3.1CAMEL框架简介

3.1 CAMEL框架简介

3.1.1 Multiple Agent基本概念

• 定义：多智能体（Multiple Agent）由多个相互作用的智能体组成，每个智能体都有自己的目标和策略。这些智能体可以相互通信、协作或竞争，以实现更复杂的行为和决策。

• 应用：多智能体系统广泛应用于复杂的任务中，如交通管理、分布式机器人系统、经济市场模拟、多玩家游戏等。

• 特点：

  • 协作：智能体之间可以协作，共同解决问题。

  • 竞争：智能体之间也可以存在竞争关系，如在拍卖或游戏场景中。

  • 自主性：每个智能体都有自己的决策过程，保持一定程度的自主性。

  • 复杂性：多智能体系统的设计与分析比单一智能体系统更复杂，因为需要考虑智能体之间的交互和协调。

  • 鲁棒性：多智能体系统通常具有更好的鲁棒性，因为系统的稳定性和效能不完全依赖于单一决策者。

3.1.2 什么是CAMEL?

CAMEL (Communicative Agents for "Mind" Exploration of Large Language Models) 是一个开源的多智能体框架，专注于构建基于大语言模型的智能体交互系统。该框架通过角色扮演和结构化对话机制，实现智能体之间的有效协作。

在CAMEL框架中，ChatAgent 是最基础的智能体单元，负责处理对话逻辑和任务执行。而RolePlaying 和Workforce 则是多智能体系统，用于协调多个智能体的协作。

详见我们的开源仓库和项目主页

• 论文：https://ghli.org/camel.pdf

• 项目主页：https://www.camel-ai.org/

3.1.3 ChatAgent 简介

ChatAgent 是 CAMEL 框架的基础构建块，其设计目标是回答以下问题：“如何设计一个自主的交互式智能体，使其能够在最少人工监督的情况下，引导对话完成任务？”

在当前实现中，我们的智能体具备以下关键特性：

• 角色 (Role)：结合目标和内容规范，设定智能体的初始状态，引导智能体在连续交互过程中采取行动。

• 大语言模型 (LLMs)：每个智能体都使用大语言模型来增强认知能力。大语言模型使智能体能够理解和生成自然语言，从而解释指令、生成响应并参与复杂对话。

• 记忆 (Memory)：包括上下文记忆和外部记忆，使智能体能够以更扎实的方式进行推理和学习。

• 工具 (Tools)：智能体可以使用的一组功能，用于与外部世界交互，本质上是为智能体提供具身化能力。

• 通信 (Communication)：我们的框架允许智能体之间进行灵活且可扩展的通信，这是解决关键研究问题的基础。

• 推理 (Reasoning)：我们为智能体配备了不同的规划和奖励（评论员）学习能力，使其能够以更有指导性的方式优化任务完成。

3.1.4 Role Playing机制

RolePlaying是CAMEL框架的独特合作式智能体框架。该框架通过预定义的提示词为不同的智能体创建唯一的初始设置，帮助智能体克服诸如角色翻转、助手重复指令、模糊回复、消息无限循环以及对话终止条件等多个挑战。

3.1.4.1 基本概念

1.1 角色定义

• Assistant角色: 负责执行具体任务并提供解决方案的智能体

• User角色: 负责提供指令和任务需求的智能体

• 特定领域角色: 如程序员、交易员等专业角色

1.2 交互规则

# 初始prompt示例参考
system_message = """
===== RULES OF ASSISTANT =====
1. Never forget you are a {ASSISTANT_ROLE} and I am a {USER_ROLE}
2. Never flip roles! Never instruct me!
3. You must decline my instruction honestly if you cannot perform it
4. Always start with: Solution: <YOUR_SOLUTION>
5. Always end with: Next request.
"""
​

1.3 关键机制

• 角色固定: 防止角色翻转，维持对话的稳定性

• 格式规范: 要求回复具有固定的开始和结束格式

• 任务分解: 自动将复杂任务分解为可执行的子任务

• 循环对话: 通过轮流发言推进任务进展

2.工作流程

2.1 初始化阶段

• 设定角色身份

• 加载系统提示词

• 明确任务目标

2.2 执行阶段

• User提供具体指令

• Assistant执行并给出解决方案

• 循环往复直至完成任务bi

3.1.4.2 经典案例: 股票交易机器人详解

以下是一个对于Role-Playing的经典应用， 股票交易实例。在本案例中，我们通过角色扮演的方式来构建一个交易机器人。初始阶段，人类用户提出一个概念性任务，由一个专用Agent精确化为详细的任务描述。参与完成任务的有两个agent：一个扮演股票交易员，另一个扮演Python程序员。

工作流程：

from colorama import Fore

from camel.societies import RolePlaying
from camel.utils import print_text_animated

def main(model=YOUR_MODEL, chat_turn_limit=50) -> None:
    task_prompt = "Develop a trading bot for the stock market"
    role_play_session = RolePlaying(
        assistant_role_name="Python Programmer",
        assistant_agent_kwargs=dict(model=model),
        user_role_name="Stock Trader",
        user_agent_kwargs=dict(model=model),
        task_prompt=task_prompt,
        with_task_specify=True,
        task_specify_agent_kwargs=dict(model=model),
    )
​

以上代码中，task_prompt 是用户输入的任务提示词，即“Develop a trading bot for the stock market”。创建 role_play_session 时，将 task_prompt 传递给了 RolePlaying。RolePlaying的作用是根据任务提示词，将任务分解为具体的任务小点，并与相应的AI角色进行交互。

具体来说，在这个例子中，助手角色是“Python Programmer”，用户角色是“Stock Trader”。通过这种方式，框架中的Agent可以将用户输入的较为抽象的任务转化为具体的任务小点，以便更好地进行交互和实现具体的功能。

这种设计可以帮助Agent更有针对性地理解任务，并根据具体的任务小点进行回答和执行操作。通过角色扮演会话，即使用户不懂技术，也能实现复杂的想法。Agent们们会通过对话和合作来帮助用户将想法转化为现实。这种方法不仅使得技术实现变得更加容易，也为人工智能的应用开辟了新的可能性，让创造变得更加简单和有趣。


RolePlaying工作流程图

角色设定：

• Python程序员(Assistant)：负责实现交易逻辑和代码

• 股票交易员(User)：提供交易策略和业务需求

任务具体化

任务具体化Agent将初步想法转换成详细任务描述：“开发一个基于机器学习的股票交易机器人，能够自动分析市场趋势、执行买卖操作，并实时调整策略以优化投资组合。”

具体过程

• 步骤1: 任务提出

人类用户提出希望开发一个交易机器人。

• 步骤2: 定义AI角色

设定合适的AI角色（股票交易员和Python程序员）来实现用户的想法。

• 步骤3: 任务具像化

任务具体化Agent为AI角色提供明确的任务描述，以便更好地理解和执行。比如：将“开发一个用于股票市场的交易机器人。”进一步具像为：“开发一个基于机器学习的股票交易机器人，能够自动分析市场趋势、执行买卖操作，并实时调整策略以优化投资组合。”

• 步骤4: 任务拆分

总体任务会由AI用户（股票交易员）来进一步拆分为各个子任务，确保AI助手（Python程序员）能够理解并执行子任务。例如：

• 步骤5: 对话和合作

程序员AI和交易员AI开始对话和合作：

• 步骤6: 完成任务

通过这种对话和合作的方式，两个AI角色能够一步步地共同完成任务，最终创建出一个用于股票市场的交易机器人。

示例视频(model使用qwen2.5:7b)：

3.1.5 Workforce 简介

Workforce是CAMEL框架中的一个多智能体协同工作系统。它以一种简洁的方式让多个智能体协作完成任务，类似于一个高效的团队合作系统。

更详细的使用信息，请参考我们的对应内容

架构设计

Workforce采用层级架构设计。一个workforce可以包含多个工作节点(worker nodes)，每个工作节点可以包含一个或多个智能体作为工作者。工作节点由workforce内部的协调智能体(coordinator agent)管理，协调智能体根据工作节点的描述及其工具集来分配任务。

除了协调智能体外，workforce内部还有一个任务规划智能体(task planner agent)。任务规划智能体负责任务的分解和组合，使workforce能够逐步解决任务。

通信机制

Workforce内部的通信基于任务通道(task channel)。Workforce初始化时会创建一个所有节点共享的通道。任务会被发布到这个通道中，每个工作节点会监听通道，接受分配给它的任务并解决。

当任务完成后，工作节点会将结果发布回通道，结果会作为其他任务的"依赖项"保留在通道中，供所有工作节点共享。

通过这种机制，workforce能够以协作和高效的方式解决任务。

故障处理

Workforce具有故障处理机制。当任务失败时，协调智能体会采取行动修复。这些行动可以是：

• 将任务分解为更小的任务并重新分配

• 创建一个能够完成该任务的新工作者

目前，协调智能体根据任务被分解的次数来做决策：

• 如果任务已经被分解超过特定次数，协调智能体会创建新的工作者

• 如果没有超过，协调智能体会采取任务分解的行动

有些任务可能智能体根本无法解决。为了防止workforce陷入无限的智能体创建循环，如果一个任务失败次数超过特定次数（默认为3次），workforce将会停止。

Workforce 实例讲解

这一部分将通过以下多智能体工作流（multi agent workforce）展示如何利用多个智能体（agents）和角色分工完成复杂任务


总体概述

该系统由多个智能体（agents）组成，每个智能体在一个组织结构中扮演特定角色，协同完成复杂任务。流程图展示了如何通过以下智能体协作完成一个请求（如“创建一个产品的登录页面”）：

• Root Node (Manager)：作为系统的管理者，负责接收任务并协调任务的分解和分配。

• Coordinator Agent (协调智能体) 和 Task Manager Agent (任务管理智能体)：管理任务分解、依赖关系、分发任务，以及监控任务完成情况。

• Leaf Nodes (Workers)：执行任务的实际智能体，分别承担不同的角色（如“内容撰写者”和“代码撰写者”）。

流程讲解

(a) 用户需求的接收

用户发出任务请求（例如“创建一个登录页面”，图中 1）。

Coordinator Agent 接收需求，作为入口点。

(b) 任务分解与定义

Coordinator Agent 通过任务分解策略，将请求拆分为多个子任务（如任务 A.1 和 A.2），并定义：

1. 每个任务的描述。
2. 任务的发送者和接收者。
3. 任务之间的依赖关系。

这些任务被送到 Task Manager Agent 进行分发（图中 2 和 3）。

(c) 任务的分配

Task Manager Agent 将任务分发到 Channel（图中 4），这是一个任务管理中枢。

任务按角色需求分配到 Leaf Nodes (Workers)，包括：

1. 任务 A.1：分配给 Content Writer（内容撰写者）。
2. 任务 A.2：分配给 Code Writer（代码撰写者）。

(d) Leaf Nodes 执行任务

内容撰写者 (Content Writer)：

1. 接收到任务 A.1（“撰写页面文本内容”）并执行（图中 5 和 6）。

2. 输出结果通过通道返回（图中 9 和 10）。

代码撰写者 (Code Writer)：

1. 等待任务 A.1 的完成，因为任务 A.2 依赖 A.1 的输出。

2. 接收到任务 A.1 的结果后，开始执行任务 A.2（“撰写 HTML 代码”，图中 14 和 16）。

3. 任务完成后将结果返回（图中 15 和 17）。

(e) 结果整合与返回

Coordinator Agent 汇总所有任务结果（如 A.1 和 A.2 的结果）。

将完整的任务结果返回给用户（图中 18）。

多智能体工作流系统特性

任务分解：将复杂任务分解为简单子任务。

角色分工：根据任务类型分配给不同智能体。

依赖管理：智能管理任务之间的依赖关系。

高效协作：智能体协同工作，快速完成目标

由于多智能体工作流的系统特性，该流程可适用于多个角色分工协作饿的场景，如软件开发、内容生产和项目管理等。