使用CAMEL创建第一个Agent Society
笔记哥 /
04-16 /
45点赞 /
0评论 /
859阅读
## CAMEL介绍
🐫 CAMEL 是一个开源社区，致力于探索代理的扩展规律。相信，在大规模研究这些代理可以提供对其行为、能力和潜在风险的宝贵见解。为了促进这一领域的研究，实现了并支持各种类型的代理、任务、提示、模型和模拟环境。
GitHub地址：
## 创建第一个代理社会
Society模块是 CAMEL 的核心模块之一。通过模拟信息交换过程，该模块研究代理之间的社会行为。
RolePlaying是 CAMEL 的一个独特的协作代理框架。通过这个框架，CAMEL 中的代理克服了诸如角色转换、助手重复指令、敷衍的回答、消息无限循环以及对话终止条件等众多挑战。
现在就来使用CAMEL 创建一个Agent Society。
编写.env如下所示：
```csharp
Silicon_Model_ID="Qwen/Qwen2.5-72B-Instruct"
ZHIPU_Model_ID="THUDM/GLM-4-32B-0414"
SiliconCloud_API_KEY="你的api key"
SiliconCloud_Base_URL="https://api.siliconflow.cn/v1"
```
想要使用两个不同的模型：
```csharp
from camel.societies import RolePlaying
from camel.agents import ChatAgent
from camel.models import ModelFactory
from camel.types import ModelPlatformType
import pathlib
import os
from dotenv import load_dotenv
sys_msg = 'You are a curious stone wondering about the universe.'
base_dir = pathlib.Path(__file__).parent.parent
env_path = base_dir / ".env"
load_dotenv(dotenv_path=str(env_path))
modeltype = os.getenv("Silicon_Model_ID")
modeltype2= os.getenv("ZHIPU_Model_ID")
api_key = os.getenv("SiliconCloud_API_KEY")
base_url = os.getenv("SiliconCloud_Base_URL")
siliconcloud_model = ModelFactory.create(
model_platform=ModelPlatformType.OPENAI_COMPATIBLE_MODEL,
model_type=modeltype,
api_key=api_key,
url=base_url,
model_config_dict={"temperature": 0.4, "max_tokens": 4096},
)
siliconcloud_model2 = ModelFactory.create(
model_platform=ModelPlatformType.OPENAI_COMPATIBLE_MODEL,
model_type=modeltype2,
api_key=api_key,
url=base_url,
model_config_dict={"temperature": 0.4, "max_tokens": 4096},
)
```
设置任务、AI用户、AI助手参数：
```csharp
task_kwargs = {
'task_prompt': '制定一个新人小白学习esp32的教程，使用中文回答。',
'with_task_specify': True,
'task_specify_agent_kwargs': {'model': siliconcloud_model}
}
user_role_kwargs = {
'user_role_name': '一个esp32小白',
'user_agent_kwargs': {'model': siliconcloud_model}
}
assistant_role_kwargs = {
'assistant_role_name': '一个esp32专家',
'assistant_agent_kwargs': {'model': siliconcloud_model2}
}
```
构建社会：
```csharp
society = RolePlaying(
**task_kwargs, # The task arguments
**user_role_kwargs, # The instruction sender's arguments
**assistant_role_kwargs, # The instruction receiver's arguments
)
```
让这个社会最多运行10轮：
```csharp
def is_terminated(response):
"""
Give alerts when the session should be terminated.
"""
if response.terminated:
role = response.msg.role_type.name
reason = response.info['termination_reasons']
print(f'AI {role} terminated due to {reason}')
return response.terminated
def run(society, round_limit: int=10):
# Get the initial message from the ai assistant to the ai user
input_msg = society.init_chat()
# Starting the interactive session
for _ in range(round_limit):
# Get the both responses for this round
assistant_response, user_response = society.step(input_msg)
# Check the termination condition
if is_terminated(assistant_response) or is_terminated(user_response):
break
# Get the results
print(f'[AI User] {user_response.msg.content}.\n')
# Check if the task is end
if 'CAMEL_TASK_DONE' in user_response.msg.content:
break
print(f'[AI Assistant] {assistant_response.msg.content}.\n')
# Get the input message for the next round
input_msg = assistant_response.msg
return None
if __name__ == "__main__":
run(society, round_limit=10)
```
查看效果。
第一轮：
第二轮：
AI用户会重新问一个与解决任务相关的问题。
第三轮：
第四轮：
第五轮：
第六轮：
第7轮：
当达到令牌限制时，为了满足限制，将从记忆中删除部分消息。
如果10轮还没完成的话会直接结束：
构建这个Agent Society有什么用呢？
我觉得一个很有用的点就是适合头脑风暴场景，有一个问题或者方案需要详细讨论，那就丢给两个或更多的AI，让它们进行详细讨论，我们先看一下它们的讨论情况，看看是否有一些有效的建议，看看能不能找到一些灵感。
如果觉得在控制台中不好看，可以将结果写入文件中：
```csharp
def run(society, round_limit: int=10):
# Get the initial message from the ai assistant to the ai user
input_msg = society.init_chat()
# Starting the interactive session
for _ in range(round_limit):
# Get the both responses for this round
assistant_response, user_response = society.step(input_msg)
# Check the termination condition
if is_terminated(assistant_response) or is_terminated(user_response):
break
# Get the results
print(f'[AI User] {user_response.msg.content}.\n')
# 写入一个md文件
with open('output.md', 'a', encoding='utf-8') as f:
f.write(f'[AI User] {user_response.msg.content}.\n')
# Check if the task is end
if 'CAMEL_TASK_DONE' in user_response.msg.content:
break
print(f'[AI Assistant] {assistant_response.msg.content}.\n')
# 写入一个md文件
with open('output.md', 'a', encoding='utf-8') as f:
f.write(f'[AI Assistant] {assistant_response.msg.content}.\n')
# Get the input message for the next round
input_msg = assistant_response.msg
return None
```
对于这个任务、AI用户、AI助手参数：
```csharp
task_kwargs = {
'task_prompt': '制定一个新人小白学习C#的教程，使用中文回答。',
'with_task_specify': True,
'task_specify_agent_kwargs': {'model': siliconcloud_model}
}
user_role_kwargs = {
'user_role_name': '一个想要学习C#小白',
'user_agent_kwargs': {'model': siliconcloud_model}
}
assistant_role_kwargs = {
'assistant_role_name': '一个C#专家',
'assistant_agent_kwargs': {'model': siliconcloud_model2}
}
```
写入到output.md文件的内容如下所示：
相对于自己一次一次与AI交互，有些时候自己定义一些角色，让它们自己去交互，我们只看它们的结果，还是更高效一些的。
本文来自投稿，不代表本站立场，如若转载，请注明出处：http//www.knowhub.vip/share/2/2316
- 热门的技术博文分享
- 1 . ESP实现Web服务器
- 2 . 从零到一：打造高效的金仓社区 API 集成到 MCP 服务方案
- 3 . 使用C#构建一个同时问多个LLM并总结的小工具
- 4 . .NET 原生驾驭 AI 新基建实战系列Milvus ── 大规模 AI 应用的向量数据库首选
- 5 . 在Avalonia/C#中使用依赖注入过程记录
- 6 . [设计模式/Java] 设计模式之工厂方法模式
- 7 . 5. RabbitMQ 消息队列中 Exchanges(交换机) 的详细说明
- 8 . SQL 中的各种连接 JOIN 的区别总结！
- 9 . JavaScript 中防抖和节流的多种实现方式及应用场景
- 10 . SaltStack 远程命令执行中文乱码问题
- 11 . 推荐10个 DeepSeek 神级提示词，建议搜藏起来使用
- 12 . C#基础：枚举、数组、类型、函数等解析
- 13 . VMware平台的Ubuntu部署完全分布式Hadoop环境
- 14 . C# 多项目打包时如何将项目引用转为包依赖
- 15 . Chrome 135 版本开发者工具（DevTools）更新内容
- 16 . 从零创建npm依赖，只需执行一条命令
- 17 . 关于 Newtonsoft.Json 和 System.Text.Json 混用导致的的序列化不识别的问题
- 18 . 大模型微调实战之训练数据集准备的艺术与科学
- 19 . Windows快速安装MongoDB之Mongo实战
- 20 . 探索 C# 14 新功能：实用特性为编程带来便利