Un precursore accademico
Il 21 marzo 2023 Guohao Li e colleghi della KAUST (King Abdullah University of Science and Technology) pubblicano il paper “CAMEL: Communicative Agents for ‘Mind’ Exploration of Large Language Model Society”. Il rilascio avviene a pochi giorni di distanza da GPT-4 ed è uno dei primi framework multi-agent apparsi nella letteratura scientifica dopo l’emergere dei grandi modelli linguistici. Il codice è pubblicato su GitHub con licenza Apache 2.0.
L’obiettivo del paper è studiare come agenti LLM autonomi possano cooperare per risolvere task complessi senza intervento umano a ogni passo, un problema che diventerà centrale nel 2024-2025 con l’esplosione dei framework agentici.
Role-playing e inception prompting
Il meccanismo centrale di Camel è il role-playing tra due agent: un User Agent e un Assistant Agent instanziati da prompt di sistema che definiscono ruoli complementari. Data una descrizione del task, gli agent dialogano iterativamente fino al completamento. L’User Agent formula richieste incrementali, l’Assistant Agent esegue passi concreti.
Per ridurre la deriva del dialogo — comune nelle conversazioni multi-turn tra LLM — Camel introduce l’inception prompting: un prompt di sistema strutturato che include vincoli espliciti sul comportamento, il formato dei messaggi e i criteri di terminazione. La task specification è una fase iniziale in cui gli agent concordano una definizione operativa del problema prima di iniziare la risoluzione.
Data generation e società di agent
Oltre al caso d’uso diretto per la risoluzione di task, Camel è stato utilizzato per generare dataset di conversazioni sintetiche tra agent, impiegati poi per fine-tuning di modelli open source. Questa direzione — data generation tramite self-play di agent — è una delle prime applicazioni documentate del paradigma che sarebbe diventato centrale nel training dei modelli successivi.
Il paper originale esplora anche il concetto di “LLM society”: un insieme esteso di agent con ruoli diversificati che interagiscono secondo regole definite. Questo filone ha anticipato le architetture multi-agent complesse come AutoGen o CrewAI.
Evoluzione in Workforce
Il progetto è in continua evoluzione: il framework è stato esteso in Camel Workforce, un’implementazione per orchestrare team di agent eterogenei con ruoli definiti dinamicamente, e in moduli dedicati alla generazione di dati per addestramento. Camel-AI continua a essere sviluppato attivamente dalla community KAUST con contributi dall’ampia rete di ricerca internazionale.
Link: camel-ai.org