年轻人起来冲

多 agent 不是简单的多个 agent 顺序执行，而是具有不同层次的共享记忆

Crew 组建了团队，团队内共享知识，解决特定的问题，Crew 团队内的 Agent 是以任务顺序或者分层的思想去执行，实际工作会有更加复杂的流程，因此 Crew 定义了工作流 (Flow)，进一步明确规划 Agent 的执行过程

本脚本展示了如何使用 llama_index 库中的工作流（Workflow）系统来构建和运行复杂的流程管理逻辑。通过定义不同的事件类型、步骤函数以及上下文对象，可以实现从简单的线性流程到并发执行、事件收集、嵌套工作流等多种复杂的工作流模式

llamaIndex 完成外挂知识库的构建后，下一步是结合问题检索出相关上下文，并整合到提示，让 llm 生成回复

构建 RAG 的第一步是构建私域数据的索引，以便后续提取到相关上下文。构建索引一般分为以下三个步骤：

在 crewai 中，Team 包含一组代理、一批任务及组织代理解决任务的流程

RAG 是给 LLMs 上外挂知识库，解决的是幻觉、实时性的问题，Agent 则是给 LLMs 外挂工具，解决的是智能化流程、复杂问题的解决能力

在 crewai 中，Task 描述了实际工作中的一项任务，这个任务可以指定特定的 Agent 去完成，也可以通过委派去要求其他 Agent 完成，就相当于团队的一项工作，指定负责人，然后负责人去自己或者找人去完成

如何使用 LlamaIndex 库中的 Ollama 模型进行文本生成和聊天功能，并且还演示了如何将嵌入式模型和索引组件集成到一个完整的查询系统中