CAMEL-AI 开源多智能体框架 KAUST 出品 Python 访问官网 ↗

让两个 AI 坐下来互聊，聊出一个研究方向：CAMEL 的前前后后

2023 年 3 月，沙特阿卜杜拉国王科技大学（KAUST）的研究团队在 arXiv 上发表了一篇名字颇为浪漫的论文——《CAMEL：面向「心智」探索的交流式智能体》。它的设定听上去简单得近乎顽皮：让一个扮演「用户」的智能体与一个扮演「助手」的智能体围绕同一项任务持续对话，全程无需人类插话，并把对话完整沉淀为数据[1]。三年过去，这个研究原型已经成长为 GitHub 上万级 star 的开源多智能体框架，也是中文技术社区讨论「智能体社会」时绕不开的名字之一[2]。本文把它的发展脉络、内部构成、上手路径与选型位置一次铺开讲清楚。

PROJECT
Communicative Agents for "Mind" Exploration of Large Language Model Society
ORIGIN
KAUST（阿卜杜拉国王科技大学）研究团队
FIRST SEEN
2023 年 3 月 · arXiv 2303.17760
LICENSE
Apache-2.0 开源协议（以仓库实时信息为准）
INSTALL
pip install camel-ai
REPO
github.com/camel-ai/camel

论文起点：一次关于「角色扮演」的社会学实验

CAMEL 要解决的痛点非常具体：高质量指令微调数据的获取成本太高。人工标注又贵又慢，众包质量参差，而早期语言模型自己生成的数据又常常「自说自话」缺乏对抗性。研究者的思路是把「提问」也交给模型——用提示词让一个智能体扮演用户，另一个扮演 AI 助手，再通过所谓「起始提示（Inception Prompting）」机制约束双方：用户智能体负责一步步给出指令，助手智能体负责完成指令且不许反问，对话像接力一样推进下去[1]。

这套机制妙在哪？它把「任务澄清」内建进了流程。传统做法里，人要先想清楚需求再写指令；而在 CAMEL 的会话里，用户智能体会主动把一个模糊目标拆成具体步骤，助手则逐条执行。下面这段对话是对论文经典示例（股票市场分析任务）的示意性重演：

USER AGENT给我开发一个能追踪股市情绪并进行交易的机器人。下一步请先告诉我你需要哪些数据源，然后我们逐项确认，但请不要直接给出完整代码。
ASSISTANT AGENT好的，作为你的编程助手，我建议按四个模块推进：行情数据接入、新闻情绪打分、信号策略、回测验证。我们先从第一步开始：请确认你是否已有券商或数据商的 API 凭证？确认后我再继续下一项。

※ 内容为帮助理解机制所作的示意改写，非原始论文对话原文。

论文发布后不久即被机器学习顶会 NeurIPS 2023 收录，成为多智能体方向的高引文献之一[1]。「两个模型互聊就能产出结构化数据」这件事，在当时给了许多受限于标注预算的团队一条新出路。

从一篇论文长成一个框架：六个核心模块

真正让 CAMEL 区别于「一次性网红论文」的，是它随后持续的工程化。围绕最初的 RolePlaying 会话，项目逐步长成了一个分层清晰的 Python 框架，官方文档将其能力大致归为以下几块[3]：

MODELS统一模型层一套接口对接 OpenAI、Anthropic、Gemini 及 Ollama 本地模型等多家后端，换模型不改业务代码。
SOCIETIES角色扮演会话RolePlaying 双智能体工作台，继承论文范式，是整个项目最具辨识度的入口。
WORKFORCE劳动力编排把多个智能体组成「工作组」，按节点分配任务、协调交接，处理更长的流水线。
TOOLS工具调用封装搜索、代码执行、文件读写等外部能力，让智能体不止于纸上谈兵。
DATAGEN合成数据生成批量产出指令—回答对、对话与场景数据，延续项目的「老本行」。
RAG & MEMORY检索与记忆内置检索增强与记忆组件，供构建知识型智能体时取用。

值得一提的是它在数据侧的「反哺」：团队在 Hugging Face 上以 camel-ai 组织的名义开放了 AI Society、Code、Math 等多套合成语料，供社区做指令微调与研究使用[4]。换句话说，CAMEL 既是一个框架，也是一条公开运转的数据生产线。

演进时间线：从实验室到 GAIA 榜单

论文上线。arXiv 2303.17760 公开，双智能体角色扮演范式引发关注[1]。

进入顶会并开源扩张。论文被 NeurIPS 2023 收录；仓库开始快速迭代，社区贡献者持续涌入。

框架化重构。模块体系逐步成型，Workforce、数据生成与 RAG 组件相继就位，项目由「论文代码」转向通用框架。

OWL 登顶 GAIA。基于 CAMEL 构建的 OWL 框架在通用助手基准 GAIA 上取得开源方案领先成绩，让更多开发者注意到底层的 CAMEL[5]。

OWL 论文发布。《Optimized Workforce Learning》系统阐述其在 CAMEL 之上的任务分解与协作优化思路[5]。

三步上手：把第一场双智能体会话跑起来

  1. 安装依赖。框架以标准 Python 包分发，PyPI 包名为 camel-ai，可直接 pip install camel-ai，也可按需安装附加组件[6]。
  2. 配置模型凭证。在环境变量中填入所用模型的 API Key；若使用 Ollama 等本地后端，则指向本地服务地址即可，无需联网密钥[3]。
  3. 发起 RolePlaying 会话。指定两个角色的身份提示词与任务，循环读取消息直到任务终止条件触发。接口形态以下面示意为准，具体参数请以官方文档为准[3]：
pip install camel-ai export OPENAI_API_KEY=你的密钥 # 伪示意：以官方文档 API 为准 from camel.societies import RolePlaying session = RolePlaying( assistant_role_name="资深 Python 工程师", user_role_name="挑剔的产品经理", task_prompt="设计一个监控服务器磁盘占用的巡检脚本", ) for msg in session.step(): # 循环推进每一轮对话 ...

同类框架横评：CAMEL 站在哪个位置

多智能体赛道从不缺选手。挑三个常被拿来对比的项目放在一起看，差异会清晰很多：

框架出身背景核心抽象更适合的场景上手感受
CAMELKAUST 实验室，学术论文驱动角色扮演社会 + Workforce 分工合成数据生产、智能体社会行为研究概念稍多，文档偏研究视角
AutoGen微软研究院可对话的多智能体协程研究与快速原型验证示例丰富，调试直观
LangGraphLangChain 生态图状态机式的流程编排需要精细流程控制的生产系统工程味浓，需理解图模型
CrewAI创业公司出品角色化的 Crew 协作直观搭建「小组分工」类应用概念少，入门最快

粗略地说：想把「造数据」当主业，或对智能体协作机制本身感兴趣，CAMEL 的学术血统和配套语料是独特优势；如果只是要快速拼一个业务流水线，另外几家的起步坡度更缓。

适用与不适用的边界

  1. 合适：批量构造领域指令数据。有明确的任务域、又缺标注预算时，双智能体对话是最经济的冷启动方案之一。
  2. 合适：教学与研究复现。论文、代码、数据三位一体，适合作为多智能体课程的实验载体。
  3. 谨慎：强时效的生产链路。框架迭代快、接口随版本演进，生产环境务必锁定版本并跟读更新日志[2]。
  4. 谨慎：预算敏感的长会话。自对话天然消耗大量 token，跑批前先用小规模任务估算成本曲线。

三个常见误区，提前避一避

✗ 误区一：CAMEL 是个聊天机器人框架拿它去做客服机器人属于用错了场合——它的核心价值在于可复现的多智能体协作范式与数据生产线，而非面向终端用户的对话产品。
✓ 正解：它是研究范式 + 工程底座要的是「两个角色如何把任务聊透」这套机制本身，以及它产出的可复验数据。
✗ 误区二：双智能体互聊一定省钱看似无人力成本，实则每一步都是真金白银的推理调用；不设轮数上限的会话可能烧掉惊人额度。
✓ 正解：设上限、留断点为每场会话配置最大轮数与终止条件，先小流量试算单价再放量。
✗ 误区三：OWL 就是 CAMEL 的别名不少文章混着叫，容易让人以为二者是同一个东西。
✓ 正解：上下层关系OWL 是构建在 CAMEL 框架之上的任务自动化方案，前者是应用层明星，后者是地基[5]。

常见疑问速答

Q1CAMEL 到底是什么？一句话说清。

一个源自 KAUST 论文的开源多智能体框架，主打双智能体角色扮演会话，可用于合成训练数据、构建协作式智能体系统，Apache-2.0 协议开源。

Q2它和 AutoGen、LangGraph 是竞争关系吗？

侧重不同。CAMEL 强在角色扮演范式与数据生成生态；AutoGen 偏研究与原型，LangGraph 偏生产级流程编排。三者常被同时纳入候选清单再做取舍。

Q3个人开发者用得起吗？

框架本身免费开源；主要开销是底层模型的推理费用。配合 Ollama 等本地模型可以把成本压到电费级别，代价是效果上限取决于本地硬件。

Q4有哪些落地的用法？

常见三类：为垂直领域批量造指令微调数据；搭多角色的自动化研究或巡检流水线；以及作为教学实验环境演示智能体协作机制。

Q5中文任务的效果怎么样？

框架层面与语言无关，关键看所接底层模型的中文能力；角色提示词用中文书写即可，官方语料则以英文为主，中文场景常需自行合成补充。

Q6如何在论文里正确引用？

应引用原始论文 CAMEL（arXiv 2303.17760，NeurIPS 2023）；若用到 OWL 相关成果，再补引 OWL 论文（arXiv 2505.23885），勿混为一谈。

Q7新手第一天应该做什么？

装好包、配好密钥，先照官方示例跑通一场十轮以内的 RolePlaying 会话，观察两个角色如何拆解任务，再决定往数据生成还是流水线方向深入。

参考资料

  1. 来源：arXiv《CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society》： https://arxiv.org/abs/2303.17760
  2. 来源：GitHub · camel-ai/camel 官方开源仓库： https://github.com/camel-ai/camel
  3. 来源：CAMEL-AI 官方文档站： https://docs.camel-ai.org/
  4. 来源：Hugging Face · camel-ai 组织页（开源数据集与模型）： https://huggingface.co/camel-ai
  5. 来源：arXiv《OWL: Optimized Workforce Learning》（基于 CAMEL 构建）： https://arxiv.org/abs/2505.23885
  6. 来源：PyPI · camel-ai 发行页： https://pypi.org/project/camel-ai/
  7. 来源：CAMEL-AI 官方网站： https://www.camel-ai.org/

青衣网络 AI 观察团队 · 最后更新 2026-08-25 —— 本文依据论文、官方仓库与文档等公开资料独立撰写，仅供技术研究参考；框架接口迭代较快，实际使用请以官方最新文档为准。