2025_NIPS_CAMEL: Communicative Agents for “Mind“ Exploration of Large Language Model Society

文章总结与翻译

一、主要内容

本文聚焦大型语言模型（LLMs）在复杂任务解决中对人类输入的依赖问题，提出了一种名为角色扮演（Role-Playing） 的新型通信智能体框架（CAMEL），旨在实现智能体间的自主协作，减少人类干预。

核心流程包括：

1. 人类仅需提供初步任务想法和角色分配；
2. 任务指定器（Task Specifier）将模糊想法转化为具体任务；
3. AI助手（AI Assistant）与AI用户（AI User）通过多轮对话协作完成任务，其中AI用户负责下达指令，AI助手提供解决方案；
4. 引入“植入式提示（Inception Prompting）”规范角色行为，避免角色翻转、回复空洞、无限循环等问题，并设置明确的对话终止条件。

研究贡献了多类数据集（AI Society、Code、Math、Science、Misalignment），通过人类评估、GPT4评估及HumanEval基准测试验证了框架有效性：CAMEL生成的解决方案显著优于GPT-3.5-turbo的单轮生成结果，且基于该框架数据集微调的LLaMA模型在多领域任务中展现出知识涌现能力。

二、创新点

1. 提出角色扮演自主协作框架：首次将角色分配与植入式提示结合，实现智能体间无需人类持续引导的任务协作，解决了LLMs依赖人工提示的痛点；
2. 可扩展的多领域数据生成方案：框架支持大规模生成对话式、任务导向的数据集，为多