camel-ai/camel · 上手攻略

• 仓库：camel-ai/camel
• 链接：https://github.com/camel-ai/camel
• 分类：agent · ai（ai）
• 作者：Jay
• 更新：2026-07-07

这是什么

CAMEL（camel-ai/camel）是首个专注多 Agent 系统研究的开源框架，自称"Finding the Scaling Law of Agents"。它不是单 Agent 工具，而是一个用于构建、运行和分析大规模多 Agent 系统的平台级框架，官方定位是研究框架，支持模拟最多 100 万个 Agent 同时运行。CAMEL 背后是一个 100+ 研究员组成的国际社区，专注于多 Agent 的缩放定律（Scaling Law）研究。

解决的问题： 单 Agent 框架（如 LangChain Agent）只解决"一个 Agent 怎么用工具"，而 CAMEL 解决的是"多个 Agent 如何协作、如何分工、如何涌现能力"——这是多 Agent 时代最核心的研究问题。

快速安装

# 标准安装（PyPI）
pip install camel-ai

# 完整安装（含所有可选依赖）
pip install "camel-ai[all]"

# 安装特定工具包
pip install "camel-ai[web_tools]"    # 含 DuckDuckGo 搜索
pip install "camel-ai[rag]"           # RAG 相关依赖
pip install "camel-ai[agentscope]"    # AgentScope 集成

环境变量配置：

# 创建环境变量文件
cp .env.example .env
# 编辑 .env，填入 API Key
export OPENAI_API_KEY='your-api-key'

# 可选：开启日志记录
export CAMEL_MODEL_LOG_ENABLED=true
export CAMEL_LOG_DIR=camel_logs

核心用法

基本单 Agent 使用

from camel.models import ModelFactory
from camel.types import ModelPlatformType, ModelType
from camel.agents import ChatAgent
from camel.toolkits import SearchToolkit

# 创建模型（支持 OpenAI/Anthropic 等多种平台）
model = ModelFactory.create(
    model_platform=ModelPlatformType.OPENAI,
    model_type=ModelType.GPT_4O,
    model_config_dict={"temperature": 0.0},
)

# 创建 Agent
search_tool = SearchToolkit().search_duckduckgo
agent = ChatAgent(model=model, tools=[search_tool])

# 对话
response = agent.step("What is CAMEL-AI?")
print(response.msgs[0].content)

多 Agent 角色扮演（Role Playing）

CAMEL 的核心功能——两个 Agent 分别扮演不同角色协作完成任务：

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

model = ModelFactory.create(
    model_platform=ModelPlatformType.OPENAI,
    model_type=ModelType.GPT_4O,
)

# 定义角色：程序员 + 股票交易员协作写量化交易 Bot
role_play = RolePlaying(
    assistant_role_name="Python Programmer",
    assistant_model=model,
    user_role_name="Stock Trader",
    user_model=model,
)

# 启动对话
chat_result = role_play.chat(
    task_prompt="Develop a trading bot for the stock market.",
    round_limit=10,
)

print(chat_result.msgs[-1].content)

RAG（检索增强生成）

from camel.embeddings import OpenAIEmbedding
from camel.types import EmbeddingModelType
from camel.storages import QdrantStorage
from camel.retrievers import VectorRetriever

# 1. 初始化 embedding
embedding = OpenAIEmbedding(
    model_type=EmbeddingModelType.TEXT_EMBEDDING_3_LARGE
)

# 2. 向量存储（Qdrant）
storage = QdrantStorage(
    vector_dim=embedding.get_output_dim(),
    path="local_data",
    collection_name="my_collection",
)

# 3. 构建检索器
retriever = VectorRetriever(
    embedding_model=embedding,
    storage=storage,
)

# 4. 处理文档
retriever.process(content="path/to/document.pdf")

# 5. 查询
results = retriever.query(
    query="your question here",
    top_k=3,
    similarity_threshold=0.75,
)

MCP（Model Context Protocol）集成

from camel.agents import ChatAgent
from camel.mcp import MCPToolkit

# 连接 MCP 服务器
mcp_toolkit = MCPToolkit(server_config="path/to/mcp_config.json")
agent = ChatAgent(model=model, tools=mcp_toolkit.get_tools())

工具集成（ToolKit）

CAMEL 内置多种工具包：

from camel.toolkits import (
    SearchToolkit,      # DuckDuckGo 搜索
    BrowserToolkit,     # 网页浏览
    FunctionToolkit,    # 自定义函数工具
    WebSearchToolkit,   # 通用网页搜索
)

典型适用场景

• 多 Agent 协作研究：模拟两个 Agent（如"产品经理"+"工程师"）对话，研究协作涌现行为
• 大规模 Agent 仿真：学术研究需要模拟千/百万级 Agent（如社交网络模拟、市场博弈）
• Synthetic Data 生成：用多 Agent 对话自动生成高质量训练数据
• Chain-of-Thought 数据构建：通过 CAMEL 的 CoT 数据生成器构建推理轨迹数据
• RAG 系统构建：用 CAMEL 的 Retriever 模块快速搭检索增强系统
• 工具调用研究：集成各种外部工具（MCP/Composio）研究 Agent 工具使用能力

坑与注意

1. 主要面向研究和高级用户：API 文档相对完善，但上手需要一定 Python 基础和 LLM Agent 概念
2. 默认依赖 OpenAI：代码示例默认用 OpenAI，若用其他模型需查文档确认兼容性
3. 大规模 Agent 模拟硬件要求高：100 万 Agent 的说法是理论上限，实际需要大量内存和计算资源
4. 版本迭代快：CAMEL 仍在活跃开发中，API 可能随版本变化，生产环境使用前建议锁版本
5. Cohort 类 Agent 概念多：Agent/Society/RolePlaying/Workforce 等概念层级多，初学者容易混淆
6. Colab 依赖外部资源：部分 cookbook 在 Google Colab 中运行，涉及下载 arXiv 论文等大文件，可能较慢
7. 中文资料有限：官方文档英文为主，社区中文资源较少

与同类对比

CAMEL 的核心差异： 不是"帮你搭应用"的框架，而是"研究多 Agent 行为和缩放定律"的平台——如果你想研究"1000 个 Agent 会发生什么"，CAMEL 是最直接的选择；如果你想快速搭一个多 Agent 应用，CrewAI 或 LangGraph 可能更合适。

一句话结论

CAMEL 是目前最纯粹的多 Agent 研究框架，适合想深入研究 Agent 协作、生成大规模合成数据、或探索 Agent 缩放定律的开发者——但如果你只是想快速搭一个多 Agent 应用，LangGraph 或 CrewAI 的门槛更低。