التدريب

​

نظرة عامة

​

تدريب طاقمك باستخدام CLI

1. افتح الطرفية أو موجه الأوامر.
2. انتقل إلى المجلد حيث يقع مشروع CrewAI.
3. شغّل الأمر التالي:

crewai train -n <n_iterations> -f <filename.pkl>

​

تدريب طاقمك برمجيًا

1. حدد عدد التكرارات للتدريب.
2. حدد معاملات الإدخال لعملية التدريب.
3. نفّذ أمر التدريب داخل كتلة try-except للتعامل مع الأخطاء المحتملة.

n_iterations = 2
inputs = {"topic": "CrewAI Training"}
filename = "your_model.pkl"

try:
    YourCrewName_Crew().crew().train(
      n_iterations=n_iterations,
      inputs=inputs,
      filename=filename
    )

except Exception as e:
    raise Exception(f"An error occurred while training the crew: {e}")

​

كيف تُستخدم بيانات التدريب من قبل الوكلاء

​

تدفق بيانات التدريب

​

أثناء تشغيلات التدريب

• في كل تكرار، يسجل النظام لكل وكيل:
  • initial_output: الإجابة الأولى للوكيل
  • human_feedback: ملاحظاتك المضمّنة عند الطلب
  • improved_output: إجابة المتابعة للوكيل بعد الملاحظات
• تُخزن هذه البيانات في ملف عمل باسم training_data.pkl مفهرس بمعرّف الوكيل الداخلي والتكرار.
• أثناء نشاط التدريب، يُلحق الوكيل تلقائيًا ملاحظاتك البشرية السابقة بأمره لتطبيق تلك التعليمات في المحاولات اللاحقة ضمن جلسة التدريب. التدريب تفاعلي: تُعيّن المهام human_input = true، لذا سيتوقف التشغيل في بيئة غير تفاعلية بانتظار مدخلات المستخدم.

​

بعد اكتمال التدريب

• عند انتهاء train(...)، يقيّم CrewAI بيانات التدريب المجمعة لكل وكيل وينتج نتيجة موحدة تحتوي على:
  • suggestions: تعليمات واضحة وقابلة للتنفيذ مستخلصة من ملاحظاتك والفرق بين المخرجات الأولية/المحسنة
  • quality: درجة من 0-10 تعكس التحسن
  • final_summary: مجموعة خطوات عمل تفصيلية للمهام المستقبلية
• تُحفظ هذه النتائج الموحدة في اسم الملف الذي تمرره إلى train(...) (الافتراضي عبر CLI هو trained_agents_data.pkl). تُفهرس الإدخالات بدور الوكيل role لتطبيقها عبر الجلسات.
• أثناء التنفيذ العادي (غير التدريب)، يحمّل كل وكيل تلقائيًا suggestions الموحدة ويلحقها بأمر المهمة كتعليمات إلزامية. يمنحك هذا تحسينات متسقة بدون تغيير تعريفات الوكلاء.

​

ملخص الملفات

• training_data.pkl (مؤقت، لكل جلسة):
  • الهيكل: agent_id -> { iteration_number: { initial_output, human_feedback, improved_output } }
  • الغرض: التقاط البيانات الخام والملاحظات البشرية أثناء التدريب
  • الموقع: يُحفظ في مجلد العمل الحالي (CWD)
• trained_agents_data.pkl (أو اسم ملفك المخصص):
  • الهيكل: agent_role -> { suggestions: string[], quality: number, final_summary: string }
  • الغرض: استمرار التوجيه الموحد للتشغيلات المستقبلية
  • الموقع: يُكتب في CWD افتراضيًا؛ استخدم -f لتعيين مسار مخصص (بما في ذلك المطلق)

​

اعتبارات نماذج اللغة الصغيرة

​

قيود النماذج الصغيرة في تقييم التدريب

​

توصيات للتدريب

from crewai import Agent, Crew, Task, LLM

# الحد الأدنى الموصى به لتقييم التدريب
llm = LLM(model="mistral/open-mistral-7b")

# خيارات أفضل لتقييم تدريب موثوق
llm = LLM(model="anthropic/claude-3-sonnet-20240229-v1:0")
llm = LLM(model="gpt-4o")

# استخدم هذا LLM مع وكلائك
agent = Agent(
    role="Training Evaluator",
    goal="Provide accurate training feedback",
    llm=llm
)

# استخدام نموذج أصغر (توقع بعض القيود)
llm = LLM(model="huggingface/microsoft/Phi-3-mini-4k-instruct")

​

نقاط مهمة يجب ملاحظتها

• متطلب العدد الصحيح الموجب: تأكد من أن عدد التكرارات (n_iterations) هو عدد صحيح موجب. سيرمي الكود ValueError إذا لم يتحقق هذا الشرط.
• متطلب اسم الملف: تأكد من أن اسم الملف ينتهي بـ .pkl. سيرمي الكود ValueError إذا لم يتحقق هذا الشرط.
• معالجة الأخطاء: يتعامل الكود مع أخطاء العمليات الفرعية والاستثناءات غير المتوقعة، ويوفر رسائل خطأ للمستخدم.
• يُطبق التوجيه المدرّب في وقت الأمر؛ لا يعدّل تهيئة وكيل Python/YAML.
• يحمّل الوكلاء تلقائيًا الاقتراحات المدربة من ملف باسم trained_agents_data.pkl الموجود في مجلد العمل الحالي. إذا درّبت إلى اسم ملف مختلف، أعد تسميته إلى trained_agents_data.pkl قبل التشغيل، أو اضبط المحمّل في الكود.
• يمكنك تغيير اسم ملف المخرجات عند استدعاء crewai train بـ -f/--filename. المسارات المطلقة مدعومة إذا أردت الحفظ خارج CWD.