CAMEL
CAMEL 是一个以 角色扮演（Role-Playing） 为核心思想的多智能体框架。和 AutoGen、AgentScope 相比，CAMEL 的重点不在于复杂的流程编排，也不强调大规模工程化部署，而是通过精心设计的角色提示词，让两个或多个智能体围绕同一个任务进行自主协作。
简单来说，CAMEL 的核心逻辑是：
给智能体设定清晰角色，再用任务目标约束它们的对话，让它们在多轮交流中逐步完成任务。
这类方法特别适合研究智能体之间的协作行为，也适合快速构建两个角色之间的任务协作场景，例如"AI 研究员 + Python 程序员""产品经理 + 工程师""教师 + 学生"等。
CAMEL 的核心机制
CAMEL 最有代表性的机制是 Role-Playing。它不是让一个智能体单独完成任务，而是让两个具有不同身份的智能体进行对话。每个智能体都被赋予明确角色，它们的目标一致，但职责不同。
例如：
text
AI 研究员：负责提出算法思路和实验设计
Python 程序员：负责把思路转化为可运行代码这种设计的好处是，任务可以自然拆分。一个智能体负责"想"，另一个智能体负责"做"；一个智能体提出需求，另一个智能体给出实现；一个智能体发现问题，另一个智能体进行修改。
CAMEL 中另一个关键概念是 Inception Prompting，也就是"初始引导提示"。它的作用是让智能体从一开始就明确：
- 自己是谁；
- 对方是谁；
- 共同任务是什么；
- 自己应该如何发言；
- 对话应该朝什么方向推进；
- 什么时候认为任务完成。
这比普通的 system prompt 更强，因为它不仅设置角色，还会设置角色之间的协作关系。也就是说，CAMEL 不只是告诉模型"你是某某角色"，还会告诉它"你应该如何与另一个角色合作完成任务"。
在 CAMEL 的典型流程中，一般会先创建任务，然后创建两个角色智能体，并让它们开始轮流对话。对话过程本身就是任务求解过程。
text
任务目标
↓
角色设定
↓
初始提示生成
↓
智能体轮流对话
↓
逐步完成任务因此，CAMEL 可以理解为一种"轻架构、重提示"的多智能体框架。它不依赖复杂的图结构或消息中心，而是依赖角色设定和提示工程来激发智能体的协作能力。
软件开发协作案例
在软件开发任务中，CAMEL 可以把开发过程设计成两个角色之间的协作。例如：
text
AI 产品经理 / AI 研究员
↕
Python 工程师 / 软件开发者如果任务是开发一个比特币价格显示应用，那么一个智能体可以负责分析需求，另一个智能体负责编写代码。二者通过多轮对话不断推进任务。
产品经理可能会先提出需求：
text
我们需要一个 Streamlit 应用，用于显示比特币当前价格和 24 小时涨跌情况。工程师根据需求给出实现方案：
text
可以使用 CoinGecko API 获取数据，并使用 st.metric 展示价格和涨跌幅。接着产品经理继续补充体验要求：
text
需要加入刷新按钮、加载状态和错误提示，避免网络异常时页面崩溃。工程师再完善代码实现。
这种交互和 AutoGen 的团队协作很像，但 CAMEL 更强调"角色对话本身"。它不是先搭建复杂团队和终止条件，而是让角色之间围绕任务自然交流。
如果说 AutoGen 更像"多角色流程编排"，AgentScope 更像"工程化消息系统"，那么 CAMEL 更像"让角色扮演驱动任务解决"。
核心代码实现
CAMEL 的核心代码通常围绕三个部分展开：定义任务、创建角色、启动对话。
首先需要明确任务目标。任务写得越清楚，角色对话越容易稳定推进。
python
task_prompt = """
开发一个比特币价格显示应用：
1. 实时显示 BTC/USD 当前价格
2. 显示 24 小时涨跌幅
3. 支持刷新功能
4. 使用 Streamlit 实现
5. 添加错误处理和加载状态
"""然后定义两个协作角色。例如，一个角色负责需求和设计，另一个角色负责实现。
python
assistant_role_name = "Python 程序员"
user_role_name = "产品经理"在 CAMEL 的思想中，这两个名字不是简单标签，而是会影响智能体的行为模式。角色越具体，输出越稳定。例如"资深 Streamlit 工程师"通常比"程序员"更容易生成符合需求的代码。
接下来需要通过框架创建对应的智能体，并让它们围绕任务展开对话。虽然不同版本 CAMEL 的具体 API 可能有差异，但整体流程一般如下：
python
from camel.societies import RolePlaying
society = RolePlaying(
assistant_role_name="Python 程序员",
user_role_name="产品经理",
task_prompt=task_prompt,
)
input_msg = society.init_chat()
for _ in range(10):
assistant_response, user_response = society.step(input_msg)
print(assistant_response.msg.content)
print(user_response.msg.content)
if assistant_response.terminated or user_response.terminated:
break
input_msg = assistant_response.msg这段代码体现了 CAMEL 的基本思想：不是手写每一步流程，而是让两个角色在任务约束下不断交流。开发者主要控制任务、角色和最大轮数，而不是精细控制每一句话。
如果希望输出更稳定，可以在任务中加入更明确的要求，例如：
text
请最终输出完整可运行代码。
代码必须包含：
- requests 请求 CoinGecko API
- Streamlit 页面展示
- 错误处理
- 手动刷新按钮在 CAMEL 中，任务描述非常关键。因为框架主要依赖角色扮演和提示词来推动协作，所以提示词越清楚，对话越不容易跑偏。
- 输出案例
text
协作任务:
创作一本关于"拖延症心理学"的短篇电子书，目标读者是对心理学感兴趣的普通大众。
要求：
1. 内容科学严谨，基于实证研究
2. 语言通俗易懂，避免过多专业术语
3. 包含实用的改善建议和案例分析
4. 篇幅控制在8000-10000字
5. 结构清晰，包含引言、核心章节和总结
具体任务描述:
为普通大众撰写8000--10000字短篇电子书《拖延症心理学》：实证为本、通俗易懂。结构：引言、成因（认知/情绪/奖励）、动机与决策、习惯形成与干预、实
用策略与练习、三则案例分析、总结与资源。每章含研究引用与可操作步骤。
作家:
Instruction: 请为电子书的"引言"章节撰写一段400--600字的中文草稿...
Input: None
心理学家:
Solution:
草稿：拖延，是指明知应当完成某项任务却反复推迟或回避的行为与内在倾向。它既可以是偶发的时间管理问题...
Next request.
作家:
Instruction: 请把下面的引言草稿修订为一段450--550字的中文文本...
Input: 草稿：拖延，是指明知应当完成某项任务却反复推迟或回避的行为...
.....CAMEL 的优势与局限性分析
CAMEL 最大的优势是简单、自然、容易理解。它把多智能体协作抽象成角色之间的对话，不需要一开始就设计复杂流程图，也不需要构建消息中心。只要任务目标和角色关系写清楚，就能快速跑出一个多智能体协作 Demo。
它特别适合以下场景：
- 两个角色之间的协作任务；
- 研究智能体对话行为；
- 快速验证多智能体想法；
- 教学演示；
- 需求分析和代码生成；
- 论文讨论、方案推理、头脑风暴。
CAMEL 的另一个优点是角色感强。通过 Role-Playing，一个智能体可以扮演专家、研究员、程序员、教师等角色，另一个智能体可以扮演用户、学生、产品经理或审查者。这种角色差异会自然形成任务分工，使对话更有方向。
不过，CAMEL 的局限也很明显。它对提示词依赖较强，如果角色设定模糊，智能体容易出现重复、跑题或者职责混乱。比如本来要求"产品经理提需求，程序员写代码"，但如果提示不清楚，产品经理可能也开始写代码，程序员也可能反过来做需求分析。
其次，CAMEL 的流程控制能力相对较弱。它更适合自然对话式协作，不适合强约束、强状态、强流程的生产系统。如果任务需要复杂状态管理、分布式部署、工具调用监控或严格的流程跳转，那么 AgentScope 或 LangGraph 可能更合适。
再者，CAMEL 的终止判断也需要额外注意。因为对话是开放式的，如果没有最大轮数或明确完成标准，两个智能体可能会继续讨论，导致输出冗长或重复。
因此，使用 CAMEL 时要特别注意三点：
text
1. 任务目标要具体
2. 角色分工要清楚
3. 对话轮数要限制总结来说，CAMEL 的价值在于用很低的复杂度实现多智能体协作。它不像 AgentScope 那样强调工程系统，也不像 LangGraph 那样强调流程图控制，而是通过角色设定和初始提示，让智能体在对话中自然协作。
一句话概括：
CAMEL 是一种以角色扮演为核心的多智能体协作框架，适合快速构建"两个角色围绕一个任务协作"的应用原型。