企业官网建设流程全解析

从单模型到智能体团队：CAMEL 多智能体框架实操笔记

【免费下载链接】camel🐫 CAMEL: The first and the best multi-agent framework. Finding the Scaling Law of Agents. https://www.camel-ai.org项目地址: https://gitcode.com/GitHub_Trending/ca/camel

单个大模型搞不定复杂任务时，常见做法是把需求全塞进 prompt 里碰运气，产出却很难控制。CAMEL 换了一条路：把任务拆给多个角色（角色扮演，让 AI 扮演指定专业身份并互相讨论），由几个智能体协作完成。下面带你从安装到第一次跑通多智能体协作。

设计意图：用角色扮演代替固定工作流

多数工作流引擎要求你先画出 DAG（有向无环图，即任务依赖的先后顺序图），智能体才能执行。CAMEL 反其道而行：你用一句自然语言描述任务，由模型自己决定拆成哪些子任务、分给谁、按什么顺序执行。

这个 trade-off 很明确：

• 好处是每来一个新任务都不用写编排配置，一句话需求就能启动
• 代价是执行路径不确定，同样输入两次运行可能拆出不同子任务
• 缓解手段是智能体保持有状态记忆（agent 会保留历史上下文），加上共享的任务通道，路径跑偏时能靠上下文纠回

它选择"让模型来规划"而不是"让工程师来规划"，因为目标场景是研究和快速验证，任务类型每天都在变。如果你的流程要求 100% 可复现，固定编排工具更合适，CAMEL 不是为这个目标设计的。

机制拆解：角色扮演终止控制与 workforce 任务分配

RolePlaying：两个角色把对话聊完为止

问题：两个智能体一旦开口，容易掉进三类坑——角色翻转（助理开始说用户的话）、重复追问同一句、消息无限循环。

设计：CAMEL 的RolePlaying会话固定只有assistant_role_name（执行方）和user_role_name（需求方）两个角色，系统提示词由模板统一生成，可再叠加task specify（澄清模糊需求）与task planner（生成执行计划）两个可选环节；会话命中预设终止条件或到达轮数上限即停。

效果：你只交代两个角色名加一句任务描述，对话循环、提示词生成、结束判定全部由框架接管。核心实现在 camel/societies/role_playing.py。

图：CAMEL 多智能体角色扮演框架，负责处理角色翻转、指令重复、劣质回复与对话终止这四类问题

Workforce：一句需求如何驱动多个智能体分工

问题：单对角色扮演只有两个角色，而"给产品做个落地页"这种任务需要写内容、写 HTML、整合结果等多方配合。

设计：Workforce类用树形结构组织协作，源码在 camel/societies/workforce/：

• 根节点（Manager）：coordinator_agent负责分配任务，task_agent负责拆分子任务，最后整合结果
• Channel（任务通道）：每块"黑板"记录子任务的发送方、接收方、结果与依赖关系
• 叶子节点（Workers）：分SingleAgentWorker（单个智能体）和RolePlayingWorker（直接复用上一节的双角色会话）

最有价值的是失败恢复：下图流程里，manager 把任务 A.2（写 HTML）分给内容写作者，对方接手后发现做不了，manager 不会报错，而是动态创建一个 code writer 新 worker重新指派，并自动从通道里取回依赖项（任务 A.1 的文案）再开工。

图：CAMEL Workforce 的 18 步任务流，覆盖用户提需求、任务拆解、通道分配、worker 失败重派与结果汇总

跑通路径：安装依赖、配置模型、启动第一次协作 🔧

1. 安装依赖：CAMEL 要求 Python 3.10–3.14，已发布到 PyPI，直接装发布版最快：

pip install 'camel-ai[all]'

2. （可选）克隆仓库：想读示例和源码时用源码方式：

git clone https://gitcode.com/GitHub_Trending/ca/camel cd camel && pip install -e '.[all]'

3. 配置模型：用环境变量设置 API Key，各模型平台的对接参数集中在 camel/configs/，OpenAI、Anthropic、DeepSeek 等都有现成配置：

export OPENAI_API_KEY='your_key_here'

4. 运行最小协作示例：

from camel.societies import RolePlaying society = RolePlaying(assistant_role_name="Python programmer", user_role_name="stock trader", task_prompt="develop a stock trading bot") society.run(max_turns=3)

跑起来后两个不同角色的智能体会围绕交易机器人展开对话。把task_prompt和两个角色名换成你自己的需求，就是一次新的协作；更多可直接运行的脚本在 examples/。

复用场景：同一套模式怎么搬到客服、行程与金融分析

• 客服知识问答：用RolePlayingWorker搭建，user 角色扮客户、assistant 角色扮客服并挂上检索工具，数据流为：客户提问 → 检索内部知识库 → 生成答复 → 确认解决，全程轨迹留在 workforce 日志里可审计
• 动态行程规划：参考 examples/workforce/role_playing_with_agents.py，"Searcher" 角色持有搜索、天气、地图工具包负责调研，"planner" 与 "tour guide" 两个单智能体负责排行程，manager 把"调研巴黎并规划游览"自动拆成两个阶段

图：CAMEL 多智能体协作的实际案例，多个智能体结合天气与交通等实时信息规划行程

• 金融数据分析：搭一个 workforce，worker 分别负责行情拉取、趋势分析、报告生成，由 coordinator 整合成最终输出；同构的做法可对照 docs/cookbooks/applications/ 里的客服机器人系列示例，把"检索 + 答复"换成"取数 + 分析"即可

资源入口

• 官方文档：docs/
• 示例代码：examples/
• 核心源码：camel/societies/

【免费下载链接】camel🐫 CAMEL: The first and the best multi-agent framework. Finding the Scaling Law of Agents. https://www.camel-ai.org项目地址: https://gitcode.com/GitHub_Trending/ca/camel