CAMEL 多智能体实战10 分钟让两个 AI 角色自动协作【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/camelCAMELCommunicative Agents for Mind Exploration of Large Language Model Society是一个多智能体框架核心思路是让两个 LLM 分别扮演用户和助手互相对话把模糊需求聊成可交付的结果。读完本文你能独立跑通仓库里自带的角色扮演示例看懂任务是怎么被澄清和验收的并知道下一步往 Workforce 多智能体工作流方向延伸。一个 LLM 接不住的模糊需求把帮我写个股票交易机器人直接甩给单个模型最常见的结果是它给你讲一遍交易机器人的原理而不是动手写。CAMEL 的做法是加一个对戏的用户角色由另一个 LLM 扮演的用户会追问、验收、指出缺口助手角色只拿到明确任务后才开工。这样模糊需求在对话里被逐步澄清而不是靠你反复手动补提示词。装环境并跑通第一个示例环境要求 Python 3.10装包不需要 Docker。git clone https://gitcode.com/GitHub_Trending/ca/camel cd camel pip install -e .模型默认走 OpenAI把 key 配进环境变量即可。仓库里 examples/ai_society/role_playing.py 就是最小可跑的示例两个角色Python Programmer和Stock Trader围绕交易机器人任务对话每轮输出带颜色区分看到绿色的 terminated 提示就代表对话正常收场export OPENAI_API_KEYyour_key python examples/ai_society/role_playing.py刚才那 20 行代码背后发生了什么你只传了角色名和一句任务框架其实先跑了个任务指定环节——也就是说有第三个模型把你的模糊任务改写成一份双方都看得懂的任务书两个角色拿着同一份任务书对戏谁都不用猜对方的意图。对话每轮由 camel/societies/role_playing.py 里的 step() 推进两个角色各自判断任务是否完成任一方返回终止信号循环就停下来避免无限闲聊。想加质检把 with_critic_in_the_loop 参数打开让第三个角色当评审不满意就驳回重做。两个角色聊够了上部门两个人的对话能解模糊需求但查资料—分析—写报告这种流水线需要分工。仓库里的 Workforce 模块源码在 camel/societies/workforce/就是干这个的它把任务拆给多个带工具的 ChatAgent 工作者任务通过工作通道task_channel就是任务在工作者之间流转的信箱传递结果按工作流顺序合并。参考 examples/workforce/multiple_single_agents.py 里研究员分析师写作者三智能体的完整写法改改任务描述就能套你自己的流程。需要实时信息的场景可结合 camel/toolkits/weather_toolkit.py 这类工具包给工作者挂上查天气的能力做行程规划这类任务。下一步你可以试别急着写新代码先把仓库现成的示例当教材跑一遍 examples/ai_society/role_playing_with_critic.py 看评审角色怎么介入再把 workforce 示例里的模型换成 camel/configs/ 里的其他平台配置。延伸内容看官方文档docs/示例代码examples/核心源码camel/【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 CAMEL 多智能体实战：10 分钟让两个 AI 角色自动协作
CAMEL 多智能体实战10 分钟让两个 AI 角色自动协作【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/camelCAMELCommunicative Agents for Mind Exploration of Large Language Model Society是一个多智能体框架核心思路是让两个 LLM 分别扮演用户和助手互相对话把模糊需求聊成可交付的结果。读完本文你能独立跑通仓库里自带的角色扮演示例看懂任务是怎么被澄清和验收的并知道下一步往 Workforce 多智能体工作流方向延伸。一个 LLM 接不住的模糊需求把帮我写个股票交易机器人直接甩给单个模型最常见的结果是它给你讲一遍交易机器人的原理而不是动手写。CAMEL 的做法是加一个对戏的用户角色由另一个 LLM 扮演的用户会追问、验收、指出缺口助手角色只拿到明确任务后才开工。这样模糊需求在对话里被逐步澄清而不是靠你反复手动补提示词。装环境并跑通第一个示例环境要求 Python 3.10装包不需要 Docker。git clone https://gitcode.com/GitHub_Trending/ca/camel cd camel pip install -e .模型默认走 OpenAI把 key 配进环境变量即可。仓库里 examples/ai_society/role_playing.py 就是最小可跑的示例两个角色Python Programmer和Stock Trader围绕交易机器人任务对话每轮输出带颜色区分看到绿色的 terminated 提示就代表对话正常收场export OPENAI_API_KEYyour_key python examples/ai_society/role_playing.py刚才那 20 行代码背后发生了什么你只传了角色名和一句任务框架其实先跑了个任务指定环节——也就是说有第三个模型把你的模糊任务改写成一份双方都看得懂的任务书两个角色拿着同一份任务书对戏谁都不用猜对方的意图。对话每轮由 camel/societies/role_playing.py 里的 step() 推进两个角色各自判断任务是否完成任一方返回终止信号循环就停下来避免无限闲聊。想加质检把 with_critic_in_the_loop 参数打开让第三个角色当评审不满意就驳回重做。两个角色聊够了上部门两个人的对话能解模糊需求但查资料—分析—写报告这种流水线需要分工。仓库里的 Workforce 模块源码在 camel/societies/workforce/就是干这个的它把任务拆给多个带工具的 ChatAgent 工作者任务通过工作通道task_channel就是任务在工作者之间流转的信箱传递结果按工作流顺序合并。参考 examples/workforce/multiple_single_agents.py 里研究员分析师写作者三智能体的完整写法改改任务描述就能套你自己的流程。需要实时信息的场景可结合 camel/toolkits/weather_toolkit.py 这类工具包给工作者挂上查天气的能力做行程规划这类任务。下一步你可以试别急着写新代码先把仓库现成的示例当教材跑一遍 examples/ai_society/role_playing_with_critic.py 看评审角色怎么介入再把 workforce 示例里的模型换成 camel/configs/ 里的其他平台配置。延伸内容看官方文档docs/示例代码examples/核心源码camel/【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考