CAMEL, un framework multiagente pensado para la investigación

Una idea surgida de un artículo de investigación

CAMEL popularizó una idea sencilla: en lugar de un solo modelo que se encarga de todas las tareas, dos agentes de IA se reparten papeles y dialogan para resolver una tarea. Desde entonces el proyecto ha crecido y hoy se presenta como una comunidad abierta que busca las «leyes de escala de los agentes». El framework ofrece agentes conversacionales (ChatAgent), un modo de juego de roles (RolePlaying), una «Workforce» para organizar equipos de agentes en jerarquía, además de memoria, herramientas, búsqueda documental y conectores con muchos proveedores de modelos.

Qué se construye con él

La documentación destaca tres usos. El primero es la generación de datos sintéticos: producir diálogos o razonamientos paso a paso que luego sirven para ajustar un modelo. El segundo es la automatización de tareas, con recetas para búsqueda web, análisis de documentos o un jurado de agentes que evalúa proyectos de un hackathon. El tercero es la simulación: el proyecto asociado OASIS busca simular un número muy grande de agentes para observar comportamientos colectivos. Los sistemas multiagente son, por tanto, el centro del proyecto y no un añadido.

CAMEL también se conecta al Model Context Protocol en los dos sentidos: usar herramientas externas o exponer sus propios agentes a otras aplicaciones.

Cómo empezar

El paquete se instala con pip install camel-ai y requiere una versión reciente de Python (3.10 o superior). La guía de inicio crea un ChatAgent conectado a una herramienta de búsqueda web, tras configurar una clave API de un proveedor de modelos. El repositorio incluye numerosos «cookbooks», tutoriales por temas, que son el paso natural para pasar al juego de roles o a la Workforce.

Puntos fuertes, límites y alternativas

Puntos fuertes. Licencia Apache 2.0, sólida base académica, amplia variedad de agentes, herramientas y modelos, y muchos recursos sobre generación de datos y simulación.

Límites. Se nota la orientación a la investigación: muchos módulos, una API extensa y menos piezas para producción (alojamiento, panel de control, gestión de usuarios) que los frameworks pensados para productos. Todavía no ha llegado a la versión 1.0, así que cabe esperar cambios en la API.

Alternativas. AutoGen comparte esa cultura de conversación entre agentes, MetaGPT organiza los agentes como un equipo de desarrollo de software y CrewAI ofrece un enfoque por roles más orientado a casos de negocio.

Sitio oficial: camel-ai.org.