14｜CAMEL：通过角色扮演脑暴一个鲜花营销方案

能否让 ChatGPT 自己生成这些引导文本呢？

CAMEL 交流式代理框架

CAMEL 框架旨在通过角色扮演来促进交流代理之间的自主合作，并为其“认知”过程提供洞察。这种方法涉及使用启示式提示来指导聊天代理完成任务，同时保持与人类意图的一致性。
交流式代理 Communicative Agents，是一种可以与人类或其他代理进行交流的计算机程序。这些代理可以是聊天机器人、智能助手或任何其他需要与人类交流的软件。
角色扮演 role-playing，则是这篇论文提出的主要思路，它允许交流代理扮演不同的角 色，以更好地与人类或其他代理交流。这意味着代理可以模仿人类的行为，理解人类的意 图，并据此做出反应。
启示式提示 inception prompting，是一种指导代理完成任务的方法。通过给代理提供一 系列的提示或指示，代理可以更好地理解它应该如何行动。

股票交易场景设计

场景和角色设置

人类用户角色：负责提供要实现的想法，如为股票市场开发一个交易机器人。
“ 人类可能不知道如何实现这个想法，但我们需要指定可能实现这个想法的角色，例如 Python 程序员和股票交易员。 ”
任务指定代理（Task Specifier Agent）：负责根据输入的想法为 AI 助手和 AI 用户确定一个 具体的任务。因为人类用户的想法可能比较模糊，所以任务指定代理将提供详细描述，以使想法具体化。
描述：**开发一个具有情感分析能力的交易机器人，该机器人可以监控社交媒体平台上特定股票 的正面或负面评论，并根据情感分析结果执行交易。 **

提示模板设计

在 CAMEL 这个角色扮演框架中，Prompt Engineering 非常关键。主要用于明确任务和分配角色。当会话开始后，AI 助手和 AI 用户会自动地相互给出提示，直到对话结束。这种方法被称为 “Inception Prompting”。
Inception Prompting 包括三种类型的提示：任务明确提示、AI 助手提示和 AI 用户提示。
** AI Society**：这个提示模板主要关注 AI 助手在多种不同角色中的表现。例如，AI 助手可能扮 演会计师、医生等等。
AI Code：这个提示模板主要关注与编程相关的任务。它涉及到多种编程语言，如 Java、 Python、JavaScript 生物学等 。

易速鲜花营销方案

准备工作

# 设置OpenAI API密钥
import os
os.environ["OPENAI_API_KEY"] = 'Your Key'

# 导入所需的库
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,
)

定义 CAMELAgent 类

定义 CAMELAgent 类。这是一个核心类，用于管理与语言模型的交互。它包含了初始 化消息、更新消息和与模型进行交互的方法。

# 定义CAMELAgent类，用于管理与语言模型的交互
class CAMELAgent:
    def __init__(
        self,
        system_message: SystemMessage,
        model: ChatOpenAI,
    ) -> None:
        self.system_message = system_message
        self.model = model
        self.init_messages()

    def reset(self) -> None:
        """重置对话消息"""
        self.init_messages()
        return self.stored_messages

    def init_messages(self) -> None:
        """初始化对话消息"""
        self.stored_messages = [self.system_message]

    def update_messages(self, message: BaseMessage) -> List[BaseMessage]:
        """更新对话消息列表"""
        self.stored_messages.append(message)
        return self.stored_messages

    def step(self, input_message: HumanMessage) -> AIMessage:
        """进行一步交互，并获取模型的响应"""
        messages = self.update_messages(input_message)

        output_message = self.model(messages)
        self.update_messages(output_message)

        return output_message

预设角色和任务提示

# 设置一些预设的角色和任务提示
assistant_role_name = "花店营销专员"
user_role_name = "花店老板"
task = "整理出一个夏季玫瑰之夜的营销活动的策略"
word_limit = 50  # 每次讨论的字数限制

assistant_role_name 和 user_role_name 是用来定义代理的角色。

任务指定代理

使用任务指定代理（Task Specifier）来明确任务描述。这是 CAMEL 框架的一个关键 步骤，它确保了任务描述的具体性和清晰性。

# 定义与指定任务相关的系统提示
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_specify_agent = CAMELAgent(task_specifier_sys_msg, ChatOpenAI(model_name = 'gpt-4', temperature=1.0))
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_specify_agent.step(task_specifier_msg)
print(f"Specified task: {specified_task_msg.content}")
specified_task = specified_task_msg.content

经过了这个环节之后，任务会被细化、明确化。
Original task prompt：整理出一个夏季玫瑰之夜营销活动的策略。
Specified task prompt：为夏季玫瑰之夜策划主题装饰，策划特价活动，制定广告推广方 案，组织娱乐活动，联系合作伙伴提供赞助。

系统消息模板

# 定义系统消息模板，并创建CAMELAgent实例进行交互
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>。"""


# 根据预设的角色和任务提示生成系统消息
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 Agent 实例

创建助手和用户的 CAMELAgent 实例，并初始化对话互动，使用 CAMELAgent 类的实例来 模拟助手和用户之间的对话交互。

# 创建助手和用户的CAMELAgent实例
assistant_agent = CAMELAgent(assistant_sys_msg, ChatOpenAI(temperature=0.2))
user_agent = CAMELAgent(user_sys_msg, ChatOpenAI(temperature=0.2))

# 重置两个agent
assistant_agent.reset()
user_agent.reset()

# 初始化对话互动
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")

这里，assistant_inception_prompt 和 user_inception_prompt 是两个关键的提示，用于引 导聊天代理的行为和交流方式。
** assistant_inception_prompt**：这个提示是为了引导助手（即营销专员）如何响应用户 （即花店老板）的指示。它明确指出助手的角色和职责，强调了在完成任务的过程中需要遵 循的一些基本规则和原则。
user_inception_prompt：这个提示是为了引导用户（即花店老板）如何给助手（即营销 专员）下达指示。

头脑风暴开始

# 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

CAMEL 框架的实现 角色扮演 、 任务的具体化 、 初始提示的设定 、 交互规范
一、感觉可以再增加一个方案评价的角色，每一轮对结果进行挑战和质疑，帮助AI进一步进行 优化，这样方案是不是就可以用于实操了。 以鲜花营销方案为例，可以这样调整一下： 1、营销要求进一步具体化，给出期望达到的目标 2、每一轮营销专员给出方案后，花店老板对给出的方案进行评价，并进一步给出优化要求 3、营销专员根据评价和进一步的要求，改进自己的方案 4、当花店老板评价方案达标时，结束循环 最后应该可以形成一个完善、可行的方案。 二、此外，花店老板、营销专员可以交叉使用不同的大模型，相互碰撞，将碰撞结果进行评 分，最终由GPT给出评分最高的三个方案，可以得到更好的结果。
怎么限制这个对话达到某个token数值前停止，防止超出token限 制，而且要得出答案。 可以在提示语中告诉模型，把答案限制在XXX字以内，同时要给出完整回答。