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 | CAMEL | AutoGen | CrewAI | LangGraph |
|---|---|---|---|---|
| 範式 | Role-Playing | GroupChat | Role-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:
- GitHub:https://github.com/camel-ai/camel
- 官網:https://www.camel-ai.org/
- 安裝:
pip install camel-ai