CAMEL-AI — framework multi-Agent de juego de roles para investigación
CAMEL-AI fue pionero de los sistemas multi-Agent con juego de roles — dos Agents conversan bajo roles definidos (AI user vs. AI assistant) para completar tareas de forma cooperativa. Código de investigación abierto y abundantes ejemplos de sociedades de Agents.
Why camel-ai
El artículo de CAMEL-AI de 2023 introdujo el patrón multi-Agent de juego de roles que muchos frameworks posteriores adoptaron: dos LLMs, cada uno asignado a un rol — uno como «AI user» que da instrucciones, otro como «AI assistant» que ejecuta — conversan para completar una tarea sin humano en el loop. El patrón sacó a la luz tanto un comportamiento cooperativo impresionante como las dinámicas de alucinación que todo el campo ha intentado corregir desde entonces.
La librería ha evolucionado más allá del patrón original de 2 Agents. Ahora incluye sociedades de Agents (3 a 50+ Agents con distintas personas), módulos de memoria, integración de herramientas y experimentos con topologías de comunicación más diversas. CAMEL-AI se mantiene más cerca de la investigación que CrewAI/LangGraph — espera portados frecuentes paper-a-código y rotación ocasional de API.
Usa CAMEL-AI cuando quieras reproducir o extender investigación, ejecutar sociedades de Agents a escala o experimentar con dinámicas de roleplay. Para workflows de producción sencillos, frameworks más simples ganan en estabilidad y soporte comunitario.
Quick Start — Role-Playing Assistant + User
RolePlaying es la abstracción canónica de CAMEL-AI: un assistant agent, un user agent y opcionalmente un task-specify agent que refina el prompt de la tarea. step() avanza un round. Terminación por palabra clave («CAMEL_TASK_DONE») o tope de rounds. Para sociedades más grandes, usa el módulo Workforce.
# pip install camel-ai
from camel.agents import ChatAgent
from camel.configs import ChatGPTConfig
from camel.messages import BaseMessage
from camel.models import ModelFactory
from camel.societies import RolePlaying
from camel.types import ModelPlatformType, ModelType, TaskType
model = ModelFactory.create(
model_platform=ModelPlatformType.OPENAI,
model_type=ModelType.GPT_4O_MINI,
model_config_dict=ChatGPTConfig(temperature=0.2).as_dict(),
)
society = RolePlaying(
assistant_role_name="Python programmer",
user_role_name="Senior data scientist",
task_prompt="Write a script to fetch the weather for a city from a public API.",
with_task_specify=True,
assistant_agent_kwargs={"model": model},
user_agent_kwargs={"model": model},
task_specify_agent_kwargs={"model": model},
)
input_msg = society.init_chat()
for _ in range(6): # cap rounds
assistant_response, user_response = society.step(input_msg)
print(f"[assistant] {assistant_response.msg.content[:200]}")
print(f"[user] {user_response.msg.content[:200]}")
if "CAMEL_TASK_DONE" in user_response.msg.content:
break
input_msg = assistant_response.msgCaracterísticas clave
Patrón de juego de roles
La configuración original «AI user + AI assistant» con especificación de tarea, descripción de rol y palabra clave de terminación integrada. Sigue siendo el banco experimental más claro para estudiar el comportamiento cooperativo de LLMs.
Agent Workforce
Orquestación multi-Agent para equipos de Agents especialistas — cada uno con su propio rol, herramientas y memoria. Soporta coordinación jerárquica y enrutado de tareas.
Generación de datos
CAMEL-AI trae utilidades para generar datasets de instrucciones sintéticas mediante sesiones de roleplay — útil para fine-tunear modelos más pequeños en diálogos estilo Agent.
Amplio soporte de modelos
OpenAI, Anthropic, Google Gemini, Mistral, HuggingFace, Azure, Together, vLLM, Ollama. Cambia vía ModelFactory sin tocar el código del Agent.
Ecosistema de herramientas
Búsqueda, ejecución de código, Python REPL, herramientas OpenAPI, RAG, embedding y herramientas de file-system. Todas envolvibles en cualquier ChatAgent.
Desarrollo guiado por papers
Los nuevos módulos suelen implementar un patrón publicado específico (descomposición de tareas, simulación de sociedad, comunicación inter-Agent). Especialmente bueno si quieres funciones con linaje de investigación.
Comparación
| Origin | Primary Use | Research vs Production | Strengths | |
|---|---|---|---|---|
| camel-aiesta | 2023 research paper | Role-playing, agent societies | Research-leaning | Simulations, data generation |
| AutoGen | Microsoft Research | Conversation coordination | Both (v0.4 is production) | Coding, open-ended |
| MetaGPT | DeepWisdom | Software dev SOPs | Both | Code generation |
| CrewAI | CrewAI Inc | Role-based pipelines | Production-first | Fast ship |
Casos de uso
01. Investigación de sociedades de Agents
Estudiar cooperación, desacuerdo y normas emergentes en Agents LLM — CAMEL-AI tiene la colección de ejemplos más longeva del campo.
02. Datos de instrucción sintéticos
Generar datos de entrenamiento estilo tarea ejecutando miles de sesiones de roleplay, filtrar por calidad y usar para fine-tunear modelos más pequeños.
03. Reproducción de benchmarks de Agents
Reproducir o extender resultados de benchmarks de Agents — muchos papers traen implementaciones de referencia basadas en CAMEL-AI.
Precios y licencia
CAMEL-AI: open source Apache 2.0. Gratuito. Mantenido por una comunidad de investigación con contribuyentes principales en KAUST, UCL y varias universidades.
Coste de infra: APIs de LLMs que enchufes. Ejecutar una sociedad de Agents de 30 Agents durante 10 rounds puede acumular coste significativo — presupuesta antes del arranque y usa modelos baratos para la mayoría de los Agents.
Coste de generación de datos: si usas CAMEL-AI para generar datos de fine-tuning, espera $ por ejemplo con calidad clase gpt-4o. Modelos más pequeños producen datos más rápidos y baratos que suelen seguir siendo útiles para distilación.
Activos relacionados en TokRepo
CAMEL — Multi-Agent Framework at Scale
CAMEL is a multi-agent framework for studying scaling laws of AI agents. 16.6K+ GitHub stars. Up to 1M agents, RAG, memory systems, data generation. Apache 2.0.
CAMEL — Multi-Agent and Tooling Library
CAMEL is an open-source library for multi-agent systems and tools. Install `camel-ai`, then compose agents, tools, and optional web helpers in Python.
Camel AI — Multi-Agent Role-Playing Framework
Build multi-agent systems where AI agents collaborate through role-playing. CAMEL enables autonomous cooperation between agents with structured communication protocols.
Apache Camel — Enterprise Integration Framework for Java
Apache Camel is an open-source integration framework that implements the Enterprise Integration Patterns. It provides a routing and mediation engine with connectors for over 300 protocols and data formats, enabling developers to integrate systems using a concise Java or YAML DSL.
Preguntas frecuentes
¿CAMEL-AI está listo para producción?+
Algunas partes sí (ChatAgent, Workforce), pero el proyecto en su conjunto se inclina a investigación. Si necesitas un framework de producción estable, CrewAI / LangGraph / AutoGen v0.4 son defaults más seguros; usa CAMEL-AI cuando quieras específicamente sus funciones de investigación.
¿CAMEL-AI vs CrewAI?+
CrewAI es production-first con roles y tareas opinionados. CAMEL-AI es research-first con roleplay flexible y sociedades de Agents. Usa CrewAI para enviar; usa CAMEL-AI para estudiar comportamiento o generar datos de entrenamiento.
¿Qué es Agent Workforce?+
El módulo de CAMEL-AI para orquestar equipos de Agents especialistas con enrutado de tareas, uso de herramientas y memoria compartida. Es la respuesta de CAMEL-AI a la coordinación de equipos al estilo CrewAI, montada sobre sus primitivas de roleplay.
¿CAMEL-AI genera datos de entrenamiento automáticamente?+
Sí. El paper CAMEL introdujo la generación sintética de datos de instrucción; la librería tiene utilidades para ejecutar sesiones de roleplay a escala y exportar los transcripts en formatos listos para SFT/DPO.
¿Qué modelos funcionan mejor?+
gpt-4o, claude-3-5-sonnet y otros modelos frontera dan los diálogos de roleplay más útiles. Los modelos más pequeños funcionan pero suelen romper el rol rápido — la temperatura y el prompt engineering del sistema pesan más que en un chat de Agent único.