做电脑网站宽度百度seo优化招聘
创建你的第一个Agent Society
3.2.1 准备工作
在 CAMEL 中主要是多智能体的实现主要是通过角色扮演Role-Playing的方式，让智能体扮演特定的角色，并拥有相应角色的专业知识背景。这些智能体通过对话和合作来共同完成任务。在多智能体系统接收到人类用户的初步想法和角色分配后，任务指定智能体将提供详细的描述，使想法更加具体化。然后，AI助理和AI用户将通过多轮对话合作完成指定的任务，直到AI用户确定任务完成为止。一方面，AI用户负责向AI助理提供指令，并引导对话朝着任务完成的方向进行；另一方面，AI助理则需要遵循AI用户的指示，做出回答并提供具体的解决方案。
面向任务的 RolyPlaying() 类。我们以指令跟随的方式设计这个类。其本质是，要解决复杂任务，可以让两个交流智能体一步一步地协作，共同寻找解决方案。主要概念包括：
-
任务：任务可以简单到一个想法，由初始提示启动。
-
AI 用户：预期提供指令的智能体。
-
AI 助手：预期提供满足指令的解决方案的智能体。
以下展示了 RolePlaying 对象的主要参数配置及其默认值和描述：
| 参数名称 | 类型 | 默认值 | 描述 |
|---|---|---|---|
| assistant_role_name | str | 无 | 助手智能体所扮演角色的名称(合理的名称设置有利于提高agent的能力)。 |
| user_role_name | str | 无 | 用户智能体所扮演角色的名称(合理的名称设置有利于提高agent的能力)。 |
| critic_role_name | str, optional | “critic” | 评审者智能体所扮演角色的名称。如果名称为 “human”，则评审者将被设置为人类Agent，否则将创建一个 CriticAgent。 |
| task_prompt | str, optional | “” | 要执行任务的提示。 |
| with_task_specify | bool, optional | True | 是否使用任务明确化Agent。 |
| with_task_planner | bool, optional | False | 是否使用任务规划Agent。 |
| with_critic_in_the_loop | bool, optional | False | 是否在循环中包含一个评审者。 |
| critic_criteria | str, optional | None | 评审者Agent的评审标准。如果没有指定，则设置为提高任务性能的标准。 |
| model_type | ModelType, optional | None | 用于角色扮演的模型类型。如果指定，它将覆盖所有Agent中的模型。 |
| task_type | TaskType, optional | TaskType.AI_SOCIETY | 要执行的任务类型。 |
| output_language | str, optional | None | Agent输出的语言。 |
3.2.2 配置Role-Playing会话
下边用一个具体的例子一步步展示我们的RolePlaying 案例。
- 设置参数
首先我们先导入相关模块及设置相关参数：
from camel.societies import RolePlaying
from camel.types import TaskType, ModelType, ModelPlatformType
from camel.models import ModelFactoryimport os# 设置代理
#os.environ["http_proxy"] = "http://127.0.0.1:7897"
#os.environ["https_proxy"] = "http://127.0.0.1:7897"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'
)task_kwargs = {'task_prompt': '制定一个计划去过去并进行改变。','with_task_specify': True,#开启后，将会有一个agent将我们的初始prompt进一步明确化'task_specify_agent_kwargs': {'model': model}
}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}
}assistant_role_kwargs = {'assistant_role_name': '最优秀的实验物理学家','assistant_agent_kwargs': {'model': model}
}
- 组建我们的AI-Society
society = RolePlaying(**task_kwargs, # 任务参数**user_role_kwargs, # 指令发送者的参数**assistant_role_kwargs, # 指令接收者的参数
)
在这里我们可以在日志里观察到CAMEL对每个智能体的system_prompt的设定:
camel.agents.chat_agent - INFO - Model Qwen/Qwen2.5-72B-Instruct, index 0, processed these messages:[{'role': 'system', 'content': 'You can make a task more specific.'}, {'role': 'user', 'content': 'Here is a task that 最优秀的实验物理学家 will help 一个雄心勃勃的渴望成为时间旅行者的人 to complete: 制定一个计划去过去并进行改变。.\nPlease make it more specific. Be creative and imaginative.\nPlease reply with the specified task in 50 words or less. Do not add anything else.'}]
- 和你的AI-Society一起解决任务
在开始我们的时间旅行前，我们来定义一个小的 helper 函数，我们在前文介绍过，RolePlaying机制是利用两个Agent之间的交互来完成任务，为了不让Agent陷入无限循环的输入输出，CAMEL在设计的时候就引入了终止机制，如果意外终止，这个函数可以为我们展现RolePlaying的终止原因：
def is_terminated(response):"""当会话应该终止时给出对应信息。"""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
OK！准备工作都已经完成了，是时候规划我们的路线了——为我们的AI-Society编写一个简单的循环来继续前进：
def run(society, round_limit: int=10):# 获取AI助手到AI用户的初始消息input_msg = society.init_chat()# 开始互动会话for _ in range(round_limit):# 获取这一轮的两个响应assistant_response, user_response = society.step(input_msg)# 检查终止条件if is_terminated(assistant_response) or is_terminated(user_response):break# 获取结果print(f'[AI 用户] {user_response.msg.content}.\n')# 检查任务是否结束if 'CAMEL_TASK_DONE' in user_response.msg.content:breakprint(f'[AI 助手] {assistant_response.msg.content}.\n')# 获取下一轮的输入消息input_msg = assistant_response.msgreturn None
run(society)
可以看到对于这样一个有趣的任务,我们的AI-Society首先会将我们的初始prompt给进一步明确化:“制定一个计划去过去并进行改变。”>>>"设计一台利用量子纠缠和虫洞效应的时间机器，制定详细的时间旅行计划，包括安全返回机制，以确保能回到特定历史时刻并实施微小但关键的改变，从而影响未来。"然后再由AI_User一步步指导AI_Assistant完成整个任务。
进阶学习
引入 CrticAgent，with_critic_in_the_loop 设置为True的时候将会在循环中引入CrticAgent，如果我们将"human"赋值给critic_role_name ，我们人类将可以在与智能体之间交互中掌握主动权，去选择优化和调整，并且提升角色表现。
from camel.societies import RolePlaying
from camel.types import TaskType, ModelType, ModelPlatformType
from camel.models import ModelFactoryimport os
from colorama import Fore# 设置代理
#os.environ["http_proxy"] = "http://127.0.0.1:7897"
#os.environ["https_proxy"] = "http://127.0.0.1:7897"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'
)task_kwargs = {'task_prompt': '写一本关于AI社会的未来的书。','with_task_specify': True,'task_specify_agent_kwargs': {'model': model}
}user_role_kwargs = {'user_role_name': 'AI专家','user_agent_kwargs': {'model': model}
}assistant_role_kwargs = {'assistant_role_name': '对AI感兴趣的作家','assistant_agent_kwargs': {'model': model}
}society = RolePlaying(**task_kwargs, # 任务参数**user_role_kwargs, # 指令发送者的参数**assistant_role_kwargs, # 指令接收者的参数critic_role_name='human',with_critic_in_the_loop=True,output_language="中文",
)def is_terminated(response):"""当会话应该终止时给出对应信息。"""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.terminateddef run(society, round_limit: int=10):# 获取AI助手到AI用户的初始消息input_msg = society.init_chat()# 开始互动会话for _ in range(round_limit):# 获取这一轮的两个响应assistant_response, user_response = society.step(input_msg)# 检查终止条件if is_terminated(assistant_response) or is_terminated(user_response):break# 获取结果print(Fore.GREEN + f'[AI 用户] {user_response.msg.content}.\n')# 检查任务是否结束if 'CAMEL_TASK_DONE' in user_response.msg.content:breakprint(Fore.BLUE + f'[AI 助手] {assistant_response.msg.content}.\n')# 获取下一轮的输入消息input_msg = assistant_response.msgreturn Nonerun(society)
上述 根据 “写一本关于AI社会的未来的书” 的任务，将会在更详细的选择中引入人工与其交互。
输入数字可以选择你想要让AI_Assistant去执行的选项，如果你选择第四个选项，则将由你亲自指导AI_Assistant，该AI-Society会要求你输入内容来指导AI_Assistant：
但是如果，将"human"以外的参数赋值给critic_role_name，则将创建一个 CriticAgent，自动与其交互。