在 Lightning AI 上构建 CrewAI 财务分析团队

摘要

30 秒看懂

在这段由 Lightning AI 赞助的教程中，Matthew Berman 使用 YAML 定义智能体和任务，搭建 CrewAI 项目，用 Groq 运行 Tesla 分析，然后开始切换到 Lightning Studio 中通过 Ollama 提供的 Mixtral。他在简介中披露自己投资了 CrewAI。代码、工具和价格均为历史信息。视频没有清楚展示复制的搜索工具已接入，也没有完成第二次运行；生成的财务数字需要独立核实。

1模块化结构YAML 文件定义智能体和任务，Python 则组装团队。
2两个智能体研究员和分析师依次处理任务，示例中关闭了委派功能。
3数据来源限制视频复制了一个 SEC 工具，但没有清楚展示它已接入智能体。
4托管运行输出只是演示，视频没有验证其中的财务数字。
5远程模型端点Ollama 运行在云端 Studio 中；暴露端点时认证很重要。

要点建议

示例将智能体和任务配置与团队编排及主入口分开。
任务指令提到搜索，并不能证明实际数据工具已连接或使用。
托管运行产生的财务数字必须独立核查，不能假定其最新或准确。
Ollama 模型运行在远程 Lightning GPU 上，而不是观众自己的设备上。
第二次运行开始后即被停止，没有展示完整的端到端结果。
视频由 Lightning AI 赞助；Berman 披露自己是 CrewAI 投资者。

主题智能体工程 Multi-agent systems 开发流程与测试金融 AI

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

项目结构和任务

Berman 介绍赞助教程、创建云端 Studio，并定义研究和分析任务。操作反映的是 2024 年版本。

在这段 2024 年 4 月的教程中，我使用 CrewAI 和 Lightning AI 构建一个财务分析团队，然后将托管的 Groq 模型替换为运行在 Lightning 云端 GPU 上的 Ollama 模型。Lightning AI 赞助了这段视频，我在简介中披露自己是 CrewAI 投资者。这是历史工作流程；界面、软件包和服务条款可能已经变化。

我创建一个新的 Lightning Studio 和代码环境。它提供基于浏览器的编辑器和托管云计算，但仍需要安装依赖，而且该环境并非天然就是全新的本地机器。额度、价格和 GPU 可用性取决于服务当前的条款。

项目采用模块化结构：`src/financial_analyst_crew` 包包含配置、工具和团队定义，简短的 `main.py` 则提供输入并启动运行。我说这是 CrewAI 创始人向我推荐的结构；这是 2024 年的一种方法，并不能保证与未来版本兼容。

在 `config` 中，我创建 `agents.yaml` 和 `tasks.yaml`。我预计这一结构最终可能支持自动暴露团队端点，但这是当时对未来的预期，并不能证明视频本身创建了这样的 API。

第一项任务研究一家公司，包括任务描述和预期输出。我使用 `{company_name}` 占位符，让同一任务能够接收不同输入，并要求提供足够的财务信息来分析股票表现。

我添加一项分析任务，并使用 Claude 构思指标，例如盈利能力、流动性和偿债能力比率。预期输出是一份易读的财务报告。这是简单演示，并非完整的投资研究系统。

智能体和团队编排

他定义两个智能体，组装顺序任务并配置托管的 Groq 模型。主入口提供公司名称。

在 `agents.yaml` 中，我为财务研究员定义角色、目标和背景。我明确提到搜索工具，关闭委派并启用详细输出。提示词中提到某个工具本身并不会让智能体获得访问权限；工具必须实际配置并接入。

我创建第二个智能体——财务分析师，目标是将公司信息整理成清晰的报告。在这个例子中，我通常让每项任务对应一个智能体，但也可以采用其他架构。我指出演示的云端编辑器会自动保存文件。

在 `crew.py` 中，我导入 CrewAI 的 `Agent`、`Crew`、`Process` 和 `Task`、项目装饰器，以及来自 `langchain_groq` 的 `ChatGroq`。我创建带装饰器的团队类，将其指向 YAML 文件，并配置 Groq 上的 Mixtral。具体导入方式和参数反映的是录制时的版本。

带装饰器的研究员和分析师方法返回依据 YAML 配置的智能体，并使用 Groq 语言模型。我指出，当集成支持时，不同智能体可以使用不同模型提供商；示例最初使用一个托管模型。

幻灯片 3 / 5团队类和模型客户端代码加载 YAML 配置并初始化 Groq 客户端。

我用配置和指定的智能体定义每项任务，然后用收集到的智能体和任务定义团队。顺序流程先运行研究任务，再运行分析任务，以便后者使用前面的输出。

在 `main.py` 中，我加载环境变量、导入团队，并以 Tesla 作为 `company_name` 输入调用 `kickoff`。CrewAI 将该输入插入任务描述。我把 Groq API 密钥放入环境文件，并表示会在发布前撤销示例密钥；读者应避免在共享文件和截图中暴露自己的凭据。

工具、依赖和第一次运行

他复制一个 SEC 工具并使用 Poetry 安装项目。生成的财务输出没有经过独立核实。

我将一个 SEC 工具示例复制到 `tools` 文件夹。教程没有清楚展示该工具被导入并接入研究员：仅有复制的文件和提示词，不能证明已经取得实时数据。在依赖生成数字之前，应核实实际的工具连接及其来源。

我安装 Poetry、创建 `pyproject.toml`、锁定依赖并安装。修正项目名称并处理缺少的 `langchain-groq` 模块后，我运行团队。这些命令和依赖行为与版本有关；应使用一致的项目环境并查阅当前文档。

托管运行生成了 Tesla 研究回答、比率和财务报告。我称赞它的速度，但画面中的数字和日期未经独立核实，其中包含过时或存疑的数值；流畅的回答不能证明智能体获取了最新信息或正确完成计算。应根据原始申报文件和市场数据核对数字。

云端 GPU 上的 Ollama

Berman 暴露 Ollama 端点并切换模型客户端。他在展示完整结果前停止了第二次运行。

为更换模型服务方式，我打开 Lightning Studio 中通过 Ollama 运行 Mixtral 的模板。Studio 运行在云端硬件上；这里的“本地”指远程环境内部的推理，而不是在观众自己的电脑上推理。更大的 GPU 可能产生费用，模型的资源需求取决于配置。

我安装 Lightning 的 API Builder，在 11434 端口暴露 Ollama 服务并复制端点。视频为了演示关闭了认证，但可从互联网访问的端点即使在测试中也应受到保护：[Lightning 文档](https://code.lightning.ai/docs/platform/build/ai-studio/deploy-on-public-ports/)介绍了认证选项。不要暴露凭据或让端点保持开放。

回到团队代码，我使用 Mixtral 和远程基础 URL 创建 Ollama 语言模型客户端，然后替换分配给智能体的托管 Groq 客户端。具体的 LangChain 导入方式和 API 兼容性取决于软件包版本；演示本身显示了弃用警告。