CAMEL：角色扮演多Agent协作

可视化演示

展示CAMEL框架的AI用户与AI助手角色对话、任务编排流程及多Agent涌现行为，切换模式查看协作不同维度。

CAMEL框架概述

想象一家小饭馆，后厨只有两个人：一位负责看清菜单、报出需求，另一位负责动手下厨。他们之间没有微信群，也没有标准化接口，只靠一句一句中文交流，就能端出一桌菜。CAMEL 就是这套“双人协作协议”。

CAMEL 的全称是 Communicative Agents for Mind Exploration，中文可译为“用于心智探索的交流式智能体”。它让两个大语言模型分别扮演 AI 用户和 AI 助手，通过自然语言反复交换信息，从而完成一个原本模糊的复杂目标。这里的“大语言模型”可以理解为一种能理解和生成自然语言的 AI 大脑。

与 CrewAI、AutoGen 等把任务拆成固定工作流不同，CAMEL 更看重“对话本身”：AI 用户负责出题，AI 助手负责解题；AI 用户再看答案，继续出题。这个循环让协作过程像一段真实的人际沟通。

回到小饭馆的比喻：点菜员和厨师的默契不是靠菜单模板，而是靠开口说话。CAMEL 把“说话”变成一种可编程的协作机制。

角色扮演机制

下厨之前，老板要发胸牌：谁是点菜员，谁是厨师。CAMEL 的“开场提示”（Inception Prompting）就像发胸牌。它告诉 AI 用户：你是一个需要帮助的用户，提出的指令要以“Instruction:”开头；也告诉 AI 助手：你是一个乐于助人的助手，回复要以“Solution:”开头。

于是每个对话轮次的文本都有固定格式。AI 用户不能自己跑去做菜，AI 助手也不能反客为主点菜。角色扮演不是简单地把 system prompt 写成“你是助手”，而是让两个角色在对话中形成互补的互动结构。

CAMEL 把这段初始设定称为“角色扮演提示”，由系统消息承载。它包含角色描述、协作约束和指令前缀。例如系统消息中会写：AI 用户需要对 AI 助手给出的结果进行评判，并继续提出后续要求。

胸牌戴好，话才能说对。这套角色卡保证了整个协作过程既有分工，又有边界。

任务指定方法

食客只说“来点下饭菜”，厨师只能靠猜；可如果食客说“做一道少油微辣的宫保鸡丁”，厨师就知道从备菜到下锅的每一步。任务指定就是把“来点下饭菜”变成“宫保鸡丁”的过程。

CAMEL 的实现中，有一个先行的“任务指定”步骤：给定用户的初始意图，让大模型生成三个要素：行动谓词、任务主体和具体任务。行动谓词描述“做什么”，任务主体描述“对谁做”，具体任务则是完整的执行描述。

比如初始意图是“帮我在视频平台做宣传”，行动谓词可能是“撰写社交媒体文案”，任务主体是“一段 YouTube 视频”，具体任务则会被改写成“为这段视频撰写一段吸引人的简介”。这样 AI 用户和 AI 助手就有了同一个明确的靶心。

有了一份清晰的“菜谱”，点菜员和厨师才不至于南辕北辙。任务指定是整个多 Agent 协作中常常被忽略、却最决定成败的一步。

对话轮次管理

饭馆里不可能所有菜一次性下完，点菜员要一道一道报，厨师一道一道上。CAMEL 的对话也是按轮次进行的。

每一轮先由 AI 用户读取历史对话，生成一条“Instruction:”；AI 助手读取历史对话和这条指令，生成一条“Solution:”。这两条消息会被追加进对话记忆，成为下一轮的上下文。这里的“上下文”就是模型作答时能看到的所有背景信息。

为了防止对话漂移，CAMEL 会设置最大轮次，也可以让 AI 用户在完成目标时发出终止信号。轮次管理就像定好了上菜节奏，既保证每道菜都是热的，又不会让后厨无限拖时间。

点菜员喊得快，厨师出菜也要跟得上。CAMEL 把“喊单—出菜”反复执行，正是多 Agent 协作的日常形态。

涌现行为分析

合作久了，点菜员和厨师偶尔会出现“超纲”行为：点菜员不仅报菜名，还会直接说做法；厨师也会反问“这道菜是不是要少放盐？”这些都不在菜单上，却真实地发生了。CAMEL 把这类现象称为涌现行为。

论文中最典型的两类是角色反转和认知分歧。角色反转指 AI 用户开始直接输出解决方案，而不是发指令；认知分歧指双方对问题理解不一致，对话反复绕圈，难以收敛。

CAMEL 通过统计指令是否仍属于“提问/要求”、方案是否连续推进等指标来识别这些现象。这类分析不仅帮助研究者理解大模型的“社会性”，也为设计更稳定的多 Agent 系统提供了线索。

惊喜和意外总在一线之间。涌现行为既是研究价值的金矿，也是工程落地的坑。理解它，才能真正驾驭多 Agent 协作。

系统构建与应用

如果我们把点菜员和厨师当作两个可以随时调用的大模型，再为厨房接入保存食材的仓库（工具）、排菜系统（任务队列），就得到了一个可扩展的多 Agent 系统。

实际构建 CAMEL 应用时，流程通常是：先写角色扮演提示，再做任务指定，然后循环执行“AI 用户出题—AI 助手答题”，最后收敛到一份解决方案。开源的 CAMEL 框架（camel-ai）已经封装了这些步骤。

更进一步，可以让多个 AI 助手分别负责检索、写代码、审稿，用同样的交流式协作组成一个团队。正因为每个 Agent 都只是“角色 + 任务 + 记忆”，系统的扩展成本很低。

小饭馆能变成连锁中央厨房，靠的正是把一套成熟的“双人协作协议”复制到每个岗位。CAMEL 给多 Agent 应用提供的，正是这套可以被规模化的交流底座。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-# CAMEL 风格双 Agent 协作最小演示, 使用规则模拟代替真实 LLM class CamelSim:    def __init__(self):        self.history = []        self.task = ""     def specify_task(self, intent):        if "视频" in intent or "宣传" in intent:            return ("撰写社交文案", "视频内容", "为这段视频写一段吸引人的简介")        if "学习" in intent or "课程" in intent:            return ("整理学习笔记", "课程内容", "把课程要点整理成问答清单")        return ("生成任务清单", "模糊需求", "把需求拆解成可执行清单")     def ai_user(self, round_no):        return f"Instruction: 请继续执行任务:{self.task}."     def ai_assistant(self, round_no):        return f"Solution: 第{round_no}轮完成, 结果示例:{self.task} 的需求已完成."     def run(self, max_rounds=3):        intent = input("请输入一个模糊意图: ")        action, subject, self.task = self.specify_task(intent)        print("任务指定结果:", action, "/", subject, "/", self.task)        for i in range(1, max_rounds + 1):            ins = self.ai_user(i)            sol = self.ai_assistant(i)            self.history.append((ins, sol))            print(f"[第{i}轮] {ins}")            print(f"[第{i}轮] {sol}")        print("达到最大轮次, 协作结束.") if __name__ == "__main__":    CamelSim().run()

1. self.history = []保存每轮消息对，相当于 CAMEL 的对话记忆。
2. def specify_task(self, intent)模拟任务指定，返回行动谓词、任务主体和具体任务。
3. return ("撰写社交文案", "视频内容", "为这段视频写一段吸引人的简介")对应任务三元组 (P,S,G)。
4. def ai_user(self, round_no)AI 用户每轮生成指令。
5. def ai_assistant(self, round_no)AI 助手每轮给出解决方案。
6. self.history.append((ins, sol))把消息对追加到记忆。
7. if __name__ == "__main__":可执行入口。

常见误区

面试题