생각: 이제 훌륭한 답변을 드릴 수 있습니다. 최종 답변: Agent Repositories는 엔터프라이즈 사용자가 팀과 프로젝트 전반에 걸쳐 agent 정의를 저장, 공유, 재사용할 수 있도록 합니다. 이 기능을 통해 조직은 표준화된 agent의 중앙 라이브러리를 유지할 수 있어 일관성을 높이고 중복 작업을 줄일 수 있습니다.

​
에이전트 저장소의 이점

  • 표준화: 조직 전반에서 일관된 에이전트 정의를 유지합니다
  • 재사용성: 한 번 에이전트를 생성하여 여러 crew 및 프로젝트에서 사용할 수 있습니다
  • 거버넌스: 조직 전체에 적용되는 에이전트 구성 정책을 구현합니다
  • 협업: 여러 팀이 서로의 작업을 공유하고 발전시킬 수 있도록 지원합니다

​
에이전트 저장소 사용하기

​
사전 준비 사항

  1. CrewAI 계정이 있어야 하며, 무료 플랜을 이용해보세요.
  2. CrewAI CLI를 사용하여 인증되어 있어야 합니다.
  3. 여러 개의 조직이 있는 경우, CLI 명령어를 사용하여 올바른 조직으로 전환했는지 확인하세요:
crewai org switch <org_id>

​
저장소에서 에이전트 생성 및 관리

저장소에서 에이전트를 생성하고 관리하려면 Enterprise Dashboard를 사용하세요.

​
리포지토리에서 에이전트 불러오기

코드에서 from_repository 파라미터를 사용하여 리포지토리에서 에이전트를 불러올 수 있습니다: 
from crewai import Agent

# Create an agent by loading it from a repository
# The agent is loaded with all its predefined configurations
researcher = Agent(
    from_repository="market-research-agent"
)

​
저장소 설정 재정의

구성에서 특정 설정을 제공하여 저장소의 설정을 재정의할 수 있습니다. 
researcher = Agent(
    from_repository="market-research-agent",
    goal="Research the latest trends in AI development",  # Override the repository goal
    verbose=True  # Add a setting not in the repository
)

​
예제: Repository 에이전트로 Crew 생성하기

from crewai import Crew, Agent, Task

# Load agents from repositories
researcher = Agent(
    from_repository="market-research-agent"
)

writer = Agent(
    from_repository="content-writer-agent"
)

# Create tasks
research_task = Task(
    description="Research the latest trends in AI",
    agent=researcher
)

writing_task = Task(
    description="Write a comprehensive report based on the research",
    agent=writer
)

# Create the crew
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    verbose=True
)

# Run the crew
result = crew.kickoff()

​
예시: kickoff()를 Repository Agent와 함께 사용하기

kickoff() 메서드를 이용해 repository agent를 직접 사용하여 보다 간단하게 상호작용할 수도 있습니다: 
from crewai import Agent
from pydantic import BaseModel
from typing import List

# 구조화된 출력 형식 정의
class MarketAnalysis(BaseModel):
    key_trends: List[str]
    opportunities: List[str]
    recommendation: str

# 저장소에서 agent 불러오기
analyst = Agent(
    from_repository="market-analyst-agent",
    verbose=True
)

# 자유 형식 응답 받기
result = analyst.kickoff("Analyze the AI market in 2025")
print(result.raw)  # 원시 응답 접근

# 구조화된 출력 받기
structured_result = analyst.kickoff(
    "Provide a structured analysis of the AI market in 2025",
    response_format=MarketAnalysis
)

# 구조화된 데이터 접근
print(f"Key Trends: {structured_result.pydantic.key_trends}")
print(f"Recommendation: {structured_result.pydantic.recommendation}")

​
모범 사례

  1. 명명 규칙: 리포지토리 에이전트에 대해 명확하고 설명적인 이름을 사용하세요.
  2. 문서화: 각 에이전트에 대한 포괄적인 설명을 포함하세요.
  3. 도구 관리: 리포지토리 에이전트가 참조하는 도구들이 환경에 제공되는지 확인하세요.
  4. 접근 제어: 권한이 있는 팀원만 리포지토리 에이전트를 수정할 수 있도록 권한을 관리하세요.

​
조직 관리

조직을 전환하거나 현재 조직을 확인하려면 CrewAI CLI를 사용하세요: 
# 현재 조직 보기
crewai org current

# 다른 조직으로 전환
crewai org switch <org_id>

# 사용 가능한 모든 조직 목록 확인
crewai org list
리포지토리에서 agent를 불러올 때는 인증이 완료되어 있어야 하며, 올바른 조직으로 전환되어 있어야 합니다. 오류가 발생하면 위의 CLI 명령어를 사용하여 인증 상태와 조직 설정을 확인하세요.