框架

CAMEL 多智能体框架实战:从两只骆驼聊天到 Scaling Law

17.6k Star 的早期多 Agent 框架,Role-Playing 让两个 Agent 自驱协作,无需人编排每一步。本文拆解它的设计哲学、跑通最小例子,以及它和 AutoGen / CrewAI 的实际差距。

字号

GitHub 上 17.6k Star 的 CAMEL-AI 是最早一批把"多 Agent 协作"做成可跑代码的项目。它 2023 年就提出了 Role-Playing 范式 — 比 AutoGen、CrewAI 都早。

它的核心想法很简单:别再写死 workflow 了。让两个 Agent 自己聊天。一个当用户提需求,一个当助手解决问题。中间不需要人插手。

我装了一下,跑了它自带的 stock_trading 例子。下面是拆解。

它解决什么问题

2023 年,主流做法是给 Agent 写一套固定流程:

输入 → LLM 调用 → 工具调用 → 输出

任务一改,代码重写。每一步对话都要提前编排。

CAMEL 的反向思路是:把任务描述塞进提示词,让 Agent 自己决定下一步。两个 Agent 互扮角色(User-Agent 提需求 / Assistant-Agent 干活),通过 Inception Prompting 启动自驱对话。

这个范式的关键贡献不在框架本身,而在把"多 Agent 协作"从论文概念变成了可运行的代码。后来 CrewAI 的角色定义、AutoGen 的 GroupChat,都能看到它的影子。

怎么用

装包:

pip install camel-ai

最小可跑的示例 — 两个 Agent 聊股票投资:

from camel.agents import ChatAgent
from camel.messages import BaseMessage
from camel.models import ModelFactory
from camel.types import ModelPlatformType

# 1. 配模型(换成你自己的 API key)
model = ModelFactory.create(
    model_platform=ModelPlatformType.OPENAI,
    model_type="gpt-4o-mini",
    api_key="YOUR_KEY",
)

# 2. 起两个 Agent,互扮角色
user_agent = ChatAgent(system_message="你是股票交易新手,想学投资", model=model)
assistant_agent = ChatAgent(system_message="你是资深股票交易员,回答要专业", model=model)

# 3. 自驱对话三轮
task = "我想配置一个稳健的股票组合,风险偏好中等"
print(f"Task: {task}\n")

msg = BaseMessage.make_user_message(role_name="新手", content=task)
for i in range(3):
    # Assistant 回答
    resp_a = assistant_agent.step(msg)
    print(f"[交易员]: {resp_a.msg.content[:150]}...\n")
    # 新手追问
    resp_u = user_agent.step(resp_a.msg)
    print(f"[新手]: {resp_u.msg.content[:150]}...\n")
    msg = resp_u.msg

想换 DeepSeek 也行,把 ModelPlatformType.OPENAI 改成 ModelPlatformType.DEEPSEEK,model_type 换成 deepseek-chat。CAMEL 内置了多个平台的适配。

它怎么工作(架构)

三层结构:

1. Role-Playing 框架

两个 Agent 通过对话自驱完成任务。不需要外部编排,对话本身是控制流。User-Agent 负责提需求,Assistant-Agent 负责输出方案,双方轮流推进。

2. Inception Prompting

核心机制。元指令提示词 — 告诉 Agent "你是谁、要做什么、不要瞎聊"。例如:

你是交易员。你的任务是回答新手关于股票投资的问题。
回答要专业、简洁,不超过 100 字。
如果问题不清楚,直接问回去,不要猜测。

这种提示方式大幅降低了人工编排成本。Agent 拿到 Inception Prompt 后自己"开聊",人只负责定义角色和终止条件。

3. 生态层

CAMEL 不止是两个 Agent 聊天。它扩展出几个有意思的模块:

  • WorkForce — 多 Agent 协作的工业实现,任务分配 + 结果汇总
  • OASIS — 社交媒体模拟,几千个 Agent 模拟 Twitter / Reddit 行为
  • Embodied Agents — 具身智能,Agent 操控浏览器或游戏角色

官网 camel-ai.org 有完整文档,但说实话藏得比较深。

它哪里好 / 哪里不好

和主流框架对比:

维度 CAMEL AutoGen CrewAI LangGraph
范式 Role-Playing GroupChat Role-Based 图编排
学习曲线 中 中 低 高
文档质量 散乱 一般 清晰 清晰
生产案例 少 多 多 多
学术深度 高 中 低 中
灵活性 中 中 中 高

CAMEL 的优势:

  • Role-Playing 范式的开创者,有学术血统
  • 17.6k Star,社区有规模
  • 生态模块多(OASIS、WorkForce),适合研究

CAMEL 的劣势:

  • 文档分散,README 简陋
  • API 变动快,旧代码容易过期
  • 生产案例少,踩坑靠自己
  • 它更像"论文的代码附录"而非"工程师的产品"

社区被 AutoGen / CrewAI 反超,核心原因就是上手门槛。CrewAI 的 README 第一页就能跑通,CAMEL 不行。

我试了下

本地装 camel-ai,跑了 stock_trading 例子。

实测数据:

  • 对话三轮,token 消耗约 2k(主要是 system_message 占大头)
  • 单轮响应延迟约 5-7s,gpt-4o-mini
  • 默认 model 配置不生效,报错 Model not found — 坑点,得手动改 model_platform 和 model_type

一个观察:对话三轮后,两个 Agent 容易陷入"互相确认"的循环。User-Agent 问完,Assistant 答完,User-Agent 又说"好的谢谢",对话就僵在那。需要更明确的终止条件。

代码本身能跑,API 设计也算合理。但生产用的话,监控和日志得自己接。

谁该用

适合:

  • 研究多 Agent 行为 / 涌现现象
  • 想做社交模拟(用 OASIS)
  • 教学场景,展示 Agent 协作原理
  • 想追溯 Role-Playing 范式的源头

不适合:

  • 生产环境 — 文档支持弱,API 稳定性存疑
  • 复杂 workflow 编排 — 选 LangGraph 更灵活
  • 单 Agent 场景 — 用 LangChain 就行,别上 CAMEL

编辑思考

CAMEL 最有野心的命题是 Finding the Scaling Law of Agents — 不是单 Agent 能力 scaling,而是 Agent 数量 / 交互轮次 / 异构性的扩展规律。

这和 OpenAI o1、DeepSeek-R1 的"思维链 scaling"思路是平行的:都在追问"智能体系统在哪个维度扩展能换到性能"。区别在于,CAMEL 把 scaling 的对象从"模型参数 / 推理步骤"换成了"Agent 数量和交互复杂度"。

具体和过去哪些事不同:CAMEL 比 AutoGen 早约半年,比 CrewAI 早一年。它证明了"两个 Agent 互相聊天"能跑通完整任务,而不是只停留在论文阶段。但它没把这件事做成产品 — 文档粗糙、API 频繁变动、社区运营弱。AutoGen(微软背景)和 CrewAI(后起之秀)用更好的工程化把它反超了。

反共识观察:CAMEL 的真正价值不在框架本身,而在它把 "Role-Playing" 这个范式留给了行业。现在你去拆 CrewAI 的角色定义、AutoGen 的 GroupChat,底层逻辑都是 CAMEL 验证过的。框架会被替代,范式会被继承。

局限:我没法验证它现在是否还活跃。GitHub 提交频率和 issue 响应速度需要再确认 — 从 17.6k Star 和文档状态看,项目可能进入了维护期而非高速迭代期。如果你要在生产用,建议先跑一遍当前的 examples,看 API 是否有破坏性变更。

参考:

来源: https://github.com/camel-ai/camel