【笔记】Handy Multi-Agent Tutorial 第三章: CAMEL框架简介及实践（实践部分）-优快云博客

本文链接：https://blog.youkuaiyun.com/ReedFoley/article/details/149582015

正文详见：

‌‍‍⁠‌⁠‬‬‍‌‍‌‍‬‍‌‍Handy Multi-Agent Tutorial - 飞书云文档https://fmhw1n4zpn.feishu.cn/docx/AF4XdOZpIo6TOaxzDK8cxInNnCe

3.2 创建个Agent Society

多智能体在CAMEL中的实现类似于角色扮演，所以他的类的名字也是RolyPlaying（）。

RolePlaying机制是利用两个Agent之间的交互来完成任务。

首先你要设置好你的初步的想法、每名角色的任务（每个智能体的功能）。多智能体接收到这些信息后就可以通过“一问一答”的方式慢慢丰富你的想法，然后合理安排任务实现这个想法。

详细的步骤说明见下文。

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

设置参数

通过model我们设置好使用的大模型。
task_kwargs设置了任务提示（task_prompt）、通过with_task_specify初始化了一个任务明确化agent，通过我们的任务提示丰富实现内容。
user_role_kwargs和assistant_role_kwargs初始化了两个角色扮演智能体，并赋予了他们一个详细的身份。前者是用户智能体（user），后者是助手智能体（assistant）。

通过user和assistant，我们可以知道，我么需要让物理学家帮助这个时间旅行者指定一个去过去的计划，具体的实现细节则有任务明确化agent产生。

from camel.societies import RolePlaying
from camel.types import TaskType, ModelType, ModelPlatformType
from camel.models import ModelFactory

import 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.'}]

解决任务

定义一个helper 函数，使得多智能体对话拥有终止机制，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.name
        reason = response.info['termination_reasons']
        print(f'AI {role} 因为 {reason} 而终止')

    return response.terminated

为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:
            break
        print(f'[AI 助手] {assistant_response.msg.content}.\n')

        # 获取下一轮的输入消息
        input_msg = assistant_response.msg

    return None

run(society)

效果：

进阶学习

接下来我们来研究一下critic_role_name参数。

我们在组建AI-Society加入这些参数。

with_critic_in_the_loop设置为True的时候将会在循环中引入CrticAgen。

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",
)

当critic_role_name赋值为human时，我们可以亲自动手去调整和优化智能体的对话。