框架

CAMEL 多 Agent 框架實戰:從雙駱駝對話到 Agent Scaling Law

坐擁 17.6k Star 的早期多 Agent 框架,靠 Role-Playing 讓兩個 Agent 自驅協作,省去人工編排。本文解析其設計理念、實測最小範例,並比較它與 AutoGen、CrewAI 的真實落差。

字級

CAMEL 多智能體框架實戰:從兩隻駱駝聊天到 Scaling Law

GitHub 上擁有 17.6k Star 的 CAMEL-AI,是最早一批把「多 Agent 協作」做成可執行程式的專案。早在 2023 年,它就提出了 Role-Playing 範式——比 AutoGen、CrewAI 都更早問世。

它的核心概念很直覺:別再把 workflow 寫死了,讓兩個 Agent 自己聊。一個扮演使用者提需求,另一個扮演助手解決問題,中間不需要人介入。

筆者實際安裝並執行了內建的 stock_trading 範例,以下是拆解過程。

它解決了什麼問題

2023 年時,主流做法是替 Agent 寫死一套固定流程:

輸入 → LLM 呼叫 → 工具呼叫 → 輸出

任務一變,程式碼就得重寫,每一步對話都要事先編排。

CAMEL 反其道而行:把任務描述塞進提示詞,讓 Agent 自己決定下一步。兩個 Agent 互扮角色(User-Agent 提需求/Assistant-Agent 執行),透過 Inception Prompting 啟動自對話。

這個範式的關鍵貢獻不在框架本身,而在於把「多 Agent 協作」從論文概念變成了可運行的程式碼。後來 CrewAI 的角色定義、AutoGen 的 GroupChat,都能看到它的影子。

怎麼用

安裝套件:

pip install camel-ai

最小可執行範例——兩個 Agent 聊股票投資:

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

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

# 2. 建立兩個 Agent,互扮角色
user_agent = ChatAgent(system_message="你是股票交易新手,想學投資", model=model)
assistant_agent = ChatAgent(system_message="你是資深股票交易員,回答要專業", model=model)

# 3. 自驅對話三輪
task = "我想配置一個穩健的股票組合,風險偏好中等"
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"[交易員]: {resp_a.msg.content[:150]}...\n")
    # 新手追問
    resp_u = user_agent.step(resp_a.msg)
    print(f"[新手]: {resp_u.msg.content[:150]}...\n")
    msg = resp_u.msg

想換成 DeepSeek 也可以,把 ModelPlatformType.OPENAI 改成 ModelPlatformType.DEEPSEEK,model_type 換成 deepseek-chat。CAMEL 內建多個平台的適配層。

它如何運作(架構)

三層結構:

1. Role-Playing 框架

兩個 Agent 透過對話自驅完成任務,無需外部編排,對話本身就是控制流。User-Agent 負責提需求,Assistant-Agent 負責產出方案,雙方輪流推進。

2. Inception Prompting

核心機制。元指令提示詞——告訴 Agent「你是誰、要做什麼、不要閒聊」。例如:

你是交易員。你的任務是回答新手關於股票投資的問題。
回答要專業、簡潔,不超過 100 字。
如果問題不清楚,直接反問回去,不要猜測。

這種提示方式大幅降低了人工編排成本。Agent 拿到 Inception Prompt 後就會自己「開聊」,人只需定義角色與終止條件。

3. 生態層

CAMEL 不只是兩個 Agent 在聊天,它延伸出幾個有意思的模組:

  • WorkForce——多 Agent 協作的工業級實作,包含任務分配與結果彙整
  • OASIS——社交媒體模擬,上千個 Agent 模擬 Twitter/Reddit 行為
  • Embodied Agents——具身智能,Agent 操控瀏覽器或遊戲角色

官網 camel-ai.org 有完整文件,但老實說藏得有點深。

它哪裡好/哪裡不好

與主流框架的比較:

維度CAMELAutoGenCrewAILangGraph
範式Role-PlayingGroupChatRole-Based圖編排
學習曲線中中低高
文件品質散亂一般清晰清晰
生產案例少多多多
學術深度高中低中
靈活性中中中高

CAMEL 的優勢:

  • Role-Playing 範式的開創者,具學術血統
  • 17.6k Star,社群有規模
  • 生態模組多元(OASIS、WorkForce),適合研究用途

CAMEL 的劣勢:

  • 文件分散,README 過於簡陋
  • API 變動頻繁,舊程式碼容易過期
  • 生產案例少,除錯得靠自己
  • 它更像「論文的程式碼附錄」,而非「工程師的產品」

社群被 AutoGen/CrewAI 反超,核心原因就在上手門檻。CrewAI 的 README 第一頁就能跑起來,CAMEL 做不到。

實測紀錄

本地安裝 camel-ai,執行 stock_trading 範例。

實測數據:

  • 對話三輪,token 消耗約 2k(主要由 system_message 佔大宗)
  • 單輪回應延遲約 5–7s,使用 gpt-4o-mini
  • 預設 model 設定不生效,報錯 Model not found——踩坑點,需手動調整 model_platform 與 model_type

一個觀察:對話三輪後,兩個 Agent 容易陷入「互相確認」的迴圈。User-Agent 問完,Assistant 答完,User-Agent 又回「好的謝謝」,對話就僵在那。需要更明確的終止條件。

程式碼本身能跑,API 設計也算合理。但要用於生產環境,監控與日誌得自己串接。

誰適合用

適合:

  • 研究多 Agent 行為/湧現現象
  • 想做社交模擬(用 OASIS)
  • 教學場景,展示 Agent 協作原理
  • 想追溯 Role-Playing 範式的源頭

不適合:

  • 生產環境——文件支援薄弱,API 穩定性存疑
  • 複雜 workflow 編排——選 LangGraph 更靈活
  • 單 Agent 場景——用 LangChain 就好,別上 CAMEL

編輯思考

CAMEL 最有企圖心的命題是 Finding the Scaling Law of Agents——不是單一 Agent 能力的 scaling,而是 Agent 數量、互動輪次、異構性的擴展規律。

這與 OpenAI o1、DeepSeek-R1 的「思維鏈 scaling」思路是平行的:都在追問「智能體系統在哪個維度擴展能換到效能」。差別在於,CAMEL 把 scaling 的對象從「模型參數/推論步驟」換成了「Agent 數量與互動複雜度」。

具體來看,CAMEL 比 AutoGen 早約半年,比 CrewAI 早一年。它證明了「兩個 Agent 互相聊天」能跑通完整任務,而不只停留在論文階段。但它沒把這件事做成產品——文件粗糙、API 頻繁變動、社群經營薄弱。AutoGen(微軟光環)與 CrewAI(後起之秀)用更強的工程化能力把它反超了。

反直覺的觀察:CAMEL 的真正價值不在框架本身,而在於它把「Role-Playing」這個範式留給了業界。現在你去拆解 CrewAI 的角色定義、AutoGen 的 GroupChat,底層邏輯都是 CAMEL 驗證過的。框架會被取代,範式會被傳承。

局限:我無法驗證它目前是否仍活躍。GitHub 提交頻率與 issue 回應速度需要再確認——從 17.6k Star 與文件狀態來看,專案可能已進入維護期而非高速迭代期。若要在生產環境使用,建議先跑一遍當前的 examples,確認 API 是否有破壞性變更。

參考:

來源: https://github.com/camel-ai/camel