フレームワーク

CAMEL マルチエージェントフレームワークを解剖する:ラクダ2頭の会話からスケーリング則まで

17.6k Starを集める初期のマルチエージェントフレームワーク。Role-Playingによって2体のエージェントが自走的に協調し、人の逐次設計なしに動く。その設計思想と最小実装、AutoGenやCrewAIとの実力を比較する。

文字サイズ

GitHubで17.6k Starを集めるCAMEL-AIは、「マルチエージェント協調」を動くコードとして実装した最初期プロジェクトのひとつだ。2023年にRole-Playingパラダイムを提唱しており、AutoGenやCrewAIより早い。

その核となる考え方は単純で、workflowをハードコードするのをやめて、2体のエージェントに会話をさせるというものだ。片方がユーザー役で要望を出し、もう片方がアシスタント役で解決にあたる。人間が逐一介入する必要はない。

実際にインストールして、付属のstock_tradingサンプルを走らせてみた。以下、分解していく。

何の課題を解決するのか

2023年当時の主流は、Agentに対して固定的なフローを書き下すことだった。

入力 → LLM呼び出し → ツール呼び出し → 出力

タスクが変わればコードの書き直し。すべての対話ステップを事前に設計する必要がある。

CAMELは逆方向から攻める。タスク記述をプロンプトに詰め込み、次のアクションはエージェント自身に決めさせる。2体のエージェントが互いを演じ(User-Agentが要望側、Assistant-Agentが実行側)、Inception Promptingで自走的な対話を起動する。

このパラダイムの主要な貢献はフレームワーク自体ではなく、「マルチエージェント協調」を論文の概念から実行可能なコードに翻訳したことにある。後発のCrewAIのロール定義やAutoGenのGroupChatにも、その影響が引き継がれている。

使い方

インストール:

pip install camel-ai

最小構成のサンプルコード。2体のエージェントが株式投資について対話する。

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

# 1. モデルの設定(APIキーは自分のものに置き換える)
model = ModelFactory.create(
    model_platform=ModelPlatformType.OPENAI,
    model_type="gpt-4o-mini",
    api_key="YOUR_KEY",
)

# 2. 2体のエージェントを相互のロールで起動
user_agent = ChatAgent(system_message="あなたは株取引の初心者で、投資を学びたい", model=model)
assistant_agent = ChatAgent(system_message="あなたはベテランの株式トレーダー、回答はプロフェッショナルに", model=model)

# 3. 自走対話を3ラウンド
task = "リスク許容度が中程度の堅実な株式ポートフォリオを組みたい"
print(f"Task: {task}\n")

msg = BaseMessage.make_user_message(role_name="初心者", content=task)
for i in range(3):
    # Assistantの応答
    resp_a = assistant_agent.step(msg)
    print(f"[トレーダー]: {resp_a.msg.content[:150]}...\n")
    # 初心者の追问
    resp_u = user_agent.step(resp_a.msg)
    print(f"[初心者]: {resp_u.msg.content[:150]}...\n")
    msg = resp_u.msg

DeepSeekに切り替える場合は、ModelPlatformType.OPENAIをModelPlatformType.DEEPSEEKに、model_typeをdeepseek-chatに書き換えるだけだ。CAMELには複数プラットフォーム向けのadapterが組み込まれている。

アーキテクチャの内部

3層構造になっている。

1. Role-Playingフレームワーク

2体のエージェントが対話を通じて自走的にタスクをこなす。外部からの制御フローは不要で、対話そのものが制御流になる。User-Agentが要望側、Assistant-Agentが解を出す側で、ターンを交代しながら進む。

2. Inception Prompting

中核となる機構。エージェントに対し、「お前は誰で、何をすべきで、雑談はするな」と伝えるメタ指示プロンプトだ。例:

あなたはトレーダー。あなたの任务是初心者の株式投資に関する質問に答えることだ。
回答はプロフェッショナルかつ簡潔に、100文字以内。
質問が不明確なら推測せず聞き返せ。

この方式により、人の手によるオーケストレーションコストが大きく下がる。Inception Promptを受け取ったエージェントが勝手に「話し始める」ため、人間はロールと終了条件だけ定義すればいい。

3. エコシステム層

CAMELは「2体のエージェントが対話する」以上のものを提供している。興味深いモジュールがいくつか派生している。

  • WorkForce — マルチエージェント協調の工業実装。タスク分配と結果集約を担当
  • OASIS — ソーシャルメディアのシミュレーション。数千のAgentがTwitter/Redditの挙動を模擬
  • Embodied Agents — 身体性を伴う知能。ブラウザやゲームのキャラクターをAgentが操作

公式サイトのcamel-ai.orgに全ドキュメントがあるが、正直なところ発見しづらい構成になっている。

強みと弱み

主要フレームワークとの比較:

観点CAMELAutoGenCrewAILangGraph
パラダイムRole-PlayingGroupChatRole-Basedグラフオーケストレーション
学習コスト中中低高
ドキュメント品質散在並明快明快
本番事例少多多多
学術的な厚み高中低中
柔軟性中中中高

CAMELの強み:

  • Role-Playingパラダイムの提唱者であり学術的系譜がある
  • 17.6k Starのコミュニティ規模
  • OASISやWorkForceなど研究向きのモジュール群

CAMELの弱み:

  • ドキュメントが分散し、READMEも簡素
  • APIの変動が激しく、旧コードがすぐ陳腐化する
  • 本番事例が少なく、踏み抜くのは自力頼み
  • 「論文の付録コード」に近く、「エンジニア向け製品」とは言い難い

AutoGen/CrewAIにコミュニティで逆転されたのは、導入ハードルの差が大きい。CrewAIはREADMEの1ページ目で動くが、CAMELはそうはいかない。

実際に動かしてみた

ローカルでcamel-aiをインストールし、stock_tradingサンプルを実行した。

実測値:

  • 対話3ラウンド、token消費は約2k(大半はsystem_message)
  • 1ラウンドあたりの応答遅延は5〜7秒程度(gpt-4o-mini)
  • デフォルトのmodel設定が効かず、Model not foundエラーが出た。model_platformとmodel_typeを手動で書き換える必要があり、ここが落とし穴

ひとつ気づいた点として、3ラウンドも進めると2体のエージェントが「相互確認」のループに陥りやすい。User-Agentが質問し、Assistantが答え、User-Agentが「ありがとう」と言うだけで、会話がそのまま固まる。終了条件をより明示的に定義する必要がある。

コード自体は動くし、API設計も合理的だ。ただし本番運用するなら、監視とロギングは自前でつなぐ必要がある。

どんな人に向いているか

向いているケース:

  • マルチエージェントの挙動や創発現象を研究したい
  • ソーシャルシミュレーションを構築したい(OASISの活用)
  • 教育用途でエージェント協調の原理を示したい
  • Role-Playingパラダイムの起源を辿りたい

向いていないケース:

  • 本番環境 — ドキュメントサポートが弱く、APIの安定性に不安が残る
  • 複雑なworkflowのオーケストレーション — LangGraphの方が柔軟
  • 単一Agentのシナリオ — LangChainで十分、CAMELを使う意味はない

編集後記的な考察

CAMELが最も野心的な問いとして掲げているのが、Finding the Scaling Law of Agentsだ。単一Agentの能力のスケーリングではなく、Agent数・対話ラウンド・異種性の拡張法則を探る研究を指している。

これはOpenAI o1やDeepSeek-R1の「思考連鎖のスケーリング」と並行する発想だ。「エージェントシステムはいかなる次元で拡張すれば性能が得られるか」という問いを共有している。違いは、CAMELが拡張の対象を「モデルパラメータ/推論ステップ」から「Agent数と対話の複雑性」に置き換えている点にある。

歴史的に他プロジェクトとの位置関係を整理すると、CAMELはAutoGenより約半年、CrewAIより約1年早い。「2体のエージェントが対話する」だけでタスクが完走できることを、論文の域を超えて実証した。ただし、その成果を製品化するところまでは行き着かなかった。ドキュメントは粗く、APIは頻繁に揺れ、社区運営も弱い。AutoGen(Microsoft系譜)とCrewAI(後発)は、より良いエンジニアリングでこの差を逆転した。

逆張りの観点で見ると、CAMELの本当の価値はフレームワーク自体ではなく、「Role-Playing」というパラダイムを業界に残したことにある。今CrewAIのロール定義やAutoGenのGroupChatを分解すると、その根底にはCAMELが実証したロジックが流れている。フレームワークは代替されるが、パラダイムは受け継がれる。

限界点として、現時点でプロジェクトが活発かどうかは十分に検証できていない。GitHubのコミット頻度やissueの応答速度は改めて確認が必要で、17.6k Starとドキュメントの状況から察するに、現在は高速な機能追加期というより保守フェーズに入っている可能性がある。本番採用を検討するなら、現時点のexamplesを一度ざっと走らせ、破壊的変更が含まれていないか確認することを勧める。

参考リンク:

出典: https://github.com/camel-ai/camel