CAMEL-AI — framework multi-Agent de jeu de rôle pour la recherche
CAMEL-AI a été pionnier des systèmes multi-Agent par jeu de rôle — deux Agents discutent dans des rôles spécifiés (AI user vs. AI assistant) pour accomplir des tâches en coopération. Codebase de recherche ouvert, riche en exemples de sociétés d’Agents.
Why camel-ai
L’article CAMEL-AI de 2023 a introduit le pattern multi-Agent par jeu de rôle que beaucoup de frameworks ultérieurs ont adopté : deux LLM, chacun affecté à un rôle — l’un en « AI user » qui donne des instructions, l’autre en « AI assistant » qui exécute — conversent pour accomplir une tâche sans humain dans la boucle. Le pattern a fait apparaître à la fois un comportement coopératif impressionnant et les dynamiques hallucinatoires que tout le domaine cherche à corriger depuis.
La bibliothèque a évolué au-delà du pattern à 2 Agents original. Elle inclut désormais des sociétés d’Agents (3 à 50+ Agents avec des personas variés), des modules de mémoire, l’intégration d’outils et des expérimentations sur des topologies de communication plus diverses. CAMEL-AI reste plus proche de la recherche que CrewAI/LangGraph — attendez-vous à de fréquents portages article-vers-code et à de l’instabilité d’API occasionnelle.
Utilisez CAMEL-AI quand vous voulez reproduire ou étendre des travaux de recherche, exécuter des sociétés d’Agents à l’échelle, ou expérimenter sur les dynamiques de jeu de rôle. Pour des workflows de production simples, des frameworks plus simples gagnent sur la stabilité et le support communautaire.
Quick Start — Role-Playing Assistant + User
RolePlaying est l’abstraction canonique de CAMEL-AI : un assistant agent, un user agent, et optionnellement un task-specify agent qui affine le prompt de tâche. step() avance d’un tour. Terminaison par mot-clé (« CAMEL_TASK_DONE ») ou plafond de tours. Pour des sociétés plus grandes, utilisez le module 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.msgFonctionnalités clés
Pattern de jeu de rôle
La configuration originale « AI user + AI assistant » avec spécification de tâche, description de rôle et mot-clé de terminaison intégrés. Reste le bac à sable expérimental le plus clair pour étudier le comportement coopératif des LLM.
Agent Workforce
Orchestration multi-Agent pour des équipes d’Agents spécialistes — chacun avec son rôle, ses outils et sa mémoire. Supporte la coordination hiérarchique et le routage de tâches.
Génération de données
CAMEL-AI fournit des utilitaires pour générer des jeux d’instructions synthétiques via des sessions de jeu de rôle — utile pour fine-tuner des modèles plus petits sur des dialogues façon Agent.
Support modèles étendu
OpenAI, Anthropic, Google Gemini, Mistral, HuggingFace, Azure, Together, vLLM, Ollama. Changez via ModelFactory sans toucher au code des Agents.
Écosystème d’outils
Recherche, exécution de code, Python REPL, outils OpenAPI, RAG, embedding et outils file-system. Tous emballables dans n’importe quel ChatAgent.
Développement piloté par les articles
Les nouveaux modules implémentent souvent un pattern publié spécifique (décomposition de tâches, simulation de société, communication inter-Agent). Particulièrement bon si vous voulez des fonctionnalités à lignée recherche.
Comparaison
| Origin | Primary Use | Research vs Production | Strengths | |
|---|---|---|---|---|
| camel-aicelui-ci | 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 |
Cas d'usage
01. Recherche sur les sociétés d’Agents
Étudier la coopération, le désaccord et les normes émergentes chez les Agents LLM — CAMEL-AI a la plus ancienne collection d’exemples du domaine.
02. Données d’instruction synthétiques
Générer des données d’entraînement façon tâches en exécutant des milliers de sessions de jeu de rôle, les filtrer par qualité et les utiliser pour fine-tuner des modèles plus petits.
03. Reproductions de benchmarks d’Agents
Reproduire ou étendre des résultats de benchmarks d’Agents — beaucoup d’articles fournissent des implémentations de référence basées CAMEL-AI.
Tarification et licence
CAMEL-AI : open source Apache 2.0. Gratuit. Maintenu par une communauté de recherche avec des contributeurs principaux à KAUST, UCL et plusieurs universités.
Coût d’infra : les APIs LLM que vous branchez. Faire tourner une société d’Agents de 30 Agents sur 10 rounds peut générer un coût significatif — budgétisez avant le kickoff et utilisez des modèles bon marché pour la plupart des Agents.
Coût de génération de données : si vous utilisez CAMEL-AI pour générer des données de fine-tuning, comptez en $ par exemple à qualité classe gpt-4o. Des modèles plus petits produisent des données plus rapides et moins chères, généralement encore utiles pour la distillation.
Assets associés sur 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.
Questions fréquentes
CAMEL-AI est-il prêt pour la production ?+
Certaines parties le sont (ChatAgent, Workforce), mais le projet penche globalement recherche. Si vous avez besoin d’un framework de production stable, CrewAI / LangGraph / AutoGen v0.4 sont des défauts plus sûrs ; utilisez CAMEL-AI quand vous voulez spécifiquement ses fonctionnalités de recherche.
CAMEL-AI vs CrewAI ?+
CrewAI est production-first avec des rôles et tâches opinionnés. CAMEL-AI est recherche-first avec un jeu de rôle flexible et des sociétés d’Agents. Utilisez CrewAI pour livrer ; utilisez CAMEL-AI pour étudier le comportement ou générer des données d’entraînement.
Qu’est-ce qu’Agent Workforce ?+
Le module de CAMEL-AI pour orchestrer des équipes d’Agents spécialistes avec routage de tâches, utilisation d’outils et mémoire partagée. C’est la réponse de CAMEL-AI à la coordination d’équipe à la CrewAI, posée sur leurs primitives de jeu de rôle.
CAMEL-AI génère-t-il automatiquement des données d’entraînement ?+
Oui. L’article CAMEL a introduit la génération synthétique de données d’instruction ; la bibliothèque dispose d’utilitaires pour exécuter des sessions de jeu de rôle à l’échelle et exporter les transcripts dans des formats prêts pour SFT/DPO.
Quels modèles fonctionnent le mieux ?+
gpt-4o, claude-3-5-sonnet et autres modèles frontière donnent les dialogues de jeu de rôle les plus utiles. Les modèles plus petits fonctionnent mais sortent souvent rapidement de leur rôle — la température et le prompt engineering système pèsent davantage qu’avec un chat mono-Agent.