واگذاری وظایف در CrewAI چیست و چرا پیشفرض خاموش است؟
در CrewAI، واگذاری یعنی ایجنتی که در میانهٔ انجام وظیفهٔ خود است، بتواند بخشی از کار را به همکار تیم بسپارد یا برای پیش بردن کار از او سؤال بپرسد. این رفتار، تفاوت اصلی بین یک سیستم چندایجنتی واقعی و چند اسکریپت موازیِ بیارتباط است؛ چون بدون واگذاری، هر ایجنت فقط ورودی خودش را میبیند و از وضعیت بقیهٔ تیم بیخبر میماند. مستندات رسمی CrewAI این قابلیت را صریحاً «opt-in» توصیف میکند: همکاری باید روی هر ایجنت فعال شود.
When allow_delegation=True, agents automatically gain access to powerful collaboration tools.
— مستندات رسمی CrewAI — صفحهٔ Collaboration
چرا این جداسازی مهم است؟ چون هر واگذاری یک چرخهٔ کامل «درخواست مدل → پاسخ ابزار → ادامهٔ کار» است و مستقیماً روی سه چیز اثر میگذارد: تعداد درخواستهای API، تأخیر کل اجرای Crew و هزینهٔ توکن. وقتی کنترل در دست شما باشد، میتوانید فقط به ایجنتهایی که واقعاً به همکاری نیاز دارند اجازهٔ واگذاری بدهید و بقیه را متخصصِ متمرکز نگه دارید.
سه راه واگذاری کار در CrewAI کداماند؟
CrewAI سه مسیر مکمل برای همکاری بین ایجنتها میدهد: ابزارهای خودکار واگذاری روی ایجنتهای دارای allow_delegation=True، فرایند سلسلهمراتبی با ایجنت مدیر، و جریان دادهٔ قطعی با پارامتر context روی Task. انتخاب درست بین این سه، معماری پروژهٔ شما را تعیین میکند و اثر مستقیمی روی هزینه و کیفیت خروجی دارد.
- ابزارهای خودکار واگذاری: با allow_delegation=True هر ایجنت ابزارهای Delegate work و Ask question را میگیرد و در لحظه تصمیم میگیرد به کدام همکار مراجعه کند.
- فرایند سلسلهمراتبی (Process.hierarchical): یک ایجنت مدیر با manager_llm کارها را بین متخصصها تقسیم، پیگیری و نتایج را قبل از ادامه اعتبارسنجی میکند.
- پارامتر context روی Task: خروجی وظیفه(های) مشخصی را بهعنوان ورودی وظیفهٔ بعدی میدهد؛ بدون تصمیمگیری مدل و با کمترین هزینه.
| مکانیزم | بهترین زمان استفاده | ویژگی کلیدی |
|---|---|---|
| allow_delegation=True روی Agent | همکاری نقطهای و خودجوش بین همتاها در هر فرایندی | دو ابزار خودکار Delegate Work و Ask Question؛ تصمیم با مدل است |
| Process.hierarchical + manager_llm | پروژههای پیچیدهٔ چندمرحلهای که تقسیم کار و کنترل کیفیت میخواهند | مدیر وظایف را تقسیم و نتایج را اعتبارسنجی میکند؛ manager_llm الزامی است |
| context=[task_a, task_b] روی Task | زنجیرهٔ دادهٔ قطعی؛ وقتی میدانید کدام خروجی کدام ورودی است | بدون فراخوانی اضافهٔ مدل؛ ارزانترین و قابل پیشبینیترین روش |
قاعدهٔ سرانگشتی تحریریه: اگر جریان کار را از قبل میدانید، context کافی است؛ اگر «چه کسی چه کاری انجام دهد» خودش بخشی از مسئله است، فرایند سلسلهمراتبی با مدیر بسازید؛ و اگر فقط میخواهید ایجنتها در حین کار بتوانند از هم بپرسند، allow_delegation=True کفایت میکند.
ابزارهای Delegate Work و Ask Question چطور کار میکنند؟
بهمحض فعالسازی allow_delegation=True، CrewAI به ایجنت دو ابزار همکاری اضافه میکند که امضای آنها در مستندات رسمی مشخص است. از دید مدل زبانی، این دو مثل هر ابزار دیگری (function calling) فراخوانی میشوند؛ یعنی تصمیم واگذاری، خودش یک تصمیم مدل است و کیفیتش به قدرت مدل و وضوح نقشها بستگی دارد.
| ابزار | پارامترها | کاربرد |
|---|---|---|
| Delegate work to coworker | task, context, coworker | سپردن بخشی از کار به همکاری که تخصص مناسب دارد |
| Ask question to coworker | question, context, coworker | پرسیدن سؤال مشخص از همکار برای جمعآوری اطلاعات |
چطور CrewAI را به API سازگار با OpenAI در APX24 وصل کنم؟
CrewAI زیر کاپوت از LiteLLM استفاده میکند و طبق مستندات رسمیاش، به هر endpoint سازگار با OpenAI وصل میشود: کافی است کلاس LLM را با پیشوند openai/ برای نام مدل و آدرس base_url سرویس بسازید و همان شیء را به ایجنتها بدهید. از آنجا که CrewAI فقط پایتونی است، بقیهٔ کار هم پایتون میماند؛ هر ایجنت میتواند مدل متفاوتی داشته باشد و همین، اهرم اصلی بهینهسازی هزینه است.
- 1
نصب CrewAI
پایتون ۳٫۱۰ یا جدیدتر لازم است؛ CrewAI را در یک محیط مجاز نصب کنید.
- 2
ساخت کلید API در APX24
در حساب APX24 یک کلید بسازید و اعتبار حساب را شارژ کنید؛ کلید را هرگز داخل کد hardcode نکنید.
- 3
پیکربندی LLM
شیء LLM را با model=openai/<شناسهٔ مدل>، base_url=https://api.apx24.ir/v1 و api_key از متغیر محیطی بسازید.
- 4
اجرا و مشاهده
Crew را با kickoff اجرا کنید و با verbose=True و step_callback رفتار واگذاری تیم را زیر نظر بگیرید.
چطور یک Crew سلسلهمراتبی با مدیر واگذارنده بسازم؟
در فرایند سلسلهمراتبی، CrewAI یک ایجنت مدیر روی Crew میگذارد که طبق مستندات رسمی، کارها را بین اعضا delegating میکند و قبل از ادامه، نتایج را validating میکند. دو نکتهٔ قراردادی مهم: manager_llm برای این فرایند الزامی است (یا بهجای آن یک manager_agent سفارشی بدهید) و بهتر است متخصصها خودشان اجازهٔ واگذاری نداشته باشند — قرار دادن allow_delegation=False روی آنها مسیر بازگشت کار به مدیر را تمیز نگه میدارد.
هزینهٔ اجرای Crew روی APX24 را چطور تخمین بزنم؟
هزینهٔ Crew چیزی نیست جز جمع توکن همهٔ فراخوانیهای LLM — و واگذاری این جمع را بزرگ میکند، چون هر Delegate Work یا Ask Question یک چرخهٔ کامل درخواست/پاسخ اضافه است. APX24 برای مدلهای متنی یک قیمت یکپارچه به ازای هر ۱ میلیون توکن منتشر میکند؛ کافی است جمع توکن مصرفی را در همین قیمت ضرب کنید. جدول زیر پنج گزینهٔ واقعی برای نقش مدیر و متخصص است.
خطاهای رایج واگذاری و اتصال را چطور رفع کنم؟
بخش بزرگی از دردسرهای CrewAI نه در منطق واگذاری، بلکه در لایهٔ زیرین HTTP رخ میدهد: کلید نامعتبر، مدلِ پشتیبانینشده یا محدودیت نرخ. چهار خطای پرتکرار که در اولین اجرای تقریباً همیشه میبینید را اینجا با علت، راهحل و پیشگیری مرور میکنیم؛ پاسخ ۴۰۱ نمونه را هم میبینید تا شکل استاندارد خطای OpenAI-compatible دستتان بیاید.
مثالهای حلشده: از کد تا اجرای موفق
کاربردهای واقعی و قدم بعدی شما
جمعبندی فنی: واگذاری در CrewAI با یک پرچم شروع میشود (allow_delegation=True) و با معماری تمام میشود — مدیرِ متمرکز روی Process.hierarchical برای تقسیم کار، متخصصهای متمرکز بدون واگذاری، و context برای جریان دادهٔ ارزان. اتصال کل این مجموعه به APX24 فقط یک شیء LLM با base_url و پیشوند openai/ است و هزینهاش را توکنها تعیین میکنند: مدل قوی برای تصمیم، مدل اقتصادی برای اجرا.





