本文介绍了基于 LangChain 和 CAMEL 框架开发智能 Agent 的实战方法。详细阐述了 CAMEL 框架的角色扮演机制、Inception Prompting 提示词工程技术，并通过股票交易和营销活动两个案例展示了多 Agent 协作流程。文章提供了完整的环境配置、核心类设计与代码实现，包括 Task Specifier 任务细化、System Message 模板定义及对话循环控制，旨在帮助开发者构建自主协作的 AI 系统。
Prompt Engineering（提示词工程）是解锁大语言模型（LLM）潜力的关键。如果提示词设计得当，并能将其技巧与具体工作场景深度结合，将极大提升效率。本文将深入探讨如何优化 Prompt 设计、管理 Prompt Template，并介绍 CAMEL 框架在构建多 Agent 协作系统中的应用。
是否可以让 LLM 为了某个任务尝试自己组装 Prompt Template，优化 Prompt 过程呢？CAMEL 框架提供了一种基于'角色扮演'的 LLM 交流方式，让不同的 AI Agent 扮演不同角色，通过相互聊天完成任务。
CAMEL 是 Communicate Agents for Mind Exploration of Large Scale Language Model Society 的首字母缩写。它包含五个核心概念：
每一次与大模型交互都是成长的机会。起初是用户与 Agent 的交流，用户需求通过 Prompt 清晰传达给 AI Agent。随后，该用户代理与其他 AI Agents 交流，交换信息、解决问题，最后汇报给用户。这种模式模拟了和谐的团队协作场景。
AI 应用开发在 CAMEL 的设计模式下，转变为开发各种具有特定角色的 Agent。不同角色各司其职，所有角色的 Agents 到齐后，通过聊天式协作完成工作。例如，一个项目可能需要 Python 工程师、财务分析师和项目经理三种角色的 Agent 协同。
为了让不同角色的 Agent 完成工作，我们需要为每个 Agent 提供清晰的初始提示（Prompt）。这个 Prompt 即 Agent 聊天的内容，除最初用户的交待外，其余由 Agent 自己生成，通过聊天的方式传递给其它 Agent。这种方法被称为 Inception Prompting。
CAMEL 论文中提出了一个经典的股票交易例子来演示其工作原理。
任务指定代理会生成类似以下的提示：
开发一个股票交易 robot，收集社交媒体上特定股票的信息，并根据情感分析执行交易。
这样，其他 Agents 就得到了清晰的任务，可以开始执行。它们之间经过多轮对话，直到任务完成，无需人工介入。
当 CAMEL 框架运行时，Prompt Engineering 变得更为重要。Prompt 设计主要在角色扮演的最初阶段进行，用于明确任务和分配角色。之后，AI Agents 间会自动地相互提示。
Inception Prompting 包含以下三部分：
基于 CAMEL 思想设计的 AI 框架包含更高明的提示词设计，才让自动生成 Prompt 得以运行。例如，CAMEL 提供了一个 AI Society 的提示模板系统，让 AI 助手更好地匹配需要的角色（如会计师、股票分析师等），还有一个 AI Code 的提示模板系统负责生成代码类的工作。
确保已安装必要的 Python 库：
pip install langchain langchain-openai python-dotenv typing
设置环境变量以保护 API Key：
import os
os.environ["OPENAI_API_KEY"] = "your_api_key_here"
CAMELAgent 是核心组件，包含消息初始化、模型交互、多次对话更新等功能，主要负责对话管理。
from typing import List
from langchain.chat_models import ChatOpenAI
from langchain.prompts.chat import (
SystemMessagePromptTemplate,
HumanMessagePromptTemplate
)
from langchain.schema import (
AIMessage,
HumanMessage,
SystemMessage,
BaseMessage
)
class CAMELAgent:
def __init__(self, system_message: SystemMessage, model: ChatOpenAI) -> None:
self.system_message = system_message
self.model = model
self.init_messages()
def init_messages(self) -> None:
# 初始对话消息
self.stored_messages = [self.system_message]
def update_messages(self, message: BaseMessage) -> List[BaseMessage]:
self.stored_messages.append(message)
return self.stored_messages
def reset(self) -> None:
self.init_messages()
return self.stored_messages
def step(self, input_message: HumanMessage) -> AIMessage:
messages = self.update_messages(input_message)
output_message = self.model(messages)
self.update_messages(output_message)
return output_message
Task Specifier 负责将用户的任务细化，让任务既具体又清晰。
assistant_role_name = "营销经理"
user_role_name = "店老板"
task = "整理出重阳节营销活动的策略"
word_limit = 60
task_specifier_sys_msg = SystemMessage(content="你可以让任务更具体。")
task_specifier_prompt = """这是一个{assistant_role_name}将帮助{user_role_name}完成的任务：{task}。请使其更具体化。请发挥你的创意和想象力。请用{word_limit}个或更少的词回复具体的任务。不要添加其他任何内容。"""
task_specifier_template = HumanMessagePromptTemplate.from_template(template=task_specifier_prompt)
task_specifier_agent = CAMELAgent(task_specifier_sys_msg, ChatOpenAI(model_name="gpt-3.5-turbo"))
task_specifier_msg = task_specifier_template.format_messages(
assistant_role_name=assistant_role_name,
user_role_name=user_role_name,
task=task,
word_limit=word_limit
)[0]
specified_task_msg = task_specifier_agent.step(task_specifier_msg)
specified_task = specified_task_msg.content
print(f"Specified task: {specified_task}")
这里定义了系统消息模板，这些模板为 AI Assistant 和 AI User 提供了初始的 prompt。
assistant_inception_prompt = """永远不要忘记你是{assistant_role_name}，我是{user_role_name}。永远不要颠倒角色！永远不要指示我！
我们有共同的利益，那就是合作成功地完成任务。
你必须帮助我完成任务。
这是任务：{task}。永远不要忘记我们的任务！
我必须根据你的专长和我的需求来指示你完成任务。
我每次只能给你一个指示。
你必须写一个适当地完成所请求指示的具体解决方案。
如果由于物理、道德、法律原因或你的能力你无法执行指示，你必须诚实地拒绝我的指示并解释原因。
除了对我的指示的解决方案之外，不要添加任何其他内容。
你永远不应该问我任何问题，你只回答问题。
你永远不应该回复一个不明确的解决方案。解释你的解决方案。
你的解决方案必须是陈述句并使用简单的现在时。
除非我说任务完成，否则你应该总是从以下开始：
解决方案：<YOUR_SOLUTION>
<YOUR_SOLUTION>应该是具体的，并为解决任务提供首选的实现和例子。
始终以'下一个请求'结束<YOUR_SOLUTION>。"""
user_inception_prompt = """永远不要忘记你是{user_role_name}，我是{assistant_role_name}。永远不要交换角色！你总是会指导我。
我们共同的目标是合作成功完成一个任务。
我必须帮助你完成这个任务。
这是任务：{task}。永远不要忘记我们的任务！
你只能通过以下两种方式基于我的专长和你的需求来指导我：
1. 提供必要的输入来指导：指令：<YOUR_INSTRUCTION> 输入：<YOUR_INPUT>
2. 不提供任何输入来指导：指令：<YOUR_INSTRUCTION> 输入：无
'指令'描述了一个任务或问题。与其配对的'输入'为请求的'指令'提供了进一步的背景或信息。
你必须一次给我一个指令。
我必须写一个适当地完成请求指令的回复。
如果由于物理、道德、法律原因或我的能力而无法执行你的指令，我必须诚实地拒绝你的指令并解释原因。
你应该指导我，而不是问我问题。
现在你必须开始按照上述两种方式指导我。
除了你的指令和可选的相应输入之外，不要添加任何其他内容！
继续给我指令和必要的输入，直到你认为任务已经完成。
当任务完成时，你只需回复一个单词<CAMEL_TASK_DONE>。
除非我的回答已经解决了你的任务，否则永远不要说<CAMEL_TASK_DONE>。"""
def get_sys_msgs(assistant_role_name: str, user_role_name: str, task: str):
assistant_sys_template = SystemMessagePromptTemplate.from_template(template=assistant_inception_prompt)
assistant_sys_msg = assistant_sys_template.format_messages(
assistant_role_name=assistant_role_name,
user_role_name=user_role_name,
task=task,
)[0]
user_sys_template = SystemMessagePromptTemplate.from_template(template=user_inception_prompt)
user_sys_msg = user_sys_template.format_messages(
assistant_role_name=assistant_role_name,
user_role_name=user_role_name,
task=task,
)[0]
return assistant_sys_msg, user_sys_msg
assistant_sys_msg, user_sys_msg = get_sys_msgs(assistant_role_name, user_role_name, specified_task)
创建助手和用户的 CAMELAgent 实例，重置状态，并启动对话互动。
assistant_agent = CAMELAgent(assistant_sys_msg, ChatOpenAI(temperature=0.2))
user_agent = CAMELAgent(user_sys_msg, ChatOpenAI(temperature=0.2))
assistant_agent.reset()
user_agent.reset()
assistant_msg = HumanMessage(content=(f"{user_sys_msg.content}." "现在开始逐一给我介绍。" "只回复指令和输入。"))
user_msg = HumanMessage(content=f"{assistant_sys_msg.content}")
user_msg = assistant_agent.step(user_msg)
print(f"Original task prompt:\n{task}\n")
print(f"Specified task prompt:\n{specified_task}\n")
# 模拟对话交互，直到达到对话轮次上限或任务完成
chat_turn_limit, n = 30, 0
while n < chat_turn_limit:
n += 1
user_ai_msg = user_agent.step(assistant_msg)
user_msg = HumanMessage(content=user_ai_msg.content)
print(f"AI User ({user_role_name}):\n\n{user_msg.content}\n\n")
assistant_ai_msg = assistant_agent.step(user_msg)
assistant_msg = HumanMessage(content=assistant_ai_msg.content)
print(f"AI Assistant ({assistant_role_name}):\n\n{assistant_msg.content}\n\n")
if "<CAMEL_TASK_DONE>" in user_msg.content:
break
Inception Prompting 方法是继 Prompt Engineering 后，关于 Prompt 的强大概念，它来自 AI Agents 间的自动生成。通过本文的学习，我们了解了如何开发基于 LangChain 和 CAMEL 的 Agent 系统。
<CAMEL_TASK_DONE>）判断任务完成。随着多 Agent 系统的成熟，我们可以期待更复杂的协作场景，例如跨平台的数据处理、自动化的软件开发流水线以及智能客服集群。掌握 CAMEL 框架的核心原理，将为构建下一代 AI 应用打下坚实基础。
在实际应用中，建议根据具体业务场景调整 Prompt 模板的温度参数（Temperature）和最大对话轮次，以平衡创造性与稳定性。同时，注意监控 Token 消耗，优化上下文窗口管理。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online