فرآیند (Process) در CrewAI چیست و چرا تعیینکننده است؟
در CrewAI، «فرآیند» (Process) پارامتری است که مشخص میکند تسکها با چه ترتیب و چه سطحی از نظارت اجرا شوند؛ در واقع نقشهٔ هماهنگی تیم عاملهای شماست. سه موجودیت اصلی یعنی Agent، Task و Crew را شما تعریف میکنید، اما این پارامتر process است که هنگام فراخوانی crew.kickoff() تعیین میکند Crew دقیقاً چطور رفتار کند. تا وقتی این پارامتر را آگاهانه انتخاب نکرده باشید، عملاً استراتژی هماهنگی تیمتان را به پیشفرض فریمورک واگذار کردهاید.
- Agent: عامل با role، goal و backstory که هر عامل میتواند مدل LLM اختصاصی خودش را داشته باشد.
- Task: کار مشخص با description و expected_output؛ همین خروجی موردانتظار است که کیفیت زمینهٔ تسک بعدی را تعیین میکند.
- Crew: ظرف اجرا که عاملها و تسکها را با پارامتر process گرد هم میآورد.
- kickoff: نقطهٔ اجرا؛ crew.kickoff() خروجی نهایی را برمیگرداند و crew.usage_metrics مصرف توکن را گزارش میکند.
الگوی Sequential چطور کار میکند و کِی به کار میآید؟
در فرآیند ترتیبی، تسکها دقیقاً به ترتیب فهرست tasks اجرا میشوند؛ طبق مستندات رسمی، خروجی هر تسک بهعنوان زمینهٔ (context) تسک بعدی وارد میشود و همین زنجیره تا آخرین تسک ادامه پیدا میکند. این الگو حداکثر قابلیت پیشبینی را دارد: ترتیب ثابت است، هر تسک مدلِ عامل خودش را دارد و اجرای دوباره با همان ورودی، رفتار قابلبازتولید میدهد. اگر کار شما یک مسیر خطی مشخص باشد — پژوهش، نگارش، ویرایش — sequential نه سادهتر، بلکه درستتر است.
زیرِ این کد چه میگذرد؟ برای هر تسک، CrewAI از طریق LiteLLM یک درخواست POST به endpoint سازگار با OpenAI میفرستد. اگر میخواهید رفتار زیرین را ببینید یا از زبان دیگری به تیم چندعاملی خود وصل شوید، همان درخواست را مستقیم هم میتوانید اجرا کنید:
الگوی Hierarchical چطور کار میکند و چه چیزی الزامی است؟
در فرآیند سلسلهمراتبی، ساختار کار مثل یک تیم واقعی با مدیر است: بهجای ترتیب ثابت، یک مدل مدیر تسکها را ایجاد، بین عاملهای موجود تخصیص، نتایج را بازبینی و در صورت نیاز دوباره تخصیص میکند. مستندات رسمی صریح است: «یک مدل مدیر (manager_llm) یا یک عامل مدیر سفارشی (manager_agent) باید در Crew مشخص شود تا فرآیند سلسلهمراتبی فعال شود.» بدون یکی از این دو، اجرا با خطا متوقف میشود. نکتهٔ عملی: در این الگو میتوانید تسکها را بدون agent تعریف کنید، چون انتخاب عاملِ انجامدهنده وظیفهٔ خودِ مدیر است.
Sequential یا Hierarchical: کدام برای پروژهٔ شما درست است؟
| معیار | Process.sequential | Process.hierarchical |
|---|---|---|
| ترتیب اجرا | ثابت؛ بر اساس فهرست tasks | پویا؛ تصمیم مدیر در لحظهٔ اجرا |
| نقش مدیر | ندارد | مدیر LLM برنامهریزی، تخصیص و داوری میکند |
| پیشنیاز | هیچ (الگوی پیشفرض) | الزام manager_llm یا manager_agent |
| کنترل و پیشبینیپذیری | بالا؛ قابل بازتولید | کمتر؛ مسیر اجرا به تصمیم مدیر وابسته است |
| مصرف توکن و هزینه | حداقل؛ حدود یک فراخوانی برای هر تسک | بالاتر؛ فراخوانیهای برنامهریزی و داوری مدیر اضافه میشود |
| latency | خطی و قابل تخمین | چندبرابری بهخاطر چرخههای تخصیص و بازبینی |
| بهترین کاربرد | خطوط کاری خطی با تخصیص مشخص (پژوهش←نگارش←ویرایش) | مسائل پویا یا نیازمند داوری مستقل (تقسیم کار نامشخص) |
| ریسک اصلی | شکستن جریان زمینه با جابهجایی ترتیب تسکها | جهش هزینه و وابستگی کیفیت به مدل مدیر |
- 1
زنجیرهٔ کار را روی کاغذ بنویسید
تسکها، ترتیبشان و عامل مالک هر تسک را همان اول مشخص کنید؛ اگر توانستید، مسیر شما احتمالاً خطی است.
- 2
سؤال کلیدی: آیا تخصیص کار از قبل معلوم است؟
اگر بله، process=Process.sequential بگذارید و ترتیب tasks را دقیق بنویسید. اگر نه — یعنی مدیر باید در لحظه تصمیم بگیرد — سراغ hierarchical بروید.
- 3
برای hierarchical، مدل مدیر را جدی انتخاب کنید
کیفیت کل تیم به داوری مدیر گره خورده است؛ برای manager_llm مدلی تحلیلی (مثلاً openai/claude-sonnet-5 روی اپکس۲۴) و برای عاملهای کارگر مدلی اجرایی بگذارید.
- 4
هزینه را اندازه بگیرید، نه حدس بزنید
یک اجرای آزمایشی بزنید، crew.usage_metrics را چاپ کنید و توکن هر الگو را مقایسه کنید؛ اگر جهش هزینه ارزش داوری مدیر را ندارد، به sequential برگردید.
چطور عاملهای CrewAI را به مدلهای اپکس۲۴ وصل کنیم؟
CrewAI برای گفتوگو با مدلها از LiteLLM استفاده میکند و همین موضوع اتصال به هر endpoint سازگار با OpenAI را کاری چندخطی میکند. قانون مسیریابی ساده است: هر وقت نام مدل را با پیشوند openai/ بنویسید، LiteLLM درخواست را با فرمت OpenAI به آدرس base_url میفرستد. اپکس۲۴ در نسخهٔ v1 دقیقاً همین فرمت را ارائه میدهد؛ پس برای هر عامل — و در hierarchical برای خودِ مدیر — کافی است یک شیء LLM با base_url=https://api.apx24.ir/v1 بسازید و کلید API را پاس بدهید. الگوی پیشوند openai/ و پارامترهای base_url و api_key در مستندات رسمی کلاس LLM نمونهسازی شدهاند (S3).
کدام مدل اپکس۲۴ برای کدام نقش در تیم مناسب است؟
تقسیم مدلها بین نقشها رایجترین بهینهسازی هزینه در تیمهای چندعاملی است — آن را «معماری دو لایه» بنامید: مدیر با مدل تحلیلیِ دقیق و کارگران با مدل اجراییِ سریعتر. منطق آن تقسیم فراوانی فراخوانی است: نقش مدیر کمفراخوانی اما حساس است و هر اشتباهش کل تیم را گمراه میکند؛ نقش کارگر پرتکرار است و اشتباهش با بازبینی جبران میشود. بر اساس تجربهٔ تحریریه، این ترکیب کیفیت خروجی را عملاً حفظ میکند چون تصمیمهای حساس را مدل قوی میگیرد و حجم را مدل ارزانتر. برای پروژههای خود با دو مدل اپکس۲۴ چنین توزیعی پیشنهاد میکنیم:
دو مثال حلشده: از کد تا خروجی و مصرف توکن
کاربرد واقعی، جمعبندی و گام بعدی شما
- پارامتر process را همیشه صریح بنویسید — حتی اگر sequential است و پیشفرض.
- برای هر تسک expected_output دقیق و قالبمحور تعریف کنید؛ این متن قرارداد تحویل به تسک بعدی است.
- در hierarchical، مدل مدیر و کارگر را جدا کنید و برای مدیر temperature پایین بگذارید.
- بعد از هر kickoff مقدار crew.usage_metrics را لاگ کنید؛ جهش توکن یعنی فراخوانیهای مدیر را بازبینی کنید.
- verbose را در توسعه روشن و در production خاموش نگه دارید و خطاهای 401/429/timeout را با پیام روشن بگیرید.
الگوی فرآیند، ستون فقرات هماهنگی در CrewAI است و انتخابش یک تصمیم معماری است، نه سلیقه: sequential پیشبینیپذیری و هزینهٔ کنترلشده میدهد و hierarchical هماهنگی پویا و داوری — با بهای فراخوانیهای بیشتر. حالا نوبت اولین اجرای واقعی شماست؛ کوچک شروع کنید، هزینه را اندازه بگیرید و مقیاس بدهید.





