camel

Community |
Installation |
Examples |
Paper |
Citation |
Contributing |
CAMEL-AI

🐫 CAMEL은 에이전트의 스케일링 법칙을 찾는 데 전념하는 오픈소스 커뮤니티입니다. 우리는 이러한 에이전트를 대규모로 연구하는 것이 에이전트의 행동, 능력, 잠재적 위험에 대한 귀중한 통찰을 제공한다고 믿습니다. 이 분야의 연구를 촉진하기 위해 우리는 다양한 유형의 에이전트, 작업, 프롬프트, 모델, 시뮬레이션 환경을 구현하고 지원합니다.

에이전트의 스케일링 법칙을 찾는 경계를 넓히는 일에 (Discord 또는 WeChat으로) 함께해 주세요.

GitHub에서 CAMEL에 🌟 스타를 눌러 새 릴리스에 대한 알림을 즉시 받아보세요.

목차

CAMEL 프레임워크 설계 원칙
연구에 CAMEL을 사용해야 하는 이유
CAMEL로 무엇을 만들 수 있나요?

데이터 생성
작업 자동화
세계 시뮬레이션

빠른 시작

ChatAgent 시작하기
도움 받기

기술 스택
연구
합성 데이터셋
쿡북 (유스케이스)

기본 개념
고급 기능
모델 학습 및 데이터 생성
멀티 에이전트 시스템 및 애플리케이션
데이터 처리

실제 유스케이스
🧱 CAMEL로 구축된 것 (실제 제품 및 연구)

연구 프로젝트
제품 프로젝트

🗓️ 이벤트
CAMEL에 기여하기
커뮤니티 및 연락처
인용
감사의 말
라이선스

CAMEL 프레임워크 설계 원칙
🧬 진화 가능성
이 프레임워크는 데이터를 생성하고 환경과 상호작용함으로써 멀티 에이전트 시스템이 지속적으로 진화할 수 있도록 합니다. 이러한 진화는 검증 가능한 보상을 통한 강화 학습 또는 지도 학습에 의해 주도될 수 있습니다.

📈 확장성
이 프레임워크는 수백만 개의 에이전트를 가진 시스템을 지원하도록 설계되어, 대규모에서의 효율적인 조정, 통신, 리소스 관리를 보장합니다.

💾 상태 유지
에이전트는 상태를 유지하는 메모리를 유지하여 환경과의 다단계 상호작용을 수행하고 정교한 작업을 효율적으로 처리할 수 있습니다.

📖 코드-즉-프롬프트
모든 코드 한 줄과 주석은 에이전트를 위한 프롬프트 역할을 합니다. 코드는 명확하고 읽기 쉽게 작성되어야 하며, 인간과 에이전트 모두가 효과적으로 해석할 수 있어야 합니다.

연구에 CAMEL을 사용해야 하는 이유
우리는 멀티 에이전트 시스템의 최전선 연구를 발전시키는 데 전념하는 100명 이상의 연구자로 구성된 커뮤니티 주도 연구 집단입니다. 전 세계 연구자들이 다음과 같은 이유로 CAMEL을 연구에 선택합니다.

✅
대규모 에이전트 시스템
최대 100만 개의 에이전트를 시뮬레이션하여 복잡한 멀티 에이전트 환경에서 창발적 행동과 스케일링 법칙을 연구합니다.

✅
동적 통신
에이전트 간의 실시간 상호작용을 가능하게 하여 복잡한 작업을 해결하기 위한 원활한 협업을 촉진합니다.

✅
상태 유지 메모리
에이전트가 과거 맥락을 유지하고 활용하는 능력을 갖추게 하여, 장기적인 상호작용에서 의사 결정을 개선합니다.

✅
다양한 벤치마크 지원
표준화된 벤치마크를 활용하여 에이전트 성능을 엄격하게 평가하여 재현성과 신뢰할 수 있는 비교를 보장합니다.

✅
다양한 에이전트 유형 지원
다양한 에이전트 역할, 작업, 모델, 환경과 함께 작업하여 학제 간 실험과 다양한 연구 응용을 지원합니다.

✅
데이터 생성 및 도구 통합
대규모의 구조화된 데이터셋 생성을 자동화하는 동시에 여러 도구와 원활하게 통합하여 합성 데이터 생성 및 연구 워크플로를 간소화합니다.

CAMEL로 무엇을 만들 수 있나요?
1. 데이터 생성

2. 작업 자동화

3. 세계 시뮬레이션

빠른 시작
CAMEL은 PyPI에서 사용할 수 있으므로 설치가 간단합니다. 터미널을 열고 다음을 실행하세요:

pip install camel-ai
ChatAgent 시작하기
이 예제는 CAMEL 프레임워크를 사용하여 ChatAgent를 생성하고 DuckDuckGo를 사용하여 검색 쿼리를 수행하는 방법을 보여줍니다.

도구 패키지를 설치하세요:

pip install ' camel-ai[web_tools] '

OpenAI API 키를 설정하세요:

export OPENAI_API_KEY= ' your_openai_api_key '
또는 .env 파일을 사용하세요:

cp .env.example .env
# then edit .env and add your keys

다음 Python 코드를 실행하세요:

from camel . models import ModelFactory
from camel . types import ModelPlatformType , ModelType
from camel . agents import ChatAgent
from camel . toolkits import SearchToolkit

model = ModelFactory . create (
model_platform = ModelPlatformType . OPENAI ,
model_type = ModelType . GPT_4O ,
model_config_dict = { "temperature" : 0.0 },
)

search_tool = SearchToolkit (). search_duckduckgo

agent = ChatAgent ( model = model , tools = [ search_tool ])

response_1 = agent . step ( "What is CAMEL-AI?" )
print ( response_1 . msgs [ 0 ]. content )
# CAMEL-AI is the first LLM (Large Language Model) multi-agent framework
# and an open-source community focused on finding the scaling laws of agents.
# ...

response_2 = agent . step ( "What is the Github link to CAMEL framework?" )
print ( response_2 . msgs [ 0 ]. content )
# The GitHub link to the CAMEL framework is
# [https://github.com/camel-ai/camel](https://github.com/camel-ai/camel).

(선택 사항) 모델 요청/응답 로그를 활성화하세요:

export CAMEL_MODEL_LOG_ENABLED=true
export CAMEL_MODEL_LOG_MODEL_CONFIG_ENABLED=true
export CAMEL_LOG_DIR=camel_logs

CAMEL_MODEL_LOG_ENABLED : 요청/응답 JSON 로그를 활성화합니다.
CAMEL_MODEL_LOG_MODEL_CONFIG_ENABLED : model_config_dict가
request.model_config_dict 아래에 기록되는지 여부를 제어합니다.
설정하지 않으면 CAMEL_MODEL_LOG_ENABLED 와
동일한 값으로 기본 설정됩니다.
CAMEL_LOG_DIR : 생성된 로그 파일의 디렉터리
(기본값: camel_logs ).
로그는 다국어 텍스트(예: 중국어, 일본어, 아랍어)를
유니코드 이스케이프 노이즈 없이 보존하여 UTF-8 JSON으로 기록됩니다.

더 자세한 지침과 추가 구성 옵션은 설치 섹션 을 확인하세요.

실행 후 docs.camel-ai.org 에서 CAMEL 기술 스택 및 쿡북을 탐색하여 강력한 멀티 에이전트 시스템을 구축할 수 있습니다.

우리는 python 프로그래머와 주식 트레이더 역할을 맡은 두 ChatGPT 에이전트가 주식 시장을 위한 트레이딩 봇 개발에 협력하는 대화를 보여주는 데모를 제공합니다.

다양한 유형의 에이전트, 그들의 역할, 응용을 탐색해 보세요.

첫 번째 에이전트 만들기
첫 번째 에이전트 사회 만들기
비평가 에이전트

도움 받기
CAMEL 설정 중 문제가 발생하면 CAMEL discord 로 연락해 주세요.

기술 스택

핵심 모듈
CAMEL-AI 에이전트 및 사회를 구축, 운영, 향상하기 위한 핵심 구성 요소 및 유틸리티.

모듈
설명

Agents
자율 운영을 위한 핵심 에이전트 아키텍처 및 동작.

Agent Societies
멀티 에이전트 시스템 및 협업을 구축하고 관리하기 위한 구성 요소.

Data Generation
합성 데이터 생성 및 증강을 위한 도구와 방법.

Models
에이전트 지능을 위한 모델 아키텍처 및 사용자 정의 옵션.

Tools
특화된 에이전트 작업을 위한 도구 통합.

Memory
에이전트 상태 관리를 위한 메모리 저장 및 검색 메커니즘.

Storage
에이전트 데이터 및 상태를 위한 영구 저장 솔루션.

Benchmarks
성능 평가 및 테스트 프레임워크.

Interpreters
코드 및 명령 해석 기능.

Data Loaders
데이터 수집 및 전처리 도구.

Retrievers
지식 검색 및 RAG 구성 요소.

Runtime
실행 환경 및 프로세스 관리.

Human-in-the-Loop
인간의 감독 및 개입을 위한 대화형 구성 요소.

연구
우리는 이러한 에이전트를 대규모로 연구하는 것이 에이전트의 행동, 능력, 잠재적 위험에 대한 귀중한 통찰을 제공한다고 믿습니다.

우리의 연구 프로젝트를 탐색해 보세요:

우리와 함께 연구하기
귀하의 영향력 있는 연구에 CAMEL을 사용하시기를 진심으로 초대합니다.

엄격한 연구에는 시간과 리소스가 필요합니다. 우리는 멀티 에이전트 시스템의 최전선 연구를 탐구하는 100명 이상의 연구자로 구성된 커뮤니티 주도 연구 집단입니다. 진행 중인 프로젝트에 참여하거나 새로운 아이디어를 우리와 함께 테스트해 보세요. 자세한 내용은 이메일로 문의하세요.

합성 데이터셋
1. 다양한 LLM을 백엔드로 활용
자세한 내용은 모델 문서 를 참조하세요.

데이터 (Hugging Face에 호스팅됨)

데이터셋
채팅 형식
지시 형식
채팅 형식 (번역됨)

AI Society
채팅 형식
지시 형식
채팅 형식 (번역됨)

Code
채팅 형식
지시 형식
x

Math
채팅 형식
x
x

Physics
채팅 형식
x
x

Chemistry
채팅 형식
x
x

Biology
채팅 형식
x
x

2. 지시 및 작업 시각화

데이터셋
지시
작업

AI Society
지시
작업

Code
지시
작업

Misalignment
지시
작업

쿡북 (유스케이스)
CAMEL-AI 에이전트 및 사회에서 특정 기능을 구현하기 위한 실용적인 가이드 및 튜토리얼.

1. 기본 개념

쿡북
설명

첫 번째 에이전트 만들기
첫 번째 에이전트를 구축하기 위한 단계별 가이드.

첫 번째 에이전트 사회 만들기
협력적인 에이전트 사회를 구축하는 방법을 배웁니다.

메시지 쿡북
에이전트의 메시지 처리 모범 사례.

2. 고급 기능

쿡북
설명

도구 쿡북
향상된 기능을 위한 도구 통합.

메모리 쿡북
에이전트의 메모리 시스템 구현.

RAG 쿡북
검색 증강 생성(Retrieval-Augmented Generation)을 위한 레시피.

Graph RAG 쿡북
RAG와 함께 지식 그래프 활용.

AgentOps로 CAMEL 에이전트 추적
운영 환경에서 에이전트를 추적하고 관리하기 위한 도구.

3. 모델 학습 및 데이터 생성

쿡북
설명

CAMEL을 이용한 데이터 생성 및 Unsloth를 이용한 파인튜닝
CAMEL로 데이터를 생성하고 Unsloth로 모델을 효과적으로 파인튜닝하는 방법을 배웁니다.

실제 함수 호출 및 Hermes 형식을 이용한 데이터 생성
실제 함수 호출 및 Hermes 형식으로 데이터를 생성하는 방법을 탐구합니다.

CoT 데이터 생성 및 Huggingface에 데이터 업로드
CAMEL로 CoT 데이터를 생성하고 Huggingface에 원활하게 업로드하는 방법을 알아봅니다.

CoT 데이터 생성 및 Unsolth를 이용한 Qwen SFT
CAMEL로 CoT 데이터를 생성하고 Unsolth로 Qwen을 SFT하며, 데이터와 모델을 Huggingface에 원활하게 업로드하는 방법을 알아봅니다.

4. 멀티 에이전트 시스템 및 애플리케이션

쿡북
설명

보고서 및 지식 그래프 생성을 위한 역할극 스크레이퍼
데이터 스크래핑 및 보고를 위한 역할극 에이전트를 생성합니다.

Workforce로 해커톤 심사 위원회 만들기
협력적 심사를 위한 에이전트 팀을 구축합니다.

동적 지식 그래프 역할극: 동적이고 시간 인식적인 지식 그래프를 갖춘 멀티 에이전트 시스템
멀티 에이전트 시스템을 사용하여 금융 애플리케이션을 위한 동적이고 시간 인식적인 지식 그래프를 구축합니다. 금융 보고서, 뉴스 기사, 연구 논문을 처리하여 트레이더가 데이터를 분석하고, 관계를 식별하며, 시장 통찰을 발견하도록 돕습니다. 이 시스템은 또한 데이터 무결성을 보장하고 금융 의사 결정을 위한 그래프 구조를 최적화하기 위해 다양하고 선택적인 요소 노드 중복 제거 기법을 활용합니다.

Agentic RAG를 이용한 고객 서비스 Discord 봇
Agentic RAG를 사용하여 Discord용 강력한 고객 서비스 봇을 구축하는 방법을 배웁니다.

로컬 모델을 이용한 고객 서비스 Discord 봇
로컬 배포를 지원하는 Agentic RAG를 사용하여 Discord용 강력한 고객 서비스 봇을 구축하는 방법을 배웁니다.

5. 데이터 처리

쿡북
설명

비디오 분석
비디오 데이터 분석에서 에이전트를 위한 기법.

Firecrawl로 웹사이트에서 데이터를 수집하는 3가지 방법
Firecrawl을 사용하여 웹사이트에서 데이터를 추출하고 처리하는 세 가지 방법을 탐구합니다.

PDF와 함께 작동하는 AI 에이전트 만들기
Chunkr와 Mistral AI를 사용하여 PDF와 함께 작동하는 AI 에이전트를 만드는 방법을 배웁니다.

실제 유스케이스
CAMEL의 멀티 에이전트 프레임워크가 인프라 자동화, 생산성 워크플로, 검색 증강 대화, 지능형 문서/비디오 분석, 협업 연구 전반에 걸쳐 실제 비즈니스 가치를 어떻게 실현하는지 보여주는 실제 유스케이스.

1 인프라 자동화

유스케이스
설명

ACI MCP
CAMEL의 멀티 에이전트 프레임워크가 인프라 자동화, 생산성 워크플로, 검색 증강 대화, 지능형 문서/비디오 분석, 협업 연구 전반에 걸쳐 실제 비즈니스 가치를 어떻게 실현하는지 보여주는 실제 유스케이스.

Cloudflare MCP CAMEL
지능형 에이전트가 Cloudflare 리소스를 동적으로 관리하며, e…