CAMEL, un framework multi-agents pensé pour la recherche

Une idée née d’un article de recherche

CAMEL a popularisé une idée simple : plutôt qu’un seul modèle qui fait tout, deux agents IA se répartissent des rôles et dialoguent pour résoudre une tâche. Depuis, le projet s’est élargi et se présente comme une communauté ouverte qui cherche les « lois d’échelle des agents ». Le framework fournit des agents conversationnels (ChatAgent), le mode jeu de rôle (RolePlaying), une « Workforce » pour organiser des équipes d’agents en hiérarchie, de la mémoire, des outils, de la recherche documentaire et des connecteurs vers de nombreux fournisseurs de modèles.

Ce que l’on construit avec

La documentation met en avant trois usages. Le premier est la génération de données synthétiques : produire des dialogues ou des raisonnements étape par étape qui serviront ensuite à affiner un modèle. Le deuxième est l’automatisation de tâches, avec des recettes pour la recherche web, l’analyse de documents ou un jury d’agents qui évalue des projets. Le troisième est la simulation : le projet associé OASIS vise à simuler un très grand nombre d’agents pour observer des comportements collectifs. Les systèmes multi-agents sont donc au cœur du projet, pas une option.

CAMEL sait aussi se brancher sur le Model Context Protocol, dans les deux sens : utiliser des outils externes, ou exposer ses propres agents à d’autres applications.

Comment démarrer

Le paquet s’installe avec pip install camel-ai et demande une version récente de Python (3.10 ou plus). Le guide de démarrage crée un ChatAgent relié à un outil de recherche web, après avoir renseigné une clé API d’un fournisseur de modèles. Le dépôt contient de nombreux « cookbooks », des tutoriels thématiques, utiles pour passer ensuite au jeu de rôle ou à la Workforce.

Forces, limites et alternatives

Forces. Licence Apache 2.0, ancrage académique solide, large palette d’agents, d’outils et de modèles, ressources abondantes pour la génération de données et la simulation.

Limites. L’orientation recherche se ressent : beaucoup de modules, une API vaste, et moins de briques de mise en production (hébergement, tableau de bord, gestion des utilisateurs) que les frameworks pensés pour les produits. Le framework n’a pas encore atteint de version 1.0, ce qui laisse attendre des changements d’API.

Alternatives. AutoGen partage cette culture de la conversation entre agents, MetaGPT organise les agents comme une équipe de développement logiciel et CrewAI propose une approche par rôles plus orientée vers les usages métier.

Site officiel : camel-ai.org.