当前位置：首页 > news >正文

框架（三）CAMEL

news 2026/7/19 4:28:27

前面已经学习了AutoGen和AgentScope两个多智能体框架，今天继续学习第三个经典框架——CAMEL。

与前两个框架相比，CAMEL 并没有设计复杂的消息调度或工作流，而是提出了一种非常有意思的思想：让多个 AI 扮演不同角色，通过不断对话自主完成任务。

这种"角色扮演（Role Playing）"也是 CAMEL 最具代表性的特点。

一、什么是 CAMEL？

CAMEL（Communicative Agents for "Mind" Exploration of Large Language Model Society）最初的目标，就是研究如何让多个 AI 在尽可能少的人类干预下，通过自主对话完成复杂任务。

例如开发一个股票交易工具：

AI 用户：股票交易员，负责提出需求。
AI 助理：Python 工程师，负责实现代码。

整个过程就像真实团队协作一样。

股票交易员 │ 提出需求 │ ▼ Python 工程师 │ 实现功能 │ 返回结果 │ 继续协作

相比 AutoGen 更偏向"多 Agent 调度"，CAMEL 更强调不同角色之间的自然协作。

二、CAMEL 的核心思想

CAMEL 的设计主要围绕两个概念展开：

Role Playing（角色扮演）
Inception Prompting（引导性提示）

1、Role Playing（角色扮演）

CAMEL 会为每个 Agent 指定一个明确身份，每个角色负责不同工作。

例如：

AI User：

作家

负责：

规划章节
提出写作需求
调整整体结构

AI Assistant：

心理学家

负责：

提供专业知识
补充理论依据
保证内容科学性

整个任务就在两个不同领域专家之间不断推进。

2、Inception Prompting（引导性提示）

仅仅告诉 AI：

你是一位心理学家。

其实是不够的。

CAMEL 会在聊天开始前，为两个 Agent 自动生成一份System Prompt，其中通常包含：

自己的角色
合作对象是谁
当前共同目标
回复规则
任务结束标志

例如：

你是一名心理学家。 你正在与一位专业作家合作。 共同完成一本关于拖延症心理学的电子书。 任务完成后输出： <CAMEL_TASK_DONE>

这样可以保证整个对话始终围绕同一个目标进行，而不会轻易跑题。

三、案例：AI 协作创作一本电子书

下面通过官方案例体验 CAMEL 的角色协作能力。

目标：

创作一本《拖延症心理学》电子书。

两个 Agent 分别负责：

心理学家（Psychologist）

提供专业理论
引用研究成果
保证科学严谨

作家（Writer）

组织文章结构
优化语言表达
提升可读性

最终共同完成一本适合普通读者阅读的科普电子书。

四、创建模型

首先创建大模型，这里以 Qwen 为例。

model = ModelFactory.create( model_platform=ModelPlatformType.QWEN, model_type=LLM_MODEL, url=LLM_BASE_URL, api_key=LLM_API_KEY )

这里只负责创建模型对象，后续 RolePlaying 会直接使用该模型完成对话。

五、定义协作任务

接下来定义整个协作目标。

task_prompt = """ 创作一本关于"拖延症心理学"的短篇电子书。 要求： 1. 内容科学严谨 2. 通俗易懂 3. 包含案例分析 4. 8000~10000字 5. 结构清晰 """

这里的task_prompt可以理解为整个协作任务的说明书。

后续 CAMEL 会根据任务内容自动生成 Prompt，引导两个 Agent 围绕这一目标开展讨论。

六、创建 RolePlaying

接下来创建角色协作会话。

role_play_session = RolePlaying( assistant_role_name="心理学家", user_role_name="作家", task_prompt=task_prompt, model=model, with_task_specify=False, )

这里指定了两个角色：

user_role_name：作家（提出需求）
assistant_role_name：心理学家（提供专业内容）

整个双 Agent 协作环境就创建完成了。

七、启动自动协作

首先调用：

input_msg = role_play_session.init_chat()

这一方法会根据任务和角色自动生成第一轮消息，因此无需我们手动编写开场白。

随后进入循环：

assistant_response, user_response = role_play_session.step(input_msg)

每调用一次step()，都会完成一轮完整协作：

作家提出需求 │ ▼ 心理学家提供专业内容 │ ▼ 进入下一轮讨论

随后：

input_msg = assistant_response.msg

将上一轮回复作为下一轮输入，不断推进整个任务。

八、结束协作

为了避免无限循环，一般有两种结束方式。

达到最大轮数：

chat_turn_limit = 30

或者检测任务完成标志：

if "<CAMEL_TASK_DONE>" in assistant_response.msg.content: break

当任意一个 Agent 输出<CAMEL_TASK_DONE>时，说明任务已经完成，程序自动结束。

九、整体协作流程

整个案例的执行流程如下：

定义任务 │ 创建两个角色 │ 初始化 RolePlaying │ AI 自动开始对话 │ 不断调用 step() │ 输出 <CAMEL_TASK_DONE> │ 结束任务

整个过程中基本不需要人工参与，两个 Agent 会围绕共同目标不断讨论，直到完成任务。

十、CAMEL 的优缺点

优点

角色扮演思想简单直观，多个 Agent 就像真实团队协作。
Prompt 驱动，无需复杂工作流即可完成多轮协作。
上手简单，非常适合内容创作、方案讨论等场景。

不足

对 Prompt 质量依赖较高，Prompt 不合理容易影响协作效果。
更适合少量 Agent，对大规模多智能体调度支持相对有限。
工作流控制能力不如 LangGraph，工程化能力也弱于 AgentScope。

十一、完整代码

DigitalBookWriting.py

from colorama import Fore from camel.societies import RolePlaying from camel.utils import print_text_animated from camel.models import ModelFactory from camel.types import ModelPlatformType from dotenv import load_dotenv import os load_dotenv() LLM_API_KEY = os.getenv("LLM_API_KEY") LLM_BASE_URL = os.getenv("LLM_BASE_URL") LLM_MODEL = os.getenv("LLM_MODEL") #创建模型,在这里以Qwen为例,调用的百炼大模型平台API model = ModelFactory.create( model_platform=ModelPlatformType.QWEN, model_type=LLM_MODEL, url=LLM_BASE_URL, api_key=LLM_API_KEY ) # 定义协作任务 task_prompt = """ 创作一本关于"拖延症心理学"的短篇电子书，目标读者是对心理学感兴趣的普通大众。 要求： 1. 内容科学严谨，基于实证研究 2. 语言通俗易懂，避免过多专业术语 3. 包含实用的改善建议和案例分析 4. 篇幅控制在8000-10000字 5. 结构清晰，包含引言、核心章节和总结 """ print(Fore.YELLOW + f"协作任务:\n{task_prompt}\n") # 初始化角色扮演会话 role_play_session = RolePlaying( assistant_role_name="心理学家", user_role_name="作家", task_prompt=task_prompt, model=model ) print(Fore.CYAN + f"具体任务描述:\n{role_play_session.task_prompt}\n") # 开始协作对话 chat_turn_limit, n = 30, 0 input_msg = role_play_session.init_chat() while n < chat_turn_limit: n += 1 assistant_response, user_response = role_play_session.step(input_msg) print_text_animated(Fore.BLUE + f"作家:\n\n{user_response.msg.content}\n") print_text_animated(Fore.GREEN + f"心理学家:\n\n{assistant_response.msg.content}\n") # 检查任务完成标志 if "CAMEL_TASK_DONE" in user_response.msg.content: print(Fore.MAGENTA + "✅ 电子书创作完成！") break input_msg = assistant_response.msg print(Fore.YELLOW + f"总共进行了 {n} 轮协作对话")