> ## Documentation Index > Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt > Use this file to discover all available pages before exploring further. # CrewAI > CrewAI を Weave と統合して、マルチエージェントアプリケーションのモニタリングとトレースを行います Open In Colab このガイドでは、Weave を使用して [CrewAI](https://docs.crewai.com/introduction) のマルチエージェントアプリケーションを監視およびトレースする方法を説明します。対象には [Crews](https://docs.crewai.com/guides/crews/first-crew) と [Flows](https://docs.crewai.com/guides/flows/first-flow) の両方が含まれます。 CrewAI は、自律型 AI エージェントを構築するための Python フレームワークです。LangChain などのエージェントフレームワークには依存せず、高レベルの [Crews](https://docs.crewai.com/guides/crews/first-crew) と低レベルの [Flows](https://docs.crewai.com/guides/flows/first-flow) という 2 つの抽象化をサポートしています。 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構成になっていることが多いため、エージェント同士がどのように協力し、通信しているかを把握することが重要です。Weave は CrewAI アプリケーションのトレースを自動的に取得するため、エージェントのパフォーマンスややり取りを監視・分析できます。 以下のセクションでは、Crew のトレース、ツールの使用のトラッキング、Flow のトレース、guardrail 関数を Weave op としてラップする方法について順に説明します。

Crew を使ってみる

この例を実行するには、CrewAI と Weave をインストールしてください。CrewAI のインストール方法の詳細については、[CrewAI インストールガイド](https://docs.crewai.com/installation)を参照してください。 ```bash theme={"system"} pip install crewai weave ``` 次の例では、CrewAI の Crew を作成し、その実行を Weave でトレースします。トレースを有効にするには、スクリプトの冒頭で `weave.init()` を呼び出します。`weave.init()` の引数には、Weave がトレースをログする先のプロジェクト名を指定します。 ```python lines {5} theme={"system"} import weave from crewai import Agent, Task, Crew, LLM, Process # プロジェクト名を指定して Weave を初期化します weave.init(project_name="crewai_demo") # 出力を決定論的にするため、temperature を 0 に設定して LLM を作成します llm = LLM(model="gpt-4o-mini", temperature=0) # エージェントを作成します 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, ) 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, ) # タスクを作成します 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 を作成します crew = Crew( agents=[researcher, writer], tasks=[research_task, writing_task], verbose=True, process=Process.sequential, ) # crew を実行します result = crew.kickoff(inputs={"topic": "AI in material science"}) print(result) ``` Weave は、エージェントのインタラクション、タスクの実行、LLM Call など、CrewAI ライブラリを通じて行われるすべての Call をトラッキングしてログします。トレースは Weave の Web インターフェースで確認できます。 [crew_trace.png](https://forge.coreweave.com/wandb/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メソッドとして `kickoff()`、`kickoff_for_each()`、`kickoff_async()`、`kickoff_for_each_async()` が用意されています。このインテグレーションは、これらすべてのメソッド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 のツールを使うと、Web 検索、データ分析、コラボレーション、同僚間でのタスクの委任といった機能をエージェントに持たせることができます。このインテグレーションでは、これらのツールもトレースされます。 次の例では、インターネットを検索して最も関連性の高い結果を返すツールをエージェントが利用できるようにし、前の例で生成した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す。 ```bash theme={"system"} 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で関連情報を検索できるようにしています。このツールとその API 要件の詳細については、[SerperDevTool のドキュメント](https://docs.crewai.com/tools/serperdevtool)を参照してください。 ```python lines {12} theme={"system"} # .... 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、より関連性の高い結果が得られます。次の画像のように、Weave はツールの使用を自動的にトレースします。 [crew_with_tool_trace.png](https://forge.coreweave.com/wandb/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) リポジトリにあるすべてのツールに自動的にパッチを適用します。

Flow を使ってみる

次の例では、CrewAI Flow を定義し、Weave でトレースします。Crew の場合と同様に、Flow を定義する前に `weave.init()` を呼び出してください。これにより、Weave は `Flow.kickoff` エントリポイントと、`@start`、`@listen`、`@router`、`@or_`、`@and_` の各デコレーターを自動的に取得します。 ```python lines {3} theme={"system"} import weave # プロジェクト名を指定して Weave を初期化します 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") # 実際の運用では、ここを API 呼び出し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模擬的に生成します。 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感情分析を行います 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() # 応答があいまいな場合は、negative として扱います if sentiment not in ["positive", "negative"]: sentiment = "negative" return sentiment @listen("positive") def handle_positive_feedback(self): # 肯定的なフィードバックに対するお礼のメッセージを生成します 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): # 否定的なフィードバックに対して、サービス改善を約束するお詫びのメッセージを生成します 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 # Flow をインスタンス化して実行を開始します flow = CustomerFeedbackFlow() result = flow.kickoff() print(result) ``` [flow.png](https://forge.coreweave.com/wandb/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は、`Flow.kickoff` エントリポイントと、利用可能なすべてのデコレーター (`@start`、`@listen`、`@router`、`@or_`、`@and_`) に自動でパッチを適用します。

Crew のガードレール: 独自の Op をトラッキングする

タスクのガードレールを使用すると、CrewAI がタスクの出力を次のタスクに渡す前に、その出力を検証および変換できます。Python の関数を使用すれば、エージェントの実行をその場で検証できます。 guardrail 関数を `@weave.op` でラップすると、その入力、出力、アプリケーションロジックが取得されるため、エージェント間でデータがどのように検証されるかをデバッグできます。また、実験を進める中でコードが自動的にバージョン管理されるため、git にコミットしていないアドホックな変更内容も取得されます。 次の例では、生成されたレポートの長さを検証するガードレールを追加して、リサーチアナリストとライターの Crew を拡張します。 ```python lines {4,36} theme={"system"} # .... 既存のインポートと weave の初期化 .... # guardrail 関数を `@weave.op()` でデコレートします @weave.op(name="guardrail-validate_blog_content") def validate_blog_content(result: TaskOutput) -> Tuple[bool, Any]: # 結果を生の string として取得します result = result.raw """Validate blog content meets requirements.""" try: # 単語数を確認します word_count = len(result.split()) if word_count > 200: return (False, { "error": "Blog content exceeds 200 words", "code": "WORD_COUNT_ERROR", "context": {"word_count": word_count} }) # 追加の検証ロジックはここに記述します return (True, result.strip()) except Exception as e: return (False, { "error": "Unexpected error during validation", "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='Write a detailed report based on the research under 200 words', expected_output='The report should be easy to read and understand. Use bullet points where applicable.', agent=writer, guardrail=validate_blog_content, ) # .... crew を実行する既存のコード .... ``` guardrail 関数を `@weave.op` でデコレートすると、この関数の入力と出力に加え、実行時間、トークン情報 (関数が LLM を使用する場合)、コードのバージョンなどをトラッキングできます。 [guardrail.png](https://forge.coreweave.com/wandb/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%2F0195c838-38cb-71a2-8a15-651ecddf9d89%3FdescendentCallId%3D0195c838-8632-7173-846d-f230e7272c20\&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)

まとめ

これで、エージェントのやり取り、ツールの使用、Flow の実行、ガードレールの検証を取得できる、Weave でトレースされた CrewAI アプリケーションが完成しました。このインテグレーションについての改善提案や問題の報告は、[GitHub で issue を作成](https://github.com/wandb/weave/issues/new/choose)してください。 CrewAI を使ったマルチエージェントシステムの構築について詳しくは、CrewAI の[サンプル](https://github.com/crewAIInc/crewAI-examples)と[ドキュメント](https://docs.crewai.com/introduction)を参照してください。 ## Related topics - [サンプルコードとノートブック](/ja/products/wandb/examples.md)