تكامل Portkey

مقدمة

يعزز Portkey إمكانيات CrewAI بميزات جاهزة للإنتاج، محولاً طواقم الوكلاء التجريبية إلى أنظمة متينة من خلال توفير:

مراقبة كاملة لكل خطوة وكيل واستخدام أداة وتفاعل
موثوقية مدمجة مع آليات الاحتياط وإعادة المحاولة وموازنة الأحمال
تتبع التكاليف وتحسينها لإدارة إنفاقك على الذكاء الاصطناعي
الوصول إلى أكثر من 200 نموذج LLM من خلال تكامل واحد
حواجز الحماية للحفاظ على سلوك الوكلاء آمناً ومتوافقاً
موجهات مُتحكم بإصداراتها لأداء وكلاء متسق

التثبيت والإعداد

تثبيت الحزم المطلوبة

pip install -U crewai portkey-ai

إنشاء مفتاح API

أنشئ مفتاح API لـ Portkey مع حدود ميزانية/معدل اختيارية من لوحة تحكم Portkey. يمكنك أيضاً إرفاق إعدادات للموثوقية والتخزين المؤقت والمزيد لهذا المفتاح. المزيد عن هذا لاحقاً.

إعداد CrewAI مع Portkey

التكامل بسيط - ما عليك سوى تحديث إعداد LLM في تكوين CrewAI الخاص بك:

from crewai import LLM
from portkey_ai import createHeaders, PORTKEY_GATEWAY_URL

# Create an LLM instance with Portkey integration
gpt_llm = LLM(
    model="gpt-4o",
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",  # We are using a Virtual key, so this is a placeholder
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        virtual_key="YOUR_LLM_VIRTUAL_KEY",
        trace_id="unique-trace-id",               # Optional, for request tracing
    )
)

#Use them in your Crew Agents like this:

	@agent
	def lead_market_analyst(self) -> Agent:
		return Agent(
			config=self.agents_config['lead_market_analyst'],
			verbose=True,
			memory=False,
			llm=gpt_llm
		)

ما هي المفاتيح الافتراضية؟ تخزّن المفاتيح الافتراضية في Portkey مفاتيح API لمزودي LLM (OpenAI وAnthropic وغيرها) بشكل آمن في خزنة مشفرة. تتيح تدوير المفاتيح وإدارة الميزانية بسهولة. تعرّف على المزيد حول المفاتيح الافتراضية هنا.

ميزات الإنتاج

1. مراقبة محسّنة

يوفر Portkey مراقبة شاملة لوكلاء CrewAI، مما يساعدك على فهم ما يحدث بالضبط أثناء كل عملية تنفيذ.

التتبعات
السجلات
المقاييس ولوحات المعلومات
تصفية البيانات الوصفية

توفر التتبعات عرضاً هرمياً لتنفيذ طاقمك، يظهر تسلسل استدعاءات LLM واستدعاءات الأدوات وانتقالات الحالة.

# Add trace_id to enable hierarchical tracing in Portkey
portkey_llm = LLM(
    model="gpt-4o",
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        virtual_key="YOUR_OPENAI_VIRTUAL_KEY",
        trace_id="unique-session-id"  # Add unique trace ID
    )
)

أضف بيانات وصفية مخصصة لتكوين LLM في CrewAI لتمكين تصفية وتقسيم قوية:

portkey_llm = LLM(
    model="gpt-4o",
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        virtual_key="YOUR_OPENAI_VIRTUAL_KEY",
        metadata={
            "crew_type": "research_crew",
            "environment": "production",
            "_user": "user_123",   # Special _user field for user analytics
            "request_source": "mobile_app"
        }
    )
)

يمكن استخدام هذه البيانات الوصفية لتصفية السجلات والتتبعات والمقاييس في لوحة تحكم Portkey، مما يتيح لك تحليل عمليات تشغيل طاقم أو مستخدمين أو بيئات محددة.

2. الموثوقية - حافظ على تشغيل طواقمك بسلاسة

عند تشغيل الطواقم في الإنتاج، قد تحدث مشكلات - حدود معدل API أو مشكلات الشبكة أو انقطاعات المزود. تضمن ميزات الموثوقية في Portkey استمرار عمل وكلائك بسلاسة حتى عند حدوث مشكلات. من السهل تفعيل الاحتياط في إعداد CrewAI الخاص بك باستخدام تكوين Portkey:

from crewai import LLM
from portkey_ai import createHeaders, PORTKEY_GATEWAY_URL

# Create LLM with fallback configuration
portkey_llm = LLM(
    model="gpt-4o",
    max_tokens=1000,
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        config={
            "strategy": {
                "mode": "fallback"
            },
            "targets": [
                {
                    "provider": "openai",
                    "api_key": "YOUR_OPENAI_API_KEY",
                    "override_params": {"model": "gpt-4o"}
                },
                {
                    "provider": "anthropic",
                    "api_key": "YOUR_ANTHROPIC_API_KEY",
                    "override_params": {"model": "claude-3-opus-20240229"}
                }
            ]
        }
    )
)

# Use this LLM configuration with your agents

سيحاول هذا التكوين تلقائياً استخدام Claude إذا فشل طلب GPT-4o، مما يضمن استمرار تشغيل طاقمك.

إعادة المحاولة التلقائية

يتعامل مع حالات الفشل المؤقتة تلقائياً. إذا فشل استدعاء LLM، سيعيد Portkey محاولة نفس الطلب لعدد محدد من المرات - مثالي لحدود المعدل أو انقطاعات الشبكة.

مهلة الطلبات

امنع وكلاءك من التعليق. عيّن مهلات لضمان حصولك على استجابات (أو الفشل بأمان) ضمن الأطر الزمنية المطلوبة.

التوجيه الشرطي

أرسل طلبات مختلفة إلى مزودين مختلفين. وجّه التفكير المعقد إلى GPT-4 والمهام الإبداعية إلى Claude والاستجابات السريعة إلى Gemini بناءً على احتياجاتك.

الاحتياط

استمر في العمل حتى لو فشل مزودك الأساسي. انتقل تلقائياً إلى مزودين احتياطيين للحفاظ على التوفر.

موازنة الأحمال

وزّع الطلبات عبر مفاتيح API أو مزودين متعددين. ممتاز لعمليات الطاقم عالية الحجم والبقاء ضمن حدود المعدل.

3. إدارة الموجهات في CrewAI

يساعدك استوديو هندسة الموجهات من Portkey في إنشاء وإدارة وتحسين الموجهات المستخدمة في وكلاء CrewAI. بدلاً من ترميز الموجهات أو التعليمات بشكل ثابت، استخدم API عرض الموجهات من Portkey لجلب وتطبيق موجهاتك المُصدَرة ديناميكياً.

ساحة تجربة الموجهات
استخدام قوالب الموجهات
إصدارات الموجهات
قوالب Mustache للمتغيرات

ساحة تجربة الموجهات هي مكان لمقارنة واختبار ونشر الموجهات المثالية لتطبيق الذكاء الاصطناعي الخاص بك. هي المكان الذي تجرّب فيه نماذج مختلفة وتختبر المتغيرات وتقارن المخرجات وتحسّن استراتيجية هندسة الموجهات قبل النشر في الإنتاج. تتيح لك:

تطوير الموجهات بشكل تكراري قبل استخدامها في وكلائك
اختبار الموجهات مع متغيرات ونماذج مختلفة
مقارنة المخرجات بين إصدارات موجهات مختلفة
التعاون مع أعضاء الفريق في تطوير الموجهات

تجعل هذه البيئة المرئية من الأسهل صياغة موجهات فعالة لكل خطوة في سير عمل وكلاء CrewAI.

يسترجع API عرض الموجهات قوالب الموجهات الخاصة بك مع جميع المعاملات المُعدّة:

from crewai import Agent, LLM
from portkey_ai import createHeaders, PORTKEY_GATEWAY_URL, Portkey

# Initialize Portkey admin client
portkey_admin = Portkey(api_key="YOUR_PORTKEY_API_KEY")

# Retrieve prompt using the render API
prompt_data = portkey_client.prompts.render(
    prompt_id="YOUR_PROMPT_ID",
    variables={
        "agent_role": "Senior Research Scientist",
    }
)

backstory_agent_prompt=prompt_data.data.messages[0]["content"]


# Set up LLM with Portkey integration
portkey_llm = LLM(
    model="gpt-4o",
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        virtual_key="YOUR_OPENAI_VIRTUAL_KEY"
    )
)

# Create agent using the rendered prompt
researcher = Agent(
    role="Senior Research Scientist",
    goal="Discover groundbreaking insights about the assigned topic",
    backstory=backstory_agent,  # Use the rendered prompt
    verbose=True,
    llm=portkey_llm
)

يمكنك:

إنشاء إصدارات متعددة من نفس الموجه
مقارنة الأداء بين الإصدارات
الرجوع إلى إصدارات سابقة عند الحاجة
تحديد الإصدار المراد استخدامه في كودك:

# Use a specific prompt version
prompt_data = portkey_admin.prompts.render(
    prompt_id="YOUR_PROMPT_ID@version_number",
    variables={
        "agent_role": "Senior Research Scientist",
        "agent_goal": "Discover groundbreaking insights"
    }
)

تستخدم موجهات Portkey قوالب بنمط Mustache لاستبدال المتغيرات بسهولة:

You are a {{agent_role}} with expertise in {{domain}}.

Your mission is to {{agent_goal}} by leveraging your knowledge
and experience in the field.

Always maintain a {{tone}} tone and focus on providing {{focus_area}}.

عند العرض، ما عليك سوى تمرير المتغيرات:

prompt_data = portkey_admin.prompts.render(
    prompt_id="YOUR_PROMPT_ID",
    variables={
        "agent_role": "Senior Research Scientist",
        "domain": "artificial intelligence",
        "agent_goal": "discover groundbreaking insights",
        "tone": "professional",
        "focus_area": "practical applications"
    }
)

استوديو هندسة الموجهات

تعرّف على المزيد حول ميزات إدارة الموجهات في Portkey

4. حواجز الحماية لطواقم آمنة

تضمن حواجز الحماية أن وكلاء CrewAI يعملون بأمان ويستجيبون بشكل مناسب في جميع الحالات. لماذا تستخدم حواجز الحماية؟ قد يواجه وكلاء CrewAI أوضاع فشل مختلفة:

توليد محتوى ضار أو غير مناسب
تسريب معلومات حساسة مثل المعلومات الشخصية
توهم معلومات غير صحيحة
توليد مخرجات بتنسيقات غير صحيحة

تضيف حواجز حماية Portkey حماية لكل من المدخلات والمخرجات. تطبيق حواجز الحماية

from crewai import Agent, LLM
from portkey_ai import createHeaders, PORTKEY_GATEWAY_URL

# Create LLM with guardrails
portkey_llm = LLM(
    model="gpt-4o",
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        virtual_key="YOUR_OPENAI_VIRTUAL_KEY",
        config={
            "input_guardrails": ["guardrails-id-xxx", "guardrails-id-yyy"],
            "output_guardrails": ["guardrails-id-zzz"]
        }
    )
)

# Create agent with guardrailed LLM
researcher = Agent(
    role="Senior Research Scientist",
    goal="Discover groundbreaking insights about the assigned topic",
    backstory="You are an expert researcher with deep domain knowledge.",
    verbose=True,
    llm=portkey_llm
)

يمكن لحواجز حماية Portkey:

كشف وحذف المعلومات الشخصية في المدخلات والمخرجات
تصفية المحتوى الضار أو غير المناسب
التحقق من تنسيقات الاستجابة وفقاً للمخططات
التحقق من التوهمات مقابل الحقائق المرجعية
تطبيق منطق الأعمال والقواعد المخصصة

تعرّف على المزيد حول حواجز الحماية

استكشف ميزات حواجز الحماية في Portkey لتعزيز سلامة الوكلاء

5. تتبع المستخدمين باستخدام البيانات الوصفية

تتبع المستخدمين الفرديين عبر وكلاء CrewAI باستخدام نظام البيانات الوصفية في Portkey. ما هي البيانات الوصفية في Portkey؟ تتيح لك البيانات الوصفية ربط بيانات مخصصة بكل طلب، مما يمكّن التصفية والتقسيم والتحليلات. الحقل الخاص _user مصمم خصيصاً لتتبع المستخدمين.

from crewai import Agent, LLM
from portkey_ai import createHeaders, PORTKEY_GATEWAY_URL

# Configure LLM with user tracking
portkey_llm = LLM(
    model="gpt-4o",
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        virtual_key="YOUR_OPENAI_VIRTUAL_KEY",
        metadata={
            "_user": "user_123",  # Special _user field for user analytics
            "user_tier": "premium",
            "user_company": "Acme Corp",
            "session_id": "abc-123"
        }
    )
)

# Create agent with tracked LLM
researcher = Agent(
    role="Senior Research Scientist",
    goal="Discover groundbreaking insights about the assigned topic",
    backstory="You are an expert researcher with deep domain knowledge.",
    verbose=True,
    llm=portkey_llm
)

تصفية التحليلات حسب المستخدم مع وجود البيانات الوصفية، يمكنك تصفية التحليلات حسب المستخدم وتحليل مقاييس الأداء على أساس كل مستخدم:

يمكّن هذا:

تتبع التكاليف والميزانية لكل مستخدم
تحليلات مستخدم مخصصة
مقاييس على مستوى الفريق أو المؤسسة
مراقبة خاصة بالبيئة (التجريب مقابل الإنتاج)

تعرّف على المزيد حول البيانات الوصفية

استكشف كيفية استخدام البيانات الوصفية المخصصة لتعزيز تحليلاتك

6. التخزين المؤقت لطواقم فعالة

طبّق التخزين المؤقت لجعل وكلاء CrewAI أكثر كفاءة وفعالية من حيث التكلفة:

التخزين المؤقت البسيط
التخزين المؤقت الدلالي

from crewai import Agent, LLM
from portkey_ai import createHeaders, PORTKEY_GATEWAY_URL

# Configure LLM with simple caching
portkey_llm = LLM(
    model="gpt-4o",
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        virtual_key="YOUR_OPENAI_VIRTUAL_KEY",
        config={
            "cache": {
                "mode": "simple"
            }
        }
    )
)

# Create agent with cached LLM
researcher = Agent(
    role="Senior Research Scientist",
    goal="Discover groundbreaking insights about the assigned topic",
    backstory="You are an expert researcher with deep domain knowledge.",
    verbose=True,
    llm=portkey_llm
)

يقوم التخزين المؤقت البسيط بمطابقة دقيقة لموجهات الإدخال، مع تخزين الطلبات المتطابقة لتجنب عمليات تنفيذ النموذج الزائدة.

from crewai import Agent, LLM
from portkey_ai import createHeaders, PORTKEY_GATEWAY_URL

# Configure LLM with semantic caching
portkey_llm = LLM(
    model="gpt-4o",
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        virtual_key="YOUR_OPENAI_VIRTUAL_KEY",
        config={
            "cache": {
                "mode": "semantic"
            }
        }
    )
)

# Create agent with semantically cached LLM
researcher = Agent(
    role="Senior Research Scientist",
    goal="Discover groundbreaking insights about the assigned topic",
    backstory="You are an expert researcher with deep domain knowledge.",
    verbose=True,
    llm=portkey_llm
)

يأخذ التخزين المؤقت الدلالي في الاعتبار التشابه السياقي بين طلبات الإدخال، مع تخزين الاستجابات للمدخلات المتشابهة دلالياً.

7. التوافق بين النماذج

يدعم CrewAI مزودي LLM متعددين، ويوسّع Portkey هذه القدرة من خلال توفير الوصول إلى أكثر من 200 نموذج LLM عبر واجهة موحدة. يمكنك التبديل بسهولة بين نماذج مختلفة دون تغيير منطق الوكيل الأساسي:

from crewai import Agent, LLM
from portkey_ai import createHeaders, PORTKEY_GATEWAY_URL

# Set up LLMs with different providers
openai_llm = LLM(
    model="gpt-4o",
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        virtual_key="YOUR_OPENAI_VIRTUAL_KEY"
    )
)

anthropic_llm = LLM(
    model="claude-3-5-sonnet-latest",
    max_tokens=1000,
    base_url=PORTKEY_GATEWAY_URL,
    api_key="dummy",
    extra_headers=createHeaders(
        api_key="YOUR_PORTKEY_API_KEY",
        virtual_key="YOUR_ANTHROPIC_VIRTUAL_KEY"
    )
)

# Choose which LLM to use for each agent based on your needs
researcher = Agent(
    role="Senior Research Scientist",
    goal="Discover groundbreaking insights about the assigned topic",
    backstory="You are an expert researcher with deep domain knowledge.",
    verbose=True,
    llm=openai_llm  # Use anthropic_llm for Anthropic
)

يوفر Portkey الوصول إلى نماذج LLM من مزودين بما في ذلك:

OpenAI (GPT-4o، GPT-4 Turbo، إلخ)
Anthropic (Claude 3.5 Sonnet، Claude 3 Opus، إلخ)
Mistral AI (Mistral Large، Mistral Medium، إلخ)
Google Vertex AI (Gemini 1.5 Pro، إلخ)
Cohere (Command، Command-R، إلخ)
AWS Bedrock (Claude، Titan، إلخ)
النماذج المحلية/الخاصة

المزودون المدعومون

اطلع على القائمة الكاملة لمزودي LLM المدعومين من Portkey

إعداد حوكمة المؤسسة لـ CrewAI

لماذا حوكمة المؤسسة؟ إذا كنت تستخدم CrewAI داخل مؤسستك، فأنت بحاجة إلى مراعاة عدة جوانب حوكمة:

إدارة التكاليف: التحكم في إنفاق الذكاء الاصطناعي وتتبعه عبر الفرق
التحكم في الوصول: إدارة الفرق التي يمكنها استخدام نماذج محددة
تحليلات الاستخدام: فهم كيفية استخدام الذكاء الاصطناعي عبر المؤسسة
الأمان والامتثال: الحفاظ على معايير أمان المؤسسة
الموثوقية: ضمان خدمة متسقة لجميع المستخدمين

يضيف Portkey طبقة حوكمة شاملة لتلبية احتياجات المؤسسة هذه. لننفّذ هذه الضوابط خطوة بخطوة.

إنشاء مفتاح افتراضي

المفاتيح الافتراضية هي طريقة Portkey الآمنة لإدارة مفاتيح API لمزودي LLM. توفر ضوابط أساسية مثل:

حدود الميزانية لاستخدام API
إمكانيات تحديد المعدل
تخزين آمن لمفاتيح API

لإنشاء مفتاح افتراضي: انتقل إلى المفاتيح الافتراضية في تطبيق Portkey. احفظ وانسخ معرّف المفتاح الافتراضي

احفظ معرّف المفتاح الافتراضي - ستحتاجه في الخطوة التالية.

إنشاء تكوين افتراضي

تحدد التكوينات في Portkey كيفية توجيه طلباتك، مع ميزات مثل التوجيه المتقدم والاحتياط وإعادة المحاولة.لإنشاء تكوينك:

انتقل إلى التكوينات في لوحة تحكم Portkey

أنشئ تكويناً جديداً بـ:

{
    "virtual_key": "YOUR_VIRTUAL_KEY_FROM_STEP1",
   	"override_params": {
      "model": "gpt-4o" // Your preferred model name
    }
}

احفظ ولاحظ اسم التكوين للخطوة التالية

إعداد مفتاح API لـ Portkey

الآن أنشئ مفتاح API لـ Portkey وأرفق التكوين الذي أنشأته في الخطوة 2:

انتقل إلى مفاتيح API في Portkey وأنشئ مفتاح API جديد
حدد تكوينك من الخطوة 2
أنشئ واحفظ مفتاح API الخاص بك

الاتصال بـ CrewAI

بعد إعداد مفتاح API لـ Portkey مع التكوين المرفق، اربطه بوكلاء CrewAI:

from crewai import Agent, LLM
from portkey_ai import PORTKEY_GATEWAY_URL

# Configure LLM with your API key
portkey_llm = LLM(
    model="gpt-4o",
    base_url=PORTKEY_GATEWAY_URL,
    api_key="YOUR_PORTKEY_API_KEY"
)

# Create agent with Portkey-enabled LLM
researcher = Agent(
    role="Senior Research Scientist",
    goal="Discover groundbreaking insights about the assigned topic",
    backstory="You are an expert researcher with deep domain knowledge.",
    verbose=True,
    llm=portkey_llm
)

الخطوة 1: تطبيق ضوابط الميزانية وحدود المعدل

تمكّن المفاتيح الافتراضية التحكم الدقيق في الوصول إلى LLM على مستوى الفريق/القسم. يساعدك هذا على:

إعداد حدود الميزانية
منع الارتفاعات غير المتوقعة في الاستخدام باستخدام حدود المعدل
تتبع إنفاق الأقسام

إعداد ضوابط خاصة بالقسم:

انتقل إلى المفاتيح الافتراضية في لوحة تحكم Portkey
أنشئ مفتاحاً افتراضياً جديداً لكل قسم مع حدود ميزانية ومعدل
هيئ الحدود الخاصة بكل قسم

الخطوة 2: تحديد قواعد الوصول للنماذج

مع توسع استخدام الذكاء الاصطناعي، يصبح التحكم في الفرق التي يمكنها الوصول إلى نماذج محددة أمراً بالغ الأهمية. توفر تكوينات Portkey طبقة التحكم هذه مع ميزات مثل:

ميزات التحكم في الوصول:

قيود النماذج: تقييد الوصول إلى نماذج محددة
حماية البيانات: تطبيق حواجز حماية للبيانات الحساسة
ضوابط الموثوقية: إضافة احتياط ومنطق إعادة المحاولة

مثال على التكوين:

إليك تكويناً أساسياً لتوجيه الطلبات إلى OpenAI، تحديداً باستخدام GPT-4o:

{
	"strategy": {
		"mode": "single"
	},
	"targets": [
		{
			"virtual_key": "YOUR_OPENAI_VIRTUAL_KEY",
			"override_params": {
				"model": "gpt-4o"
			}
		}
	]
}

أنشئ تكوينك في صفحة التكوينات في لوحة تحكم Portkey.

يمكن تحديث التكوينات في أي وقت لضبط الضوابط دون التأثير على التطبيقات قيد التشغيل.

الخطوة 3: تطبيق ضوابط الوصول

أنشئ مفاتيح API خاصة بالمستخدم تقوم تلقائياً بـ:

تتبع الاستخدام لكل مستخدم/فريق بمساعدة المفاتيح الافتراضية
تطبيق التكوينات المناسبة لتوجيه الطلبات
جمع البيانات الوصفية ذات الصلة لتصفية السجلات
فرض أذونات الوصول

أنشئ مفاتيح API من خلال تطبيق Portkeyمثال باستخدام Python SDK:

from portkey_ai import Portkey

portkey = Portkey(api_key="YOUR_ADMIN_API_KEY")

api_key = portkey.api_keys.create(
    name="engineering-team",
    type="organisation",
    workspace_id="YOUR_WORKSPACE_ID",
    defaults={
        "config_id": "your-config-id",
        "metadata": {
            "environment": "production",
            "department": "engineering"
        }
    },
    scopes=["logs.view", "configs.read"]
)

للحصول على تعليمات تفصيلية لإدارة المفاتيح، راجع وثائق Portkey.

الخطوة 4: النشر والمراقبة

بعد توزيع مفاتيح API على أعضاء فريقك، يصبح إعداد CrewAI الجاهز للمؤسسة جاهزاً للعمل. يمكن لكل عضو في الفريق الآن استخدام مفاتيح API المخصصة له مع مستويات وصول وضوابط ميزانية مناسبة.راقب الاستخدام في لوحة تحكم Portkey:

تتبع التكاليف حسب القسم
أنماط استخدام النماذج
حجم الطلبات
معدلات الأخطاء

ميزات المؤسسة متاحة الآن

تكامل CrewAI الخاص بك يتضمن الآن:

ضوابط ميزانية للأقسام
حوكمة الوصول للنماذج
تتبع الاستخدام والإسناد
حواجز أمان
ميزات الموثوقية

الأسئلة الشائعة

كيف يعزز Portkey إمكانيات CrewAI؟

يضيف Portkey جاهزية الإنتاج لـ CrewAI من خلال مراقبة شاملة (تتبعات وسجلات ومقاييس) وميزات موثوقية (احتياط وإعادة محاولة وتخزين مؤقت) والوصول إلى أكثر من 200 نموذج LLM عبر واجهة موحدة. هذا يسهّل تصحيح الأخطاء وتحسين وتوسيع تطبيقات الوكلاء.

هل يمكنني استخدام Portkey مع تطبيقات CrewAI الحالية؟

نعم! يتكامل Portkey بسلاسة مع تطبيقات CrewAI الحالية. ما عليك سوى تحديث كود تكوين LLM بالنسخة المُمكّنة من Portkey. يبقى باقي كود الوكيل والطاقم دون تغيير.

هل يعمل Portkey مع جميع ميزات CrewAI؟

يدعم Portkey جميع ميزات CrewAI، بما في ذلك الوكلاء والأدوات وسير العمل مع تدخل بشري وجميع أنواع عمليات المهام (تسلسلي وهرمي وغيرها). يضيف المراقبة والموثوقية دون تقييد أي من وظائف الإطار.

هل يمكنني تتبع الاستخدام عبر وكلاء متعددين في طاقم؟

نعم، يتيح لك Portkey استخدام trace_id متسق عبر وكلاء متعددين في طاقم لتتبع سير العمل بالكامل. هذا مفيد بشكل خاص للطواقم المعقدة حيث تريد فهم مسار التنفيذ الكامل عبر وكلاء متعددين.

كيف أصفّي السجلات والتتبعات لعمليات تشغيل طاقم محددة؟

يتيح لك Portkey إضافة بيانات وصفية مخصصة لتكوين LLM، والتي يمكنك استخدامها للتصفية. أضف حقولاً مثل crew_name أو crew_type أو session_id للعثور على عمليات تنفيذ طاقم محددة وتحليلها بسهولة.

هل يمكنني استخدام مفاتيح API الخاصة بي مع Portkey؟

نعم! يستخدم Portkey مفاتيح API الخاصة بك لمزودي LLM المختلفين. يخزنها بشكل آمن كمفاتيح افتراضية، مما يتيح لك إدارة وتدوير المفاتيح بسهولة دون تغيير كودك.

البدء

الأدلّة

المفاهيم الأساسية

تكامل MCP

الأدوات

Observability

التعلّم

Telemetry

​مقدمة

​التثبيت والإعداد

​ميزات الإنتاج

​1. مراقبة محسّنة

​2. الموثوقية - حافظ على تشغيل طواقمك بسلاسة

إعادة المحاولة التلقائية

مهلة الطلبات

التوجيه الشرطي

الاحتياط

موازنة الأحمال

​3. إدارة الموجهات في CrewAI

استوديو هندسة الموجهات

​4. حواجز الحماية لطواقم آمنة

تعرّف على المزيد حول حواجز الحماية

​5. تتبع المستخدمين باستخدام البيانات الوصفية

تعرّف على المزيد حول البيانات الوصفية

​6. التخزين المؤقت لطواقم فعالة

​7. التوافق بين النماذج

المزودون المدعومون

​إعداد حوكمة المؤسسة لـ CrewAI

​الخطوة 1: تطبيق ضوابط الميزانية وحدود المعدل

​إعداد ضوابط خاصة بالقسم:

​الخطوة 2: تحديد قواعد الوصول للنماذج

​ميزات التحكم في الوصول:

​مثال على التكوين:

​الخطوة 3: تطبيق ضوابط الوصول

​الخطوة 4: النشر والمراقبة

​ميزات المؤسسة متاحة الآن

​الأسئلة الشائعة

​الموارد

وثائق CrewAI

احجز عرضاً توضيحياً

مقدمة

التثبيت والإعداد

ميزات الإنتاج

1. مراقبة محسّنة

2. الموثوقية - حافظ على تشغيل طواقمك بسلاسة

3. إدارة الموجهات في CrewAI

4. حواجز الحماية لطواقم آمنة

5. تتبع المستخدمين باستخدام البيانات الوصفية

6. التخزين المؤقت لطواقم فعالة

7. التوافق بين النماذج

إعداد حوكمة المؤسسة لـ CrewAI

الخطوة 1: تطبيق ضوابط الميزانية وحدود المعدل

إعداد ضوابط خاصة بالقسم:

الخطوة 2: تحديد قواعد الوصول للنماذج

ميزات التحكم في الوصول:

مثال على التكوين:

الخطوة 3: تطبيق ضوابط الوصول

الخطوة 4: النشر والمراقبة

ميزات المؤسسة متاحة الآن

الأسئلة الشائعة

الموارد