת קצרה..."

pip install crewai

from crewai import Agent, Task, Crew, Process # הגדרת Agents מתמחים researcher = Agent( role="חוקר שוק", goal="אסוף מידע מקיף על נושא נתון", backstory="אנליסט שוק עם 10 שנות ניסיון בTech", tools=[search_tool], verbose=True ) writer = Agent( role="כותב תוכן", goal="כתוב דוחות מקצועיים וקריאים", backstory="עיתונאי טכנולוגי עם הבנה עמוקה ב-AI", verbose=True ) # הגדרת משימות research_task = Task( description="חקור את הטרנדים המובילים ב-AI ב-2025", agent=researcher, expected_output="רשימה של 10 טרנדים עם הסבר" ) write_task = Task( description="כתוב מאמר 800 מילה על הממצאים", agent=writer, expected_output="מאמר מוכן לפרסום בעברית" ) # הרצת הצוות crew = Crew( agents=[researcher, writer], tasks=[research_task, write_task], process=Process.sequential # או hierarchical ) result = crew.kickoff()