CAMEL推理：角色模拟协作链

可视化演示

展示CAMEL框架中AI User与AI Assistant角色模拟协作、推理链传递机制及多轮对话任务求解过程。

框架诞生背景

曾有一位厨师独自撑起整家后厨：点单、备菜、炒制、调味、摆盘，全靠他一人。平时三两桌客人尚能应付，一旦遇到“满汉全席”，他就顾此失彼——菜不是炒糊，就是放凉。这就是单 Agent 的真实处境：一个“脑子”既要理解目标、又要拆解步骤、还要自查质量，上下文一长就容易跑偏。

研究者很快意识到，与其把所有压力压在一个模型身上，不如学后厨“增设岗位”。CAMEL 框架（Communicative Agents for "Mind" Exploration of Large Language Model Society）把一次复杂任务交给两个角色：AI 用户（AI User）和 AI 助手（AI Assistant）。两者各自维护完整的对话历史，在系统提示词里写明角色与守则，随后在一轮轮真实对话中交替贡献推理，把模糊目标逐步推进为可交付结果。

一次完整的协作推理，从外部看就是一条有序的消息序列：

有了两个岗位，后厨就从“一个人硬扛”变成“两个人接力”。但岗位不能空有名头，接下来要解决的是：主厨与帮厨的职责边界到底怎么定？这就是角色分配机制。

角色分配机制

主厨和帮厨在开工前都要领到自己的“工牌”：主厨的工牌写着“你负责定标准、发指令、尝味道”，帮厨的工牌写着“你负责按指令出菜、汇报进展”。CAMEL 里的角色分配，就是给两个模型各发一张这样的工牌——把角色身份写进各自的系统提示词，让它们一开口就知道自己该说什么话。

在 CAMEL 中，AI 用户角色相对固定：它是协作的发起者与验收者，负责把大目标拆成一条条指令，并对助手返回的方案做质量判断。AI 助手角色则通常从具体任务中推断而来：任务要写代码，助手就是“代码工程师”；任务要算数学题，助手就是“数学研究员”。这种“一虚一实”的搭配，正好对应主厨掌握方向、帮厨掌握技法。

从任务到角色，可以形式化地看作一次角色推断：

工牌发完，两个 Agent 却面临一个尴尬问题：客人只说了句“来一桌家宴”，主厨和帮厨都不知道具体做什么。开工前还差一道工序——把模糊需求变成具体菜单。

任务初始化

客人嘴里那句“来一桌家宴”实在太模糊。聪明的后厨会先和客人确认：是川菜还是粤菜？几个人吃？有没有忌口？然后写出一份具体菜单。CAMEL 的任务初始化（Task Inception）做的就是这件事：在正式开始协作前，先把宽泛目标改写成一份“具体任务说明”。

任务初始化借助一个“知识提示（Knowledge Prompt）”：提示词先交代原始任务，再引导模型产出“助手需要完成的具体任务是什么”。大模型给出的结果是一个“指令（Instruction）+ 输入（Input）”对——指令是细化的任务描述，输入是任务附带的上下文数据。同时，这个具体任务还会顺带决定助手扮演什么角色，一举两得。

将这个过程写成公式：

菜单定好了，主厨和帮厨终于可以开工。但他们之间怎么传话？传菜口立了什么规矩？这就进入整条协作链最核心的一环——推理传递链。

推理传递链

后厨的传菜口有条不成文的规矩：帮厨每递出一份菜，必须附带三样信息——“我这道菜是怎么做的”（方案）、“请主厨检查”（沟通）、“下一道菜要什么”（请求）。CAMEL 的协作循环把这套规矩写进了 AI 助手的回复格式，让每一轮对话都有产出、有汇报、有下一步的抓手。

具体来说，AI 助手每轮回复被约束为三段式：第一段“解决方案”，针对当前指令给出方案正文；第二段“给 AI 用户的话”，向用户汇报状态、请对方确认；第三段“下一次请求”，请用户继续下发下一步指令。AI 用户收到后，要么下达新指令，要么在验收无误后发送终止信号。如此循环，推理就在一问一答之间逐层接力。

助手第 t 轮的完整回复可以记为：

传菜口的规矩让每一轮交互都结构清晰。但光有规矩还不够——主厨尝到菜觉得淡了，是喊“加盐”还是直接“上菜”？这个决策动作，就是协作决策机制。

协作决策机制

主厨不是传声筒，他每收到一道菜都要尝一口：淡了就让帮厨加盐，咸了就让帮厨重做，色香味俱全才点头上菜。CAMEL 里的 AI 用户同样承担着“尝菜”职责——它要根据助手每一轮的方案，判断目标是否达成，从而决定是继续下达新指令，还是结束协作。

这种决策贯穿整个推理链：如果助手的方案偏离需求，用户就发指令澄清，要求修正；如果方案基本到位但细节不足，用户就要求迭代补充；只有当验收通过时，用户才会在下一轮消息里发出终止信号。这个信号就是 CAMEL 约定的特殊标记 CAMEL_TASK_DONE。它可以形式化地写成一个分支结构：

有了决策机制，协作不会无限空转。但还有一个细节值得深挖：帮厨炒菜时自己心里也有步骤——洗菜、切菜、热锅、下油。这种“一个人内心的分步思考”，在 CAMEL 里又扮演什么角色？

思维链应用

帮厨做一道宫保鸡丁，心里会默默分几步：备料、滑鸡、调汁、下锅、收汁。这种“心里有步骤”的推理方式，就是思维链（Chain-of-Thought，CoT）——让模型不直接跳答案，而是先写出中间推理步骤，再逐步得出结论。

在 CAMEL 的多 Agent 场景中，思维链出现在两个层面。第一层是“角色内推理”：角色提示词里可以明确要求“请先列出你的思考步骤，再给出方案”，于是 AI 助手回复的“解决方案”内部本身就是一条思维链。第二层是“跨轮递进”：多轮对话中，每一轮的方案都建立在此前所有消息之上，指令、方案、反馈层层叠加，整段对话在宏观上形成了一条更长的协作推理链。

单条思维链可以表示为：

思维链让单个角色“想得更细”，协作循环让两个角色“配合得更稳”。那么这套“主厨+帮厨”的模式，到底能接什么样的活？实战中要注意什么？

实战应用场景

双人后厨模式练熟之后，什么活都敢接：满汉全席不在话下，多个灶口同时开火也行。CAMEL 的实战价值同样如此——它把复杂任务拆成“目标制定+分步执行”两段，适用于代码生成、数学求解、课程内容设计等场景。

实践中有两个关键点。一是复杂任务拆解：任务越复杂，越依赖任务初始化把目标定准，也越依赖多轮协作修正方向。二是终止条件设计：CAMEL_TASK_DONE 是双方约定的协调信号，而非系统强制的开关，因此角色提示词里要写清楚“什么情况算完成”，否则协作可能陷入反复追问的死循环。在这些约束下，研究者常用成功率来评估协作效果：

从单厨忙乱到双人配合，CAMEL 用角色模拟、任务初始化、三段式回复、验收终止这套“后厨管理法”，把多 Agent 协作推理变成了可设计、可控制、可评估的工程范式。理解了它，你就拿到了搭 Agent 团队的第一张施工图。

AI 应用场景

Python 演示

# 简化模拟 CAMEL 角色协作推理: AI 用户拆任务, AI 助手分段求解, 验收后终止class TaskInception:    """任务初始化: 把宽泛目标改写成具体任务说明(对应 CAMEL 的 inception 阶段)"""     def __init__(self, raw_task):        self.raw_task = raw_task     def generate(self):        # 模拟大模型从原始任务中提炼出的具体任务指令        if "素数" in self.raw_task:            return "编写一个 is_prime(n) 函数并给出 10 个测试用例"        if "爬虫" in self.raw_task:            return "抓取指定页面标题并保存为 CSV 文件"        return "把原始任务拆解成三个可执行的子任务"  class AIUser:    """扮演主厨: 负责任务指令下发与完成验收, 最后发送终止信号"""     def __init__(self, specific_task):        self.task = specific_task        self.instructions = [            "先定义函数签名与边界条件",            "实现素数判断的核心逻辑",            "补充测试用例并输出完整代码",        ]        self._count = 0     def next_instruction(self):        if self._count >= len(self.instructions):            return "CAMEL_TASK_DONE"        ins = self.instructions[self._count]        self._count += 1        return ins  class AIAssistant:    """扮演帮厨: 每轮固定按 CAMEL 三句式回复"""     def __init__(self):        self.solution = ""     def reply(self, instruction):        if instruction == "CAMEL_TASK_DONE":            return ""        step_solution = "is_prime 实现: " + instruction        self.solution += step_solution + "; "        return (            "[解决方案] " + step_solution + ". "            "[给 AI 用户的话] 请检查这一方案是否符合要求. "            "[下一次请求] 请提供下一步指令."        )  def run_camel_simulation():    inception = TaskInception("判断一个整数是不是素数")    specific_task = inception.generate()    print("=== 阶段 1: 任务初始化 ===")    print("原始目标: 判断一个整数是不是素数")    print("具体任务:", specific_task)    print()    print("=== 阶段 2: 循环协作推理 ===")    user = AIUser(specific_task)    assistant = AIAssistant()    rounds = 0    while True:        instruction = user.next_instruction()        if instruction == "CAMEL_TASK_DONE":            print("AI 用户: CAMEL_TASK_DONE")            print("协作终止, 累计方案:", assistant.solution)            break        rounds += 1        print("AI 用户:", instruction)        response = assistant.reply(instruction)        print("AI 助手:", response)        print("-" * 40)    print("共进行 %d 轮协作对话" % rounds)    return True  if __name__ == "__main__":    run_camel_simulation()

1. class TaskInception:对应 CAMEL 的任务初始化阶段，先把模糊目标改写成具体任务，类似把“家宴”定成菜单。
2. return "编写一个 is_prime(n) 函数并给出 10 个测试用例"模拟大模型生成的具体任务指令，后续所有协作都围绕它展开。
3. self.instructions = [AI 用户手里的一张“指令清单”，真实场景中由用户角色根据任务自行生成。
4. def next_instruction(self):每轮从清单中取出一条指令下发给助手，体现用户方的推理推进。
5. if self._count >= len(self.instructions):指令发完，说明用户判断任务已趋近完成，准备进入终止分支。
6. return "CAMEL_TASK_DONE"发出终止信号，对应协作循环的收敛出口。
7. def reply(self, instruction):助手的回复入口，按 CAMEL 约定组织成三句式。
8. step_solution = "is_prime 实现: " + instruction模拟助手针对当前指令产出的方案片段，是推理链上的一环。
9. while True:循环对话直到用户判定完成，体现推理传递链的持续接力。
10. if instruction == "CAMEL_TASK_DONE":收到终止信号后跳出循环，协作正式结束。

常见误区

面试题