CAMEL: Ein Python-Framework auf der Suche nach den Skalierungsgesetzen von Agenten

CAMEL und die Frage nach den Skalierungsgesetzen von Agenten

CAMEL versteht sich als quelloffene Gemeinschaft mit einem klaren Forschungsziel: den Skalierungsgesetzen von Agenten auf die Spur kommen, also der Frage, wie sich Verhalten, Fähigkeiten und potenzielle Risiken verändern, wenn viele Agenten im großen Maßstab arbeiten. Um diese Forschung zu tragen, implementiert und unterstützt das Python-Framework verschiedene Typen von Agenten, Aufgaben, Prompts, Modellen und simulierten Umgebungen.

Die Metadaten zeigen rund 17.600 Sterne und über 2.000 Forks, die Community zählt laut README mehr als 100 beteiligte Forschende. Bemerkenswert ist der Selbstanspruch in der Repository-Beschreibung, das erste und beste Multi-Agenten-Framework zu sein; das bleibt eine Selbstbeschreibung ohne unabhängige Bewertung, und genau solche Kennzeichnungen gehören in jede rationale Auseinandersetzung mit dem Projekt. Die Existenz einer auf der NeurIPS 2023 vorgestellten Publikation mit zitierfähiger Referenz im README gibt der Forschungsorientierung dagegen ein überprüfbares Fundament.

Evolvability, Statefulness und Code-as-Prompt: Die Designprinzipien von CAMEL

Vier Prinzipien leiten laut README das Framework. Evolvability beschreibt Systeme, die sich durch Datengenerierung und Umgebung-interaktion weiterentwickeln, getrieben durch Reinforcement Learning mit verifizierbaren Belohnungen oder überwachtes Lernen. Scalability zielt auf Systeme mit Millionen von Agenten und verlangt Koordination, Kommunikation und Ressourcenverwaltung in diesem Maßstab, die Funktionstabelle nennt bis zu eine Million simulierbare Agenten.

Statefulness bedeutet, dass Agenten Speicher über mehrere Interaktionsschritte halten, um mehrstufige Aufgaben zu bewältigen. Das ungewöhnlichste Prinzip ist Code-as-Prompt: Jede Codezeile und jeder Kommentar dient als Prompt für Agenten, Code soll deshalb klar und lesbar geschrieben sein, damit Menschen und Agenten ihn gleich gut interpretieren. Für die Bewertung von Experimenten nennt die Tabelle standardisierte Benchmarks zur Erzielung reproduzierbarer Vergleiche, mehrere Agententypen für interdisziplinäre Experimente sowie Tool-Integration für strukturierte Datengenerierung.

pip install camel-ai: ChatAgent, ModelFactory und der erste Lauf

Die Installation läuft über PyPI: pip install camel-ai, Erweiterungen kommen in Extras-Syntax, etwa pip install 'camel-ai[web_tools]' für die Web-Werkzeuge. Der Quick Start baut über ModelFactory einen ChatAgent mit einem OpenAI-GPT-4O-Modell und Temperatur 0.0, hängt ein DuckDuckGo-Suchwerkzeug aus SearchToolkit an und stellt zwei Fragen: was CAMEL-AI ist und wo der GitHub-Link zum Framework liegt.

Der Lauf braucht einen OpenAI-API-Schlüssel, entweder als Umgebungsvariable OPENAI_API_KEY oder in einer aus .env.example kopierten .env-Datei. Optionale Variablen schalten JSON-Protokolle für Anfragen und Antworten ein, steuern, ob das model_config_dict geloggt wird, und setzen das Log-Verzeichnis; die Protokolle werden als UTF-8-JSON geschrieben und tragen mehrsprachige Texte, von Chinesisch bis Arabisch. Für den Einstieg ohne lokale Einrichtung verlinkt das README ein Colab-Notebook, das zwei ChatGPT-Agenten als Python-Programmierer und Aktienhändler zeigt, die gemeinsam einen Handelsbot entwickeln.

self_instruct und source2synth: Datengenerierung im camel-Modulbaum

Datengenerierung ist eine von drei hervorgehobenen Nutzungskategorien, neben Aufgabenautomatisierung und Weltsimulation. Die Komponenten liegen im Modul camel/datagen und tragen sprechende Namen: cot_datagen.py für Chain-of-Thought-Daten, der Unterbaum camel/datagen/self_instruct für Self-Instruct-Generierung, source2synth für die Synthese aus Quellen sowie self_improving_cot.py für selbstverbesserndes CoT. Externe Vorarbeiten, die zitiert werden sollen, sind TaskCreationAgent und TaskPrioritizationAgent von Nakajima et al., PersonaHub von Tao Ge et al. und Self-Instruct von Yizhong Wang et al.

Die daraus hervorgegangenen synthetischen Datensätze werden auf Hugging Face unter der Organisation camel-ai gehostet und decken AI Society, Code, Math, Physics, Chemistry und Biology ab, jeweils im Chat- und im Instruktionsformat. Diese Kopplung aus Generierungswerkzeug und veröffentlichten Datensätzen ist die konkrete Differenz zu Frameworks, die nur Werkzeuge liefern: Wer Forschung an LLM-Daten betreibt, kann die bereits produzierten Korpora nutzen, statt jeden Datensatz selbst zu generieren, und die Generierungsketten lassen sich am Quellcode nachvollziehen.

role_playing.py und Workforce: Agentengesellschaften im CAMEL-Framework

Für Aufgabenautomatisierung stellt das Framework Gesellschaften bereit, im Modul camel/societies verankert, unter anderem in role_playing.py. Das klassische Muster ist das Rollenspiel zweier Agenten mit unterschiedlichen Rollen, wie es das Colab-Notebook mit Programmierer und Aktienhändler zeigt. Darüber hinaus orchestriert Workforce Teams von Agenten für zusammengesetzte Aufgaben, die Cookbooks zeigen damit gebaut ein Hackathon-Jurysystem und dynamische Wissensgraphen für Finanzanwendungen.

Die Cookbooks sortieren das Arsenal: Grundkonzepte behandeln den ersten Agenten, eine Agentengesellschaft und Nachrichtenverarbeitung, fortgeschrittene Kapitel Werkzeuge, Speicher, Retrieval-Augmented Generation, Graph-RAG und Agenten-Tracking. Model-Training-Kapitel zeigen Datengenerierung mit CAMEL und Feintuning mit Unsloth, echte Funktionsaufrufe im Hermes-Format sowie das Hochladen von CoT-Daten auf Hugging Face. Datenverarbeitungskapitel decken Videoanalyse, das Aufnehmen von Websitedaten mit Firecrawl und PDF-Analyse mit Chunkr und Mistral AI ab. Ein Discord-Kundendienst-Bot mit agentischem RAG rundet die Anwendungsfälle ab.

OWL, OASIS und Apache-2.0: Das Forschungsumfeld von CAMEL

Mit dem Projekt verbunden sind mehrere Forschungsanwendungen, das README nennt OWL, OASIS, CRAB, Loong, Agent Trust und Emos, jeweils verlinkt. Aus der Gemeinschaft hervorgegangen sind ChatDev für Softwareentwicklung, Paper2Poster und Paper2Video für Poster- und Videoerstellung aus wissenschaftlichen Arbeiten sowie Eigent, beschrieben als Multi-Agenten-Workforce-Produkt. Diese Gelände zeigen, wo die Grenze des Rahmens liegt: CAMEL selbst ist Forschungsinfrastruktur, die Produkte daneben tragen den Produktionsanspruch.

Der Code steht unter Apache-2.0, der Lizenzauszug gewährt eine unbefristete, weltweite, nicht-exklusive Urheberrechtslizenz mit Vervielfältigung, abgeleiteten Werken, Unterlizenzierung und Verbreitung, dazu eine Patentlizenz für Beiträge, schweigt aber zu Gewährleistung und Support. Die Versionslinie bestätigt den Vorab-Charakter: Im Juli 2026 erschien v0.2.91a5, davor v0.2.91a4 und v0.2.91a3 im April, alles Alpha-Tags der 0.2.x-Reihe. Wer das Framework in eigene Systeme einbettet, sollte deshalb den installierten Versionstag festschreiben und Änderungen zwischen Alpha-Releases im Changelog der Releases nachlesen, bevor ein Upgrade die eigenen Experimente unverändert lässt.

Redaktionelles Fazit

CAMEL passt für Forschende und Teams, die Multi-Agenten-Verhalten systematisch untersuchen, synthetische Daten erzeugen oder Agentengesellschaften in simulierten Umgebungen skalieren wollen. Wer ein ausgereiftes Produktionsframework mit Support-SLA sucht, wird von den Vorab-Versionen der 0.2.x-Reihe und den fehlenden Leistungsmessungen nicht bedient. Vor dem Ernstfall zuerst den ChatAgent aus dem Quick Start mit eigenem OPENAI_API_KEY laufen lassen, dann ein Cookbook wie die Workforce-Hackathon-Jury nachbauen und erst danach an Datenmengen im großen Stil denken.

Offizielle Quellen

1. Official documentation
2. Official README
3. Project repository
4. Release notes