基于 LangChain 与 CAMEL 框架开发智能 Agent 实战

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。

环境准备与代码实现

前置条件

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"

核心类设计

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

任务细化 (Task Specifier)

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}")

系统消息模板定义

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)

初始化 Agent 与对话循环

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

总结与展望

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。

关键技术点回顾

1. 角色分离: 明确区分 User Agent 和 Assistant Agent 的职责。
2. 提示词工程: 精心设计的 System Message 是控制 Agent 行为的关键。
3. 循环交互: 通过多轮对话逐步逼近任务目标。
4. 终止条件: 使用特定标记（如 <CAMEL_TASK_DONE>）判断任务完成。

未来方向

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。