AgentScope 与 CAMEL:角色协作如何变成可验证的消息流
理解AgentScope消息与扩展点、CAMEL角色扮演,以及程序调度、权限和终止条件的独立职责。
把两个模型分别叫研究员和审稿人,能改变回答风格,却不自动产生可靠协作。审稿人可能在没有证据时说“通过”,研究员可能把系统内部信息交给另一个参与者。角色提示、消息路由、实际工具权限和验收规则必须分别定义。
AgentScope:消息、Agent与调用扩展
AgentScope的Msg承载参与者、角色和内容,内容可以包含结构化块;ReActAgent将模型、formatter、memory和toolkit组合成运行对象。formatter负责把内部消息转换为特定模型要求的格式,不能假定所有供应商接受同一种角色组合。
Toolkit管理工具能力,模型输出调用描述后由执行逻辑处理。Memory保存交互历史,state/session管理运行状态;两者都需要界定保留内容与租户范围。工具返回的大文本若不截取或落盘,会逐轮扩大上下文,不能仅靠“多Agent分工”消除上下文成本。
AgentScope的hooks和middleware提供扩展位置,适合审计、上下文构造或参数检查。当前文档中的AgentBase围绕async调用处理回复与取消,handle_interrupt用于中断后处理。新增钩子前要核对其执行时机:在模型之后统计usage,与在工具之前检查授权,是不同职责。错误处理吞掉取消会让任务在用户停止后继续执行。
CAMEL:角色扮演的循环由谁推进
CAMEL的RolePlaying组织AI user与AI assistant协作。这里AI user是参与角色,不一定是真实用户本人,更不能代表真人授权。官方示例通过init_chat准备初始消息,再由外层循环调用step得到两方响应,并检查terminated和轮数上限。
任务描述可能经过规格化、角色设定与协作过程逐步变化,应保存原任务与当前任务版本。若审稿者只看到摘要,关键限制可能在压缩中丢失;把验收标准作为程序可校验的对象,比只要求角色“认真审阅”更可控。多个Agent使用同一个模型与同一来源时,错误可能高度相关,不能把一致意见当独立证据。
角色扮演适合探索任务分解或模拟互动;确定的串行流水线不一定需要双方反复对话。可以用程序固定“检索→提取→校验”流程,只在需要判断的步骤调用模型,以降低轮次、成本与漂移。
编排和权限是程序设计
调度可采用固定交替、路由、并发后汇总或有界讨论。固定交替易追踪但可能做无用轮次;动态选择更灵活,却需避免同一参与者不断重新唤起自己;并发需要合并证据、冲突与预算。参与者共享全量历史可能泄露不相关信息,应按子任务提供最小上下文。
工具权限绑定应用身份和资源范围,而不是角色名称。即使提示“你是数据库管理员”,执行器也不应给它DDL权限。对外写操作在协作控制器之后仍需授权、参数校验与幂等。停止条件可以是可信验收通过、不可恢复失败、轮次或成本耗尽;每一种都要带明确状态。
跟做:拒绝无证据的口头通过
将程序保存为 role_collaboration.py,Python 3.11+运行 python role_collaboration.py。这是固定回复驱动的本地控制器,不是实际AgentScope/CAMEL调用,也不是模型协作质量实验。
"""角色协作的本地控制器;角色台词为固定数据,不是模型实验。"""
from dataclasses import dataclass
@dataclass(frozen=True)
class Reply:
author: str
content: str
evidence: tuple[str, ...] = ()
def collaborate(replies, max_turns=4):
messages, accepted = [], False
for index, reply in enumerate(replies):
if index >= max_turns:
return messages, 'turn-budget'
expected = 'researcher' if index % 2 == 0 else 'reviewer'
if reply.author != expected:
raise ValueError('speaker mismatch')
messages.append(reply)
if reply.author == 'reviewer' and reply.content == 'accept':
accepted = bool(messages[-2].evidence)
if accepted:
return messages, 'evidence-accepted'
return messages, 'incomplete'
def can_use_tool(principal, tool):
# principal 来自应用身份,不来自“你是管理员”的角色提示。
return tool in {'researcher': {'search'}, 'reviewer': {'read'}}.get(principal, set())
if __name__ == '__main__':
flow = [Reply('researcher', '结论A'), Reply('reviewer', 'accept'),
Reply('researcher', '结论A', ('doc-1#p2',)), Reply('reviewer', 'accept')]
messages, reason = collaborate(flow)
print('turns:', len(messages), 'reason:', reason)
print('reviewer delete:', can_use_tool('reviewer', 'delete'))
print('budget:', collaborate(flow, 2)[1])实际输出:
turns: 4 reason: evidence-accepted
reviewer delete: False
budget: turn-budget第一轮研究员没有证据,审稿人即使说accept也不会结束;第二轮产物有doc-1#p2,控制器才接受。这里仅检查引用是否存在,仍没证明引用支持结论;真实验收需验证来源内容、访问权限与结论一致性。示例故意把这个边界暴露出来,而不是把字符串证据当事实正确性。
把max_turns改成2会得到turn-budget;修改参与者顺序会拒绝speaker mismatch。权限表拒绝reviewer的delete,和它口头如何自我介绍无关。下一步可把固定回复换成框架Msg或CAMEL响应,但保留控制器的预算与授权边界。
排错与选型
协作一直不结束,检查是否只依赖文本停止词、验收条件是否可达;角色互相重复,检查各自上下文与职责是否真的不同;工具不可用,区分未注册、schema错误、模型不支持与权限拒绝;升级后异常,先固定模型夹具测试formatter和响应类型,再测真实模型。
接口依据为 AgentScope Agent教程 和 CAMEL RolePlaying源码。仓库master会变化,复现实验时应锁定版本或commit,并保留运行记录。
课后练习展开习题收起习题
先独立作答,再展开参考思路。检查自己的解释是否包含机制、条件和反例。
角色设定如何与权限区分?
参考思路与常见误区
角色提示影响行为;真实工具权限绑定应用身份、资源和授权策略,不由模型自报角色决定。
常见误区:你是管理员的提示可以授予写权限。
CAMEL中的AI user代表真人授权吗?
参考思路与常见误区
它是角色扮演中的模型参与者,不能代替真人审批或拥有真实用户身份;操作授权由应用验证。
常见误区:看到user角色就视为可信指令。
AgentScope formatter负责什么?
参考思路与常见误区
把内部Msg和内容块转换为模型需要的格式;需保持角色、工具ID和内容语义,不负责业务授权。
常见误区:所有供应商都接受同一消息JSON。
多个Agent一致同意为什么不构成独立证据?
参考思路与常见误区
可能共享模型、提示与来源而产生相关错误;验收应检查外部证据和可执行标准。
常见误区:多数票必然提高事实正确率。
协作持续循环时先查什么?
参考思路与常见误区
可达的完成条件、轮次与费用预算、调度权、消息是否送达,以及各角色是否拥有不同职责和有效反馈。
常见误区:继续增加角色提示长度即可解决。