الانتقال إلى المحتوى الرئيسي
لقد بنيت Agents مع LangGraph. لقد تعاملت مع StateGraph، وربطت الحواف الشرطية، وصححت أخطاء قواميس الحالة في الثانية صباحًا. إنه يعمل — لكن في مرحلة ما، بدأت تتساءل عما إذا كان هناك مسار أفضل نحو الإنتاج. هناك بالفعل. CrewAI Flows يمنحك نفس القوة — تنسيق قائم على الأحداث، توجيه شرطي، حالة مشتركة — مع نموذج كود أبسط بشكل كبير ونموذج ذهني يتماشى مع طريقة تفكيرك الفعلية في سير عمل AI متعدد الخطوات. تمشي هذه المقالة عبر المفاهيم الأساسية جنبًا إلى جنب، وتعرض مقارنات كود حقيقية، وتوضح لماذا CrewAI Flows هو إطار العمل الذي ستريد الوصول إليه بعد ذلك.

​
تحول النموذج الذهني

LangGraph يطلب منك التفكير في رسوم بيانية: عقد وحواف وقواميس حالة. كل سير عمل هو رسم بياني موجّه تربط فيه الانتقالات صراحةً بين خطوات الحساب. CrewAI Flows يطلب منك التفكير في أحداث: طرق تبدأ الأشياء، وطرق تستمع للنتائج، وطرق توجّه التنفيذ. طوبولوجيا سير العمل تنبثق من تعليقات المزخرفات بدلاً من بناء رسم بياني صريح. إليك الخريطة الأساسية:
مفهوم LangGraphالمكافئ في CrewAI Flows
StateGraph classFlow class
add_node()طرق مزخرفة بـ @start، @listen
add_edge() / add_conditional_edges()مزخرفات @listen() / @router()
TypedDict stateحالة Pydantic BaseModel
START / END constantsمزخرف @start() / إرجاع طبيعي للطريقة
graph.compile()flow.kickoff()
Checkpointer / persistenceذاكرة مدمجة (مدعومة بـ LanceDB)

​
العرض 1: خط أنابيب تسلسلي بسيط

تخيل أنك تبني خط أنابيب يأخذ موضوعًا، ويبحث فيه، ويكتب ملخصًا، وينسّق المخرجات. راجع الملف الإنجليزي الأصلي لأمثلة الكود الكاملة لكلا النهجين. الفرق الرئيسي: لا بناء رسم بياني، لا ربط حواف، لا خطوة ترجمة. ترتيب التنفيذ مُعلَن مباشرة حيث يوجد المنطق. @start() يحدد نقطة الدخول، و@listen(method_name) يربط الخطوات.

​
العرض 2: التوجيه الشرطي

مزخرف @router() يحوّل طريقة إلى نقطة قرار. يعيد سلسلة تطابق مستمعًا — بلا قواميس تعيين، بلا دوال توجيه منفصلة. منطق التفرع يُقرأ كتعبير if في Python لأنه كذلك فعلاً.

​
العرض 3: دمج فرق Agents AI في Flows

هنا تتجلى القوة الحقيقية لـ CrewAI. الـ Flows لا تقتصر على ربط استدعاءات LLM — بل تنسّق Crews كاملة من Agents مستقلة. الفكرة الرئيسية: الـ Flows توفر طبقة التنسيق، والـ Crews توفر طبقة الذكاء. كل خطوة في Flow يمكنها تشغيل فريق كامل من Agents متعاونة.

​
العرض 4: التنفيذ المتوازي والمزامنة

المشغّل and_() على مزخرف @listen يضمن أن الطريقة تُنفَّذ فقط بعد اكتمال جميع الطرق السابقة. هناك أيضًا or_() للمتابعة بمجرد اكتمال أي مهمة سابقة.

​
لماذا CrewAI Flows للإنتاج

  • حفظ حالة مدمج. حالة Flow مدعومة بـ LanceDB.
  • إدارة حالة آمنة الأنواع. نماذج Pydantic توفر التحقق والتسلسل ودعم IDE.
  • تنسيق Agents أصلي. الـ Crews بنية أساسية أصلية.
  • نموذج ذهني أبسط. المزخرفات تعلن عن النية.
  • تكامل CLI. شغّل Flows بـ crewai run.

​
ورقة الغش للترحيل

  1. عيّن حالتك. حوّل TypedDict إلى Pydantic BaseModel.
  2. حوّل العقد إلى طرق. كل دالة add_node تصبح طريقة على فئة Flow الفرعية.
  3. استبدل الحواف بمزخرفات. add_edge(START, "first_node") يصبح @start(). add_edge("a", "b") يصبح @listen(a).
  4. استبدل الحواف الشرطية بـ @router. دالة التوجيه وadd_conditional_edges() تصبح طريقة @router() واحدة.
  5. استبدل compile + invoke بـ kickoff. احذف graph.compile(). استدعِ flow.kickoff() بدلاً منه.
  6. فكّر أين تناسب الـ Crews. أي عقدة بها منطق Agent معقد متعدد الخطوات هي مرشحة لاستخراجها في Crew.

​
البدء

pip install crewai
crewai create flow my_first_flow
cd my_first_flow

crewai run

​
أفكار أخيرة

LangGraph علّم المنظومة أن سير عمل AI تحتاج هيكلاً. كان ذلك درسًا مهمًا. لكن CrewAI Flows يأخذ ذلك الدرس ويقدمه في شكل أسرع في الكتابة وأسهل في القراءة وأقوى في الإنتاج — خاصة عندما تتضمن سير عملك عدة Agents متعاونة. ابدأ بـ crewai create flow. لن تنظر للخلف.