Knowledge

from crewai import Agent, Task, Crew, Process, LLM
from crewai.knowledge.source.string_knowledge_source import StringKnowledgeSource

# 지식 소스 생성
content = "Users name is John. He is 30 years old and lives in San Francisco."
string_source = StringKnowledgeSource(
    content=content,
)

# 결정적 출력을 위해 temperature를 0으로 설정한 LLM 생성
llm = LLM(model="gpt-4o-mini", temperature=0)

# 지식 저장소를 가진 에이전트 생성
agent = Agent(
    role="About User",
    goal="You know everything about the user.",
    backstory="""You are a master at understanding people and their preferences.""",
    verbose=True,
    allow_delegation=False,
    llm=llm,
)
task = Task(
    description="Answer the following questions about the user: {question}",
    expected_output="An answer to the question.",
    agent=agent,
)

crew = Crew(
    agents=[agent],
    tasks=[task],
    verbose=True,
    process=Process.sequential,
    knowledge_sources=[string_source], # 지식 소스를 추가해 지식을 활성화한다. 소스 목록에 더 많은 소스를 추가할 수도 있다.
)

result = crew.kickoff(inputs={"question": "What city does John live in and how old is he?"})

from crewai import LLM, Agent, Crew, Process, Task
from crewai.knowledge.source.crew_docling_source import CrewDoclingSource

# 지식 소스 생성
content_source = CrewDoclingSource(
    file_paths=[
        "https://lilianweng.github.io/posts/2024-11-28-reward-hacking",
        "https://lilianweng.github.io/posts/2024-07-07-hallucination",
    ],
)

# 결정적 출력을 위해 temperature를 0으로 설정한 LLM 생성
llm = LLM(model="gpt-4o-mini", temperature=0)

# 지식 저장소를 가진 에이전트 생성
agent = Agent(
    role="About papers",
    goal="You know everything about the papers.",
    backstory="""You are a master at understanding papers and their content.""",
    verbose=True,
    allow_delegation=False,
    llm=llm,
)
task = Task(
    description="Answer the following questions about the papers: {question}",
    expected_output="An answer to the question.",
    agent=agent,
)

crew = Crew(
    agents=[agent],
    tasks=[task],
    verbose=True,
    process=Process.sequential,
    knowledge_sources=[
        content_source
    ],  # 지식 소스를 추가해 지식을 활성화한다. 소스 목록에 더 많은 소스를 추가할 수도 있다.
)

result = crew.kickoff(
    inputs={
        "question": "What is the reward hacking paper about? Be sure to provide sources."
    }
)

from crewai.knowledge.source.text_file_knowledge_source import TextFileKnowledgeSource

# 텍스트 파일 지식 소스 생성
text_source = TextFileKnowledgeSource(
    file_paths=["document.txt", "another.txt"]
)

# 에이전트 또는 크루 레벨에 텍스트 파일 소스 추가
agent = Agent(
    ...
    knowledge_sources=[text_source]
)

crew = Crew(
    ...
    knowledge_sources=[text_source]
)

from crewai.knowledge.source.pdf_knowledge_source import PDFKnowledgeSource

# PDF 지식 소스 생성
pdf_source = PDFKnowledgeSource(
    file_paths=["document.pdf", "another.pdf"]
)

# 에이전트 또는 크루 레벨에 PDF 지식 소스 추가
agent = Agent(
    ...
    knowledge_sources=[pdf_source]
)

crew = Crew(
    ...
    knowledge_sources=[pdf_source]
)

from crewai.knowledge.source.csv_knowledge_source import CSVKnowledgeSource

# CSV 지식 소스 생성
csv_source = CSVKnowledgeSource(
    file_paths=["data.csv"]
)

# 에이전트 또는 크루에 CSV 지식 소스 추가
agent = Agent(
    ...
    knowledge_sources=[csv_source]
)

crew = Crew(
    ...
    knowledge_sources=[csv_source]
)

from crewai.knowledge.source.excel_knowledge_source import ExcelKnowledgeSource

# 엑셀 지식 소스 생성
excel_source = ExcelKnowledgeSource(
    file_paths=["spreadsheet.xlsx"]
)

# 에이전트나 크루 수준에서 엑셀 지식 소스 활용
agent = Agent(
    ...
    knowledge_sources=[excel_source]
)

crew = Crew(
    ...
    knowledge_sources=[excel_source]
)

from crewai.knowledge.source.json_knowledge_source import JSONKnowledgeSource

# JSON 지식 소스 생성
json_source = JSONKnowledgeSource(
    file_paths=["data.json"]
)

# 에이전트 또는 크루 레벨에 JSON 지식 소스 추가
agent = Agent(
    ...
    knowledge_sources=[json_source]
)

crew = Crew(
    ...
    knowledge_sources=[json_source]
)

from crewai.knowledge.source.string_knowledge_source import StringKnowledgeSource

source = StringKnowledgeSource(
    content="여기에 콘텐츠를 입력",
    chunk_size=4000,      # 각 청크의 최대 크기 (기본값: 4000)
    chunk_overlap=200     # 청크 간 겹치는 부분 (기본값: 200)
)

from crewai import Agent, Task, Crew
from crewai.knowledge.source.string_knowledge_source import StringKnowledgeSource

# 제품에 대한 에이전트별 지식 생성
product_specs = StringKnowledgeSource(
    content="""XPS 13 노트북 사양:
    - 13.4인치 4K 디스플레이
    - Intel Core i7 프로세서
    - 16GB RAM
    - 512GB SSD 저장 공간
    - 12시간 배터리 지속 시간""",
    metadata={"category": "product_specs"}
)

# 제품 지식을 가진 지원 에이전트 생성
support_agent = Agent(
    role="기술 지원 전문가",
    goal="정확한 제품 정보와 지원 제공.",
    backstory="노트북 제품과 사양에 대한 전문가입니다.",
    knowledge_sources=[product_specs]  # 에이전트별 지식
)

# 제품 지식이 필요한 태스크 생성
support_task = Task(
    description="고객 질문에 답변하세요: {question}",
    agent=support_agent
)

# 크루 생성 및 실행
crew = Crew(
    agents=[support_agent],
    tasks=[support_task]
)

# 노트북 사양에 대한 답변 얻기
result = crew.kickoff(
    inputs={"question": "XPS 13의 저장 용량은 얼마인가요?"}
)

# 더 많은 기사 가져오기
recent_news = SpaceNewsKnowledgeSource(
    api_endpoint="https://api.spaceflightnewsapi.net/v4/articles",
    limit=20,  # 기사 수를 늘림
)

# 검색 파라미터 추가
recent_news = SpaceNewsKnowledgeSource(
    api_endpoint="https://api.spaceflightnewsapi.net/v4/articles?search=NASA", # NASA 관련 뉴스 검색
    limit=10,
)