CAMEL 框架之 RolePlaying 角色扮演

首先我们来看看，怎么让 RolePlaying 为我们服务。

创建 Model

RolePlaying 是两个智能体之间的角色扮演，底层其实还是 AI 大模型，我们可以通过 ModelFactory 来创建一个 model。

python 复制代码

model = ModelFactory.create(
    model_platform=ModelPlatformType.OPENAI_COMPATIBLE_MODEL,
    model_type="Qwen/Qwen2.5-72B-Instruct",
    url='https://api-inference.modelscope.cn/v1/',
    api_key=api_key
)

创建 RolePlaying session

py 复制代码

def main(model=model, chat_turn_limit=50) -> None:
    task_prompt = "写一个快速排序算法"#设置任务目标
    role_play_session = RolePlaying(
        assistant_role_name="Python 程序员",#设置AI助手角色名
        assistant_agent_kwargs=dict(model=model),
        user_role_name="算法老师",#设置用户角色名，在roleplay中，user用于指导AI助手完成任务
        user_agent_kwargs=dict(model=model),
        task_prompt=task_prompt,
        with_task_specify=True,
        task_specify_agent_kwargs=dict(model=model),
        output_language='中文'#设置输出语言
    )

task_prompt是我们要完成的任务

assistant_role_name 设置 assistant_agent 的角色

user_role_name 设置 user_agent 的角色

RolePlaying() 实例化之后，我们就得到一个 session，到这一步其实我们已经初始化好了两个智能体，我们把任务交给智能体，user_agent 会指导 assistant_agent 去完成我们的任务。

下面是 RolePlay 内部集成的，给 assistant_agent 的 prompt：

可以看到对 assistant_agent 说的，其角色扮演的 prompt 是：

Never instruct me!

You must help me to complete the task.

text 复制代码

content='===== RULES OF ASSISTANT =====\n
Never forget you are a python 程序员 and I am a 算法老师. 
Never flip roles! 
Never instruct me!\n
We share a common interest in collaborating to successfully complete a task.
You must help me to complete the task.

下面是 RolePlay 内部集成的，给 user_agent 的 prompt：

可以看到对 assistant_agent 说的，其角色扮演的 prompt 是：

You will always instruct me

I must help you to complete the task

text 复制代码

content='===== RULES OF USER =====\n
Never forget you are a 算法老师 and I am a python 程序员.
Never flip roles!
You will always instruct me.\n
We share a common interest in collaborating to successfully complete a task.
I must help you to complete the task.

通过上述四句的关键 prompt，实现了两个 agent 的角色扮演，在他们后续的交流过程中，将会按照 user_agent 会指导 assistant_agent 的模式去完成任务。

RolePlaying 的其他属性

RolePlaying 类实现了两个智能体之间的角色扮演功能，支持任务细化、任务规划、引入批评者等特性，并且提供同步和异步的对话推进方法。

下面我们看看 RolePlaying 的初始化，就可以直接地了解他的核心内容了：

python 复制代码

 def __init__(
        self,
        assistant_role_name: str,
        user_role_name: str,
        *,
        critic_role_name: str = "critic",
        task_prompt: str = "",
        with_task_specify: bool = True, # 设置是否使用任务细化智能体
        with_task_planner: bool = False, # 设置是否使用任务规划智能体
        with_critic_in_the_loop: bool = False, # 设置在对话循环中引入批评者
        critic_criteria: Optional[str] = None,
        model: Optional[BaseModelBackend] = None,
        task_type: TaskType = TaskType.AI_SOCIETY,
        assistant_agent_kwargs: Optional[Dict] = None,
        user_agent_kwargs: Optional[Dict] = None,
        task_specify_agent_kwargs: Optional[Dict] = None,
        task_planner_agent_kwargs: Optional[Dict] = None,
        critic_kwargs: Optional[Dict] = None,
        sys_msg_generator_kwargs: Optional[Dict] = None,
        extend_sys_msg_meta_dicts: Optional[List[Dict]] = None,
        extend_task_specify_meta_dict: Optional[Dict] = None,
        output_language: Optional[str] = None,
        stop_event: Optional[threading.Event] = None,
    ) -> None:
    # 其他代码省略

with_task_specify 设置是否使用任务细化智能体，默认是开启的，会对任务进行拆分、细分，再一步步完成。

with_task_planner 设置是否使用任务规划智能体。

with_critic_in_the_loop 设置在对话循环中引入批评者

通过这三个属性，我们可以看到 Camel 中的 RolePlaying 和平时我们直接单纯地使用 AI 是有很大区别的。在 RolePlaying 中我们可以对 Agent 进行更深层次的、更精细化的设置，比如任务拆解，比如批评者的引入（就好像有主管在旁边监督指导工作，这样完成的任务质量更高）

批评者的引入，使得 agent 间在完成任务过程中是有监督的，就像监督学习算法一样（maybe 不是很恰当，但是类似），在出现 AI 幻觉或者其他偏离原有任务的时候可以及时提醒。

而我们单纯使用 AI 的话，很多时候它不会主动拆解任务，更不会自我监督，偏离了之后就胡说一通了，特别是会话较长了之后。