CAMEL Multi-Agent 多智能体入门1

CAMEL Multi-Agent 多智能体学习 1

一、环境配置准备

1. 获取CAMEL

• 在python中安装CAMEL库

  pip install "camel-ai[all]==0.2.19"
  

2. 获取API KEY

   我们可以去魔搭社区，绑定阿里巴巴云账号之后，就可与获取到API KEY了

3. 使用API 调用模型

• 调用DeepseekR1模型

这里我们使用CAMEL中的ChatAgent模块来简单调用一下Deepseek-R1模型

调用代码如下：

我们来问问它是谁

from camel.agents import ChatAgent
from camel.models import ModelFactory
from camel.types import ModelPlatformType

model = ModelFactory.create(
    model_platform=ModelPlatformType.OPENAI_COMPATIBLE_MODEL,
    model_type='deepseek-ai/DeepSeek-R1',
    url='https://api-inference.modelscope.cn/v1/',
    api_key='替换为自己的API key'
)
agent = ChatAgent(
    model=model,
    output_language='中文'
)

response = agent.step("你好，请说明你是谁，并简单介绍自己")
print(response.msgs[0].content)

deepseek的回答如下：

您好！我是DeepSeek-R1，一个由深度求索公司开发的智能助手。我基于大数据和机器学习技术训练而成，能够理解多语言、处理复杂逻辑推理，并通过实时联网获取最新信息。我的核心功能包括日常问题解答、学习辅助、任务规划、多模态内容生成等，旨在为用户提供高效准确的信息服务。若您有任何需求，随时告诉我即可~

(有warning可忽略~ 我尝试加上过max_tokens 但报错了)

• 调用多模态模型通义千问QVQ-72B-Preview

  我们输入一张图片的URL 和 问题
  

  “请描述这张图片的内容“

  from camel.agents import ChatAgent
  from camel.models import ModelFactory
  from camel.types import ModelPlatformType
  from camel.messages import BaseMessage
  
  from io import BytesIO
  import requests
  from PIL import Image
  
  
  model = ModelFactory.create(
      model_platform=ModelPlatformType.OPENAI_COMPATIBLE_MODEL,
      model_type="Qwen/QVQ-72B-Preview",
      url='https://api-inference.modelscope.cn/v1/',
      api_key='自己的api'
  )
  
  agent = ChatAgent(
      model=model,
      output_language='中文'
  )
  
  # 图片URL
  url = "https://img0.baidu.com/it/u=2205376118,3235587920&fm=253&fmt=auto&app=120&f=JPEG?w=846&h=800"
  response = requests.get(url)
  img = Image.open(BytesIO(response.content))
  
  user_msg = BaseMessage.make_user_message(
      role_name="User",
      content="请描述这张图片的内容",
      image_list=[img]  # 将图片放入列表中
  )
  
  response = agent.step(user_msg)
  print(response.msgs[0].content)
  
  
  

  通义千问的回答如下：

  这是一张金毛寻回犬的特写照片。这只狗有着浓密的金色毛发，耳朵垂在头部两侧，眼睛明亮而有神，黑色的鼻子显得很突出。它的嘴巴微微张开，露出了粉红色的舌头，看起来非常友好和活泼。背景是一片模糊的绿色，可能是在户外的自然环境中拍摄的。整体来说，这张照片展示了一只健康、快乐的金毛寻回犬，它的表情充满了热情和活力。

二、使用CAMEL来开发机器人

在这一部分会使用到CAMEL的核心模块之一RolePlaying

我们来运用这个模块多轮迭代创造一个交易机器人

代码步骤如下：

初始化角色

• AI 助手 = Python 程序员
• AI 用户 = 股票交易员

任务目标

• 股票交易员指引 Python 程序员完成交易机器人开发。

对话循环

• AI 助手和 AI 用户不断交互，基于 AI 生成的消息驱动对话，直到达到上限或任务完成。

终止条件

• 达到最大轮数
• AI 认为任务已完成
• AI 返回终止信号

代码如下 内含有关键注释

from colorama import Fore

from camel.societies import RolePlaying
from camel.utils import print_text_animated
from camel.models import ModelFactory
from camel.types import ModelPlatformType

from dotenv import load_dotenv

import os

load_dotenv()
#这里要记得自己增加.env文件存放api_key
api_key = os.getenv('API_KEY')

model = ModelFactory.create(
    model_platform=ModelPlatformType.OPENAI_COMPATIBLE_MODEL,
    model_type='deepseek-ai/DeepSeek-R1',
    url='https://api-inference.modelscope.cn/v1/',
    api_key=api_key
)


#默认对话轮数上线为50回合
def main(model=model, chat_limit=50):
    task_prompt = "请为股票市场开发一个交易机器人"
    # 一、定义角色扮演会话
    role_playing = RolePlaying(
        assistant_role_name="Python 程序员",  # AI助手的角色是"Python程序员"
        assistant_agent_kwargs=dict(model=model),  # AI助手使用指定的模型

        user_role_name="股票交易员",
        user_agent_kwargs=dict(model=model),

        task_prompt=task_prompt,  # 设定任务目标
        with_task_specify=True,  # 启用任务详细描述
        task_specify_agent_kwargs=dict(model=model),  # AI助手生成详细任务描述
        output_language='中文'
    )

    # 二、打印初始信息
    # Fore 是 colorama 库中的一个模块，用于在终端中更改文本颜色。
    print(
        Fore.GREEN
        + f"AI 助手系统消息:\n{role_playing.assistant_sys_msg}\n"
    )
    # AI 助手系统消息 (assistant_sys_msg)：AI 作为“Python 程序员”如何执行任务的提示信息。
    print(
        Fore.BLUE + f"AI 用户系统消息:\n{role_playing.user_sys_msg}\n"
    )
    # AI 用户系统消息 (user_sys_msg)：AI 作为“股票交易员”提供的任务指导信息。
    print(Fore.YELLOW + f"原始任务提示:\n{task_prompt}\n")
    print(
        Fore.CYAN
        + "指定的任务提示:"
        + f"\n{role_playing.specified_task_prompt}\n"
    )
    # 指定的任务提示(specified_task_prompt)：任务经过AI处理后的详细版本。
    print(Fore.RED + f"最终任务提示:\n{role_playing.task_prompt}\n")

    # 三、开始对话，对话循环
    n = 0
    # 获取 AI 用户（股票交易员）的初始问题。
    input_msg = role_playing.init_chat()

    while n < chat_limit:
        n += 1
        # 让AI 助手（Python 程序员）和 AI 用户（股票交易员）交互，返回双方的消息。
        assistant_response, user_response = role_playing.step(input_msg)

        # 如果终止 打印终止信息并退出
        if assistant_response.terminated:
            print(Fore.GREEN + ("AI 助手已终止。原因: "
                                f"{assistant_response.info['termination_reasons']}."
                                )
                  )
            break
        if user_response.terminated:
            print(
                Fore.GREEN
                + (
                    "AI 用户已终止。"
                    f"原因: {user_response.info['termination_reasons']}."
                )
            )
            break

        # 打印 AI用户和AI助手 交互内容
        print_text_animated(
            Fore.BLUE + f"AI 用户:\n\n{user_response.msg.content}\n"
        )
        print_text_animated(
            Fore.GREEN + "AI 助手:\n\n"
                         f"{assistant_response.msg.content}\n"
        )

        # 任务完成检测 如果 AI 用户的消息包含 "CAMEL_TASK_DONE"，说明任务已完成 终止
        if "CAMEL_TASK_DONE" in user_response.msg.content:
            break

        # 更新输入消息 将 AI 助手的最新回复作为下一轮 AI 用户（股票交易员）的输入，继续对话。
        input_msg = assistant_response.msg


if __name__ == "__main__":
    main()

接下来让我们运行代码

首先出来的是初始信息，任务提示经过进一步的指定，变得更为详细和具体，确定两个AI角色的任务及规范

任务是逐步进行的，AI 用户在任务执行过程中将持续给出指令，AI 助手提供相应的技术实现。

任务完成标志是 AI 用户回复 <CAMEL_TASK_DONE>：

接下来开始进行多轮对话，以下是第一轮对话的片段

最终就能完成任务 让两个AI配合开发出一个股票预测机器人

以上就是初步的创建智能体进行对话迭代完成任务的过程

当然你也可以修改model_type参数来使用不同的模型，比如通义千问、ChatGPT或Llama等

或者修改output_language参数 来更改AI输出的语言，换成英文或者日语都可以