Task04: CAMEL框架中的多智能体系统(课程第三章剩余章节)

【教程地址】https://datawhalechina.github.io/handy-multi-agent/#

3.2 创建首个 Agent Society

一、Agent Society 核心逻辑：Role-Playing（角色扮演）

1. 核心机制

CAMEL 中多智能体协作通过角色扮演实现：让智能体分别扮演 “AI 用户” 和 “AI 助手”，结合专业角色背景，通过多轮对话协作完成任务。关键流程如下：

1. 任务具体化：人类用户提供初步想法后，“任务指定智能体” 将想法细化为明确描述。
2. 协作执行：AI 用户负责提供指令、引导任务方向；AI 助手遵循指令输出解决方案，直至 AI 用户确认任务完成。

2. RolePlaying 类核心概念与参数

（1）核心角色

• AI 用户（AI User）：指令提供者，引导对话走向任务完成。
• AI 助手（AI Assistant）：解决方案提供者，遵循指令输出具体内容。
• 评审者（Critic，可选）：负责优化任务表现，可设为 “AI 评审者” 或 “人类评审者”。

（2）关键参数配置

参数名称	类型	默认值	核心描述
assistant_role_name	str	无	AI 助手扮演的角色名称（如 “实验物理学家”，合理命名提升能力）
user_role_name	str	无	AI 用户扮演的角色名称（如 “时间旅行者”）
critic_role_name	str（可选）	"critic"	评审者角色名，设为 “human” 则为人类评审，否则为 AI 评审者（CriticAgent）
task_prompt	str（可选）	""	初始任务提示（如 “制定时间旅行计划”）
with_task_specify	bool（可选）	True	是否启用 “任务明确化 Agent”，将初始提示细化为具体任务
with_critic_in_the_loop	bool（可选）	False	是否在协作循环中加入评审者，优化任务表现
output_language	str（可选）	None	智能体输出语言（如 “中文”）

二、创建 Agent Society 实操步骤

1. 步骤 1：环境准备与参数配置

（1）导入依赖与初始化模型

from camel.societies import RolePlaying
from camel.types import ModelPlatformType
from camel.models import ModelFactory
import os# 初始化大模型（以Qwen为例，需替换API密钥）
model = ModelFactory.create(model_platform=ModelPlatformType.OPENAI_COMPATIBLE_MODEL,model_type="Qwen/Qwen2.5-72B-Instruct",url='https://api-inference.modelscope.cn/v1/',api_key='你的API密钥'  # 替换为实际密钥
)

（2）定义任务、角色参数

# 1. 任务参数（含任务细化）
task_kwargs = {'task_prompt': '制定一个计划去过去并进行改变。',  # 初始任务'with_task_specify': True,  # 启用任务明确化Agent'task_specify_agent_kwargs': {'model': model}  # 细化任务的模型
}# 2. AI用户参数（角色+模型）
user_role_kwargs = {'user_role_name': '一个雄心勃勃的渴望成为时间旅行者的人','user_agent_kwargs': {'model': model}
}# 3. AI助手参数（角色+模型）
assistant_role_kwargs = {'assistant_role_name': '最优秀的实验物理学家','assistant_agent_kwargs': {'model': model}
}

2. 步骤 2：组建 AI-Society（初始化 RolePlaying）

# 整合参数，创建角色扮演会话
society = RolePlaying(**task_kwargs,**user_role_kwargs,**assistant_role_kwargs
)

• 日志观察：CAMEL 会自动生成智能体的system_prompt，例如为 “任务明确化 Agent” 设定指令：“将‘制定时间旅行计划’细化为 50 字内的具体任务”。

3. 步骤 3：编写协作循环，执行任务

（1）定义终止检测函数（避免无限循环）

def is_terminated(response):"""检测智能体是否终止，并输出原因"""if response.terminated:role = response.msg.role_type.namereason = response.info['termination_reasons']print(f'AI {role} 因为 {reason} 而终止')return response.terminated

（2）定义运行函数（多轮协作）

def run(society, round_limit: int=10):# 初始化对话：获取AI助手的初始消息input_msg = society.init_chat()# 多轮协作循环for _ in range(round_limit):# 一轮交互：AI助手响应 → AI用户反馈assistant_response, user_response = society.step(input_msg)# 检测终止条件if is_terminated(assistant_response) or is_terminated(user_response):break# 输出对话内容print(f'[AI 用户] {user_response.msg.content}.\n')# 检测任务是否完成（含"CAMEL_TASK_DONE"标识）if 'CAMEL_TASK_DONE' in user_response.msg.content:breakprint(f'[AI 助手] {assistant_response.msg.content}.\n')# 下一轮输入：以AI助手的响应作为新指令input_msg = assistant_response.msg# 启动协作
run(society)

（3）任务执行结果

• 任务细化：初始提示 “制定时间旅行计划” 被细化为 “设计量子纠缠 + 虫洞的时间机器，含安全返回机制，实施关键历史改变”。
• 协作过程：AI 用户（时间旅行者）逐步提出需求（如 “确定安全返回方案”），AI 助手（物理学家）输出技术细节，直至任务完成。

三、进阶：引入评审者（Critic）

1. 核心功能

通过with_critic_in_the_loop=True在协作中加入评审者，优化任务表现，支持 “人类评审” 或 “AI 评审”。

2. 实操代码（以人类评审为例）

# 初始化含人类评审的RolePlaying
society = RolePlaying(**task_kwargs,  # 任务：如"写一本关于AI社会未来的书"**user_role_kwargs,  # AI用户："AI专家"**assistant_role_kwargs,  # AI助手："AI领域作家"critic_role_name='human',  # 评审者设为人类with_critic_in_the_loop=True,  # 启用评审循环output_language="中文"  # 中文输出
)# 启动协作（人类可手动选择优化方向或指导AI）
run(society)

3. 评审机制

• 人类评审：人类通过输入数字选择优化选项（如 “细化某章节内容”），或直接输入指令指导 AI 助手。
• AI 评审：若critic_role_name设为非 “human”（如 “editor”），则由 CriticAgent 自动评审并提出优化建议。

四、核心总结

1. 协作核心：以 “AI 用户（指令）+ AI 助手（方案）” 的角色扮演为核心，通过任务细化和多轮对话实现复杂任务。
2. 关键优势：参数化配置灵活（角色、评审、语言等），支持人类介入优化，避免智能体无限循环。
3. 适用场景：需多角色协作的复杂任务（如计划制定、创作、技术开发），尤其适合需要专业背景的场景。

3.3 创建你的 Workforce（CAMEL 框架）核心总结

一、Workforce 核心定位

Workforce 是 CAMEL 框架中多智能体协同工作系统，通过层级架构（协调智能体、任务规划智能体、工作节点）和任务通道，实现多个智能体（Worker）的高效协作，适用于复杂任务的分工处理（如旅游攻略制作、项目评审等）。

二、简单实践：创建基础 Workforce

1. 核心步骤

（1）创建 Workforce 实例

初始化一个 Workforce，需指定描述（用于定位系统目标）及相关智能体参数（如模型配置）。

python

from camel.societies.workforce import Workforce# 初始化Workforce，指定描述和模型
workforce = Workforce(description="旅游攻略制作与评估工作组",  # 系统目标描述new_worker_agent_kwargs={'model': model},  # 新智能体的模型配置coordinator_agent_kwargs={'model': model},  # 协调智能体的模型配置task_agent_kwargs={'model': model}  # 任务规划智能体的模型配置
)

（2）定义 Worker（智能体）

根据任务需求，创建具有特定角色和能力的智能体（Worker），可配置工具（如搜索工具）和系统消息（明确职责）。

python

from camel.agents import ChatAgent
from camel.toolkits import FunctionTool, SearchToolkit# 1. 旅游信息搜索助手（带搜索工具）
search_tool = FunctionTool(SearchToolkit().search_duckduckgo)  # 绑定搜索工具
search_agent = ChatAgent(system_message="""你是专业旅游信息搜索助手，负责搜索景点、美食、交通住宿信息""",model=model,tools=[search_tool],  # 赋予搜索能力output_language='中文'
)# 2. 旅行规划师（无工具，专注规划）
planner_agent = ChatAgent(system_message="""你是专业旅行规划师，负责合理安排行程、考虑季节和休息时间""",model=model,output_language='中文'
)# 3. 旅行爱好者（负责评估）
reviewer_agent = ChatAgent(system_message="""你是经验丰富的旅行爱好者，负责评估行程合理性并给出建议""",model=model,output_language='中文'
)

（3）添加工作节点

将定义的 Worker 添加到 Workforce 中，节点描述需精准（协调智能体会根据描述分配任务）。

python

# 逐个添加节点（支持方法链操作）
workforce.add_single_agent_worker("负责搜索目的地相关信息",  # 节点描述（关键！用于任务分配）worker=search_agent
).add_single_agent_worker("负责制定详细行程规划",worker=planner_agent
).add_single_agent_worker("负责从游客角度评估行程",worker=reviewer_agent
)

（4）启动任务处理

创建 Task 对象，调用process_task()让 Workforce 协同处理，最终从task.result获取结果。

python

from camel.tasks import Task# 定义任务
task = Task(content="规划一个3天的巴黎旅行计划。",  # 任务内容id="0"  # 任务唯一标识
)# 处理任务
task = workforce.process_task(task)# 查看结果
print(task.result)

2. 关键注意点

• 节点描述的重要性：协调智能体依赖节点描述分配子任务，描述需清晰反映角色职责（如 “负责搜索”“负责规划”）。
• 工具绑定：需为需要与外部交互的智能体（如搜索助手）绑定工具（FunctionTool），赋予其外部能力。
• 模型一致性：Workforce 中所有智能体建议使用同一模型，避免语义理解差异。

三、进阶实践：组建 Hackathon 评审团

以 “多智能体协同评审黑客松项目” 为例，展示 Workforce 在复杂场景的应用。

1. 核心目标

通过多个具有不同角色和评价标准的评审智能体，结合辅助搜索智能体，对项目进行多角度评估，生成综合评审结果。

2. 关键步骤

（1）创建个性化评审智能体

通过make_judge函数生成具有独特人设、评价标准的评审智能体（如风险投资家、工程师、AI 创始人等）。

def make_judge(persona, example_feedback, criteria) -> ChatAgent:# 系统消息定义角色人设、反馈示例和评审标准sys_msg = BaseMessage.make_assistant_message(role_name="黑客马拉松评委",content=f"你的人设：{persona}；示例反馈：{example_feedback}；评审标准：{criteria}")return ChatAgent(system_message=sys_msg, model=model)# 示例：创建风险投资家评委（关注商业潜力）
vc_agent = make_judge(persona="你是关注独角兽公司的风投，常用'颠覆性'等词汇，不关心技术细节",example_feedback="这个项目在区块链市场是颠覆性的，可扩展性极高！",criteria="评估现实世界适用性（1-4分）"
)

（2）创建辅助智能体

添加具备搜索能力的 “研究员” 智能体，为评审提供项目相关的最新信息。

# 绑定百度搜索工具
search_tool = FunctionTool(SearchToolkit().search_baidu)
researcher_agent = ChatAgent(system_message="你是AI领域研究员，用搜索获取最新趋势辅助评审",model=model,tools=[search_tool]
)

（3）组建 Workforce 评审团

将评审智能体和辅助智能体添加到 Workforce，明确各节点角色描述。

workforce = Workforce(description="黑客马拉松评审团",coordinator_agent_kwargs={"model": model},task_agent_kwargs={"model": model}
)# 添加所有智能体节点
workforce.add_single_agent_worker("愿景先锋维罗妮卡（风投评委），关注商业潜力", worker=vc_agent
).add_single_agent_worker("批判性约翰（工程师评委），注重技术细节", worker=eng_agent
).add_single_agent_worker("研究员瑞秋（助手），负责在线搜索辅助评审", worker=researcher_agent
)  # 省略其他评委...

（4）创建并处理评审任务

定义任务内容（含项目描述），由 Workforce 分配子任务（如搜索信息、各评委打分、汇总结果）。

task = Task(content="评估黑客马拉松项目：先研究项目信息，各评委打分，最后汇总意见和分数",additional_info=proj_content,  # 项目详细描述id="0"
)# 处理任务
task = workforce.process_task(task)
print(task.result)  # 输出含各评委分数、意见及总结的结果

四、Workforce 核心特性与优势

1. 层级协作：通过协调智能体分配任务、任务规划智能体分解目标，实现分工明确的多智能体协作。
2. 灵活性：支持动态添加 / 移除工作节点，适配不同任务需求。
3. 容错性：任务失败时，协调智能体可分解任务或创建新智能体重试（避免无限循环）。
4. 场景适配：适用于需要多角色分工的复杂任务（如项目评审、内容创作、方案规划等）。

五、总结

Workforce 是 CAMEL 框架中实现多智能体协同工作的核心组件，通过 “定义智能体→添加节点→分配任务” 的流程，支持从简单到复杂的多角色协作场景。其关键在于精准的节点描述（辅助任务分配）和合理的角色分工，可大幅提升复杂任务的处理效率和质量。