프레임워크

CAMEL 멀티 에이전트 프레임워크 실전 분석: 두 캐멀의 대화에서 에이전트 스케일링 법칙까지

GitHub Star 17.6k를 보유한 초기 멀티 Agent 프레임워크 CAMEL-AI. Role-Playing 방식으로 두 Agent가 스스로 협업하는 구조를 살펴보고, AutoGen·CrewAI와의 실질적 차이점과 최소 실행 예제를 함께 정리한다.

글자 크기

GitHub에서 Star 17.6k를 기록한 CAMEL-AI는 "멀티 Agent 협업"을 실제로 돌아가는 코드로 만든 초기 프로젝트다. 2023년에 Role-Playing 패러다임을 제시했는데, AutoGen, CrewAI보다 시기적으로 앞선 시도다.

핵심 아이디어는 단순하다. 고정된 workflow를 더 이상 하드코딩하지 말고, 두 Agent가 직접 대화하게 두는 것. 하나는 사용자가 되어需求를 제시하고, 다른 하나는 조수가 되어 문제를 해결한다. 중간에 사람이 개입할 필요가 없다.

설치해보고 기본 제공되는 stock_trading 예제를 돌려봤다. 아래는 그 과정의 정리다.

어떤 문제를 해결하는가

2023년 당시的主流 방식은 Agent에 고정된流程를 작성하는 것이었다:

입력 → LLM 호출 → 도구 호출 → 출력

과업이 바뀌면 코드를 다시 써야 했고, 대화의 모든 단계를 미리 오케스트레이션해야 했다.

CAMEL의 반대 방향 접근: 과업 설명을 프롬프트에 넣고, Agent가 다음 단계를 스스로 결정하게 한다. 두 Agent가 역할을 나눠 맡고(User-Agent가 需求 제시 / Assistant-Agent가 작업 수행), Inception Prompting으로自驅 대화를 시작한다.

이 패러다임의 핵심 공헌은 프레임워크 자체가 아니라, "멀티 Agent 협업"을 논문 개념에서 실제로 구동 가능한 코드로 전환했다는 점이다. 이후 CrewAI의 역할 정의, AutoGen의 GroupChat에서 모두 그 흔적을 확인할 수 있다.

사용 방법

설치:

pip install camel-ai

최소 실행 예제 — 두 Agent가 주식 투자에 대해 대화하는 구조다:

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

# 1. 모델 설정 (본인 API key로 교체)
model = ModelFactory.create(
    model_platform=ModelPlatformType.OPENAI,
    model_type="gpt-4o-mini",
    api_key="YOUR_KEY",
)

# 2. 두 Agent 생성, 역할 부여
user_agent = ChatAgent(system_message="당신은 주식 거래 초심자이며, 투자를 배우고 싶다", model=model)
assistant_agent = ChatAgent(system_message="당신은 베테랑 주식 트레이더이며, 답변은 전문적이어야 한다", model=model)

# 3. 자가 구동 대화 3라운드
task = "위험 선호도가 중간인 안정적인 주식 포트폴리오를 구성하고 싶다"
print(f"Task: {task}\n")

msg = BaseMessage.make_user_message(role_name="초심자", content=task)
for i in range(3):
    # Assistant 응답
    resp_a = assistant_agent.step(msg)
    print(f"[트레이더]: {resp_a.msg.content[:150]}...\n")
    # 초심자 추가 질문
    resp_u = user_agent.step(resp_a.msg)
    print(f"[초심자]: {resp_u.msg.content[:150]}...\n")
    msg = resp_u.msg

DeepSeek로 교체도 가능하다. ModelPlatformType.OPENAI를 ModelPlatformType.DEEPSEEK로 바꾸고, model_type을 deepseek-chat으로 변경하면 된다. CAMEL은 여러 플랫폼 어댑터를 내장하고 있다.

동작 방식 (아키텍처)

3계층 구조다:

1. Role-Playing 프레임워크

두 Agent가 대화를 통해 과업을 자가 구동으로 완수한다. 외부 오케스트레이션이 필요 없고, 대화 자체가 제어 흐름이다. User-Agent가 需求를 제시하고, Assistant-Agent가 해법을 출력하며, 양측이 교대로 진행한다.

2. Inception Prompting

핵심 메커니즘이다. 메타 지시 프롬프트 — Agent에게 "너는 누구이고, 무엇을 해야 하며, 쓸데없는 대화는 하지 마라"를 알려준다. 예시는 다음과 같다:

당신은 트레이더다. 당신의 과업은 주식 투자 관련 초심자 질문에 답하는 것이다.
답변은 전문적이고 간결해야 하며, 100자를 넘기지 않는다.
질문이 불명확하면 추측하지 말고 직접 되물어라.

이런 방식의 프롬프팅이 수작업 오케스트레이션 비용을 크게 낮춘다. Agent가 Inception Prompt를 받으면 스스로 "대화를 시작"하며, 사람은 역할 정의와 종료 조건만 설정하면 된다.

3. 생태계 계층

CAMEL은 단순히 두 Agent의 대화에 그치지 않는다. 몇 가지 흥미로운 모듈을 확장했다:

  • WorkForce — 멀티 Agent 협업의 산업적 구현, 과업分配 + 결과 집계
  • OASIS — 소셜 미디어 시뮬레이션, 수천 개 Agent가 Twitter / Reddit 행동을 모방
  • Embodied Agents — 구체화된 지능, Agent가 브라우저나 게임 캐릭터를 조작

공식 사이트 camel-ai.org에 전체 문서가 있지만, 솔직히 깊이 묻혀 있다.

강점 / 약점

주요 프레임워크와의 비교:

차원 CAMEL AutoGen CrewAI LangGraph
패러다임 Role-Playing GroupChat Role-Based 그래프 오케스트레이션
학습 곡선 중간 중간 낮음 높음
문서 품질 산만함 보통 명확 명확
프로덕션 사례 적음 많음 많음 많음
학술 깊이 높음 중간 낮음 중간
유연성 중간 중간 중간 높음

CAMEL의 강점:

  • Role-Playing 패러다임의开创者, 학술적 계보 보유
  • 17.6k Star 규모, 일정 수준 이상의 커뮤니티
  • 생태계 모듈 다양(OASIS, WorkForce), 연구에 적합

CAMEL의 약점:

  • 문서가 분산되어 있고 README는 빈약함
  • API 변경 빈도가 높아 기존 코드가 빨리过时됨
  • 프로덕션 사례가 적어 자체 트러블슈팅 필요
  • "논문의 코드 부록"에 가까우며 "엔지니어용 제품"과는 거리가 있다

AutoGen / CrewAI에 커뮤니티가 역전당한 핵심 원인은 진입장벽이다. CrewAI는 README 첫 페이지에서 바로 실행되지만, CAMEL은 그렇지 못하다.

직접 돌려본 결과

로컬에 camel-ai 설치 후 stock_trading 예제를 실행했다.

실측 데이터:

  • 대화 3라운드, 토큰 소비 약 2k(system_message가 대부분 차지)
  • 단일 라운드 응답 지연 약 5–7초 (gpt-4o-mini 기준)
  • 기본 model 설정이 적용되지 않아 Model not found 오류 출력 — model_platform과 model_type을 수동으로 수정해야 했음

한 가지 관찰: 대화 3라운드 이후 두 Agent가 "서로 확인하는" 루프에 빠지기 쉽다. User-Agent가 질문하고, Assistant가 답하고, User-Agent가 "알겠습니다 감사합니다"라고 하면 대화가 경직된다. 더 명확한 종료 조건이 필요하다.

코드 자체는 동작하고 API 설계도 합리적이다. 다만 프로덕션 용도로 쓰려면 모니터링과 로깅을 직접 붙여야 한다.

대상 사용자

적합:

  • 멀티 Agent 행동 / 창발 현상 연구
  • 소셜 시뮬레이션(OASIS 활용)
  • Agent 협업 원리를 다루는 교육용 시나리오
  • Role-Playing 패러다임의 기원을追溯したい 경우

부적합:

  • 프로덕션 환경 — 문서 지원이 약하고 API 안정성에 의문
  • 복잡한 workflow 오케스트레이션 — LangGraph가 더 유연
  • 단일 Agent 시나리오 — LangChain으로 충분하며 CAMEL까지 갈 필요 없음

편집자 시선

CAMEL이 제시한 가장 야심 찬 명제는 Finding the Scaling Law of Agents다. 단일 Agent 능력의 scaling이 아니라, Agent 수 / 상호작용 라운드 / 이질성의 확장 법칙을 다루는 문제다.

이는 OpenAI o1, DeepSeek-R1의 "사고의 사슬 scaling" 사고방식과 평행선을 그린다. 모두 "지능체 시스템이 어떤 차원에서 확장될 때 성능 향상을 얻는가"를 묻는다. 차이는 CAMEL이 scaling의 대상을 "모델 파라미터 / 추론 단계"에서 "Agent 수와 상호작용 복잡도"로 옮겨놓은 점이다.

과거의 어떤 흐름과 다른 점: CAMEL은 AutoGen보다 약 6개월, CrewAI보다 약 1년 빠르다. "두 Agent가 서로 대화하는 것"으로 완전한 과업을 완수할 수 있음을 증명했고, 논문 단계에 머물지 않았다. 그러나 그것을 제품으로 만들지는 못했다 — 문서가 거칠고 API가 빈번하게 바뀌며 커뮤니티 운영이 약했다. AutoGen(마이크로소프트 배경)과 CrewAI(후발주자)가 더 나은 엔지니어링으로 그 자리를奪った.

반(反)합의적 관찰: CAMEL의 진짜 가치는 프레임워크 자체가 아니라, "Role-Playing"이라는 패러다임을 업계에 남긴 데 있다. 지금 CrewAI의 역할 정의, AutoGen의 GroupChat을 분해해보면 그底层 로직은 CAMEL이 이미 검증한 것이다. 프레임워크는 대체될 수 있지만, 패러다임은継承된다.

한계: 프로젝트가 아직 활발한지는 확인하지 못했다. GitHub 커밋 빈도와 이슈 응답 속도는 추가 조사가 필요하다 — 17.6k Star와 문서 상태를 보면 프로젝트가 고속迭代期가 아니라 유지보수기에 접어들었을 가능성이 있다. 프로덕션에서 쓰려면 먼저 현재 examples를 한 번 돌려보고 API에破壊的 변경이 없는지 확인할 것을 권한다.

참고:

출처: https://github.com/camel-ai/camel