本文根据DataWhale 2025年2月的学习项目 Camel Multi-Agent 做的笔记。

参考教程：Docs

操作系统版本：MacOS 11.6

1. RolePlaying

按照教程里提供的代码跑通调试，没有太大的问题。step方法是一个单轮对话的实现,每次只处理一轮assistant和user之间的交互，返回的是当前轮次的对话结果。在roleplaying里可以加入 critic agent来做择优，参考：Critic Agents and Tree Search — CAMEL 0.2.22 documentation

2. Workforce

Camel的Workforce采用方法链，将多智能体进行组织。按照创建 Workforce、添加工作节点、启动并处理任务的3个步骤，即可让workforce完成你指定的某个具体任务。如果是完成简单任务，只需要传入一段描述prompt给workforce即可，如果你需要更复杂的定制，则可以在初始化时配置工作节点列表、协调器Agent（Coordinator Agent）或任务规划Agent（Task Planner Agent）等高级参数。

但运行教程示例代码的时候，遇到了一个问题，提示duckduckgo_search模块缺失，导致规划助手最后无法输出结果。

解决方法：pip install duckduckgo-search，重新安装duckduckgo库就可以解决。

以下图中展示分别展示代码运行后，负责搜索、制定计划、模拟游客给出反馈的AGENT的输出。

3. RAG

这一部分实现了一个基于PDF文档知识库进行RAG的AGENT。基于教程中给出的代码，调试修改如下：

import os
import requests
from config import API_SETTINGS

os.makedirs('local_data', exist_ok=True)

url = API_SETTINGS['modelscope']['paper_url']
response = requests.get(url)
with open('local_data/camel_paper.pdf', 'wb') as file:
    file.write(response.content)

from camel.retrievers import VectorRetriever
from camel.types import StorageType
from camel.embeddings import SentenceTransformerEncoder

# embedding_model=SentenceTransformerEncoder(model_name='intfloat/e5-large-v2')
# 国内无法运行上述代码，可以注释掉使用以下方案

# 下载方案2：打开这个链接https://hf-mirror.com/intfloat/e5-large-v2/tree/main，下载除了model.safetensors的以外部分，保存到当前代码同级目录的embedding_model文件夹下。
# 也可以从百度云盘直接下载embedding_model文件夹放到当前代码同级目录下。
# https://pan.baidu.com/s/1xt0Tg_Wmr8iJuyGiPfgJrw 提取码: 7pzr 
embedding_model=SentenceTransformerEncoder(model_name='./embedding_model/')

# 初始化VectorRetriever实例并使用本地模型作为嵌入模型
vr = VectorRetriever(embedding_model= embedding_model)

# 创建并初始化一个向量数据库 (以QdrantStorage为例)
from camel.storages.vectordb_storages import QdrantStorage

vector_storage = QdrantStorage(
     url="http://localhost:6333",  # 使用 HTTP 服务器
    vector_dim=embedding_model.get_output_dim(),
    collection="demo_collection",
    path="storage_customized_run",
    collection_name="论文"
)


# 将文件读取、切块、嵌入并储存在向量数据库中
vr.process(
    content="local_data/camel_paper.pdf", 
    storage=vector_storage
)

# 设定一个查询语句
query = "CAMEL是什么"

# 执行查询并获取结果
results = vr.query(query=query, top_k=1)
print(results)

然而运行后出现以下报错，提示pikepdf依赖库安装失败（这个问题在第一章安装camel完整库时也遇到过）。

查询资料后，发现需要重新安装qpdf库，于是采用以下命令

brew install qpdf

但是两次安装，都遇到了不同的错误提示。

再次运行代码，也出现了不同的报错提示。

这个问题目前也没有解决，这个示例无法复现。

4. GraphRAG

Graph RAG 是将知识图谱（Knowledge Graph）引入检索增强生成（RAG）框架的一种扩展形式。它利用结构化的知识显式表示实体及其关系，从而显著提升系统的推理能力和回答准确性。在这一部分中，我尝试复现构建三元组，并上传到Neo4j图数据库并进行可视化呈现。

准备工作需要到Neo4j网站上注册账号，并创建实例，下载配置文件，里面有实例的url、username和password，在代码中使用。

基于教程中给出的代码，调试修改如下：

from camel.models import ModelFactory
from camel.types import ModelPlatformType
from camel.loaders import UnstructuredIO
from camel.agents import ChatAgent
from camel.storages import Neo4jGraph
from camel.agents import KnowledgeGraphAgent

from config import API_SETTINGS

model = ModelFactory.create(
    model_platform=ModelPlatformType.OPENAI_COMPATIBLE_MODEL,
    model_type="Qwen/Qwen2.5-72B-Instruct",
    url=API_SETTINGS['modelscope']['api_url'],
    api_key=API_SETTINGS['modelscope']['api_key']
)

sys_msg =  """
            你是一个图数据库专家，你的任务是从给定的内容中提取实体和关系，构建知识图谱。
            
            知识图谱的基本组成：
            1. 节点（Node）：表示实体，包含id和type属性
            2. 关系（Relationship）：表示实体之间的联系
            3. 属性（Property）：节点或关系的附加信息

            示例输入：
            "小明，2008年9月13日出生，男。五行属水，性格开朗。"

            期望输出：
            Nodes:
            Node(id="小明", type="人")
            Node(id="水", type="五行")
            Node(id="开朗", type="性格")
            Node(id="2008年9月13日", type="时间")

            Relationships:
            Relationship(subj=Node(id="小明", type="人"), obj=Node(id="水", type="五行"), type="五行属性")
            Relationship(subj=Node(id="小明", type="人"), obj=Node(id="开朗", type="性格"), type="性格特征")
            Relationship(subj=Node(id="小明", type="人"), obj=Node(id="2008年9月13日", type="时间"), type="出生日期")

            请从以下内容中提取实体和关系：
            """
graphprocessor = ChatAgent(
    system_message=sys_msg,
    model=model,
    )

text_example = """
CAMEL和DATAWHALE是两个活跃的AI开源社区。
CAMEL致力于推动人工智能技术的发展，帮助开发者更好地进行AI研究和应用。
DateWhale通过开源项目和社区活动，促进知识分享和技术交流。这两个社区都为AI领域的创新和进步做出了重要贡献。
"""
# 自己实现prompt
# response = graphprocessor.step(input_message= text_example)
# print (response.msgs[0].content)

# 调用Camel的KnowledgeGraphAgent
uio = UnstructuredIO()
kg_agent = KnowledgeGraphAgent(model=model)

# 从给定文本创建一个元素
element_example = uio.create_element_from_text(
    text=text_example, element_id="0"
)

# 让知识图谱Agent提取节点和关系信息
ans_element = kg_agent.run(element_example, parse_graph_elements=False)
print(ans_element)

# 在创建 Neo4jGraph 之前，先测试连接
from neo4j import GraphDatabase
import logging

# 设置日志级别
logging.basicConfig(level=logging.DEBUG)
url=API_SETTINGS['n4jscope']['NEO4J_URI']
# 测试连接
try:
    driver = GraphDatabase.driver(
        url,
        auth=(
            API_SETTINGS['n4jscope']['NEO4J_USERNAME'],
            API_SETTINGS['n4jscope']['NEO4J_PASSWORD']
        )
    )
    driver.verify_connectivity()
    print("连接测试成功！")
except Exception as e:
    print(f"连接测试失败：{str(e)}")
finally:
    if 'driver' in locals():
        driver.close()

# 上传n4j图数据库
n4j = Neo4jGraph(
    url,
    username=API_SETTINGS['n4jscope']['NEO4J_USERNAME'],
    password=API_SETTINGS['n4jscope']['NEO4J_PASSWORD'],
)

# 检查实体信息
graph_elements = kg_agent.run(element_example, parse_graph_elements=True)
print(graph_elements)

# 上传知识图谱
n4j.add_graph_elements(graph_elements=[graph_elements])

运行后，发现知识图谱Agent可以提取节点和关系信息并输出。

但是连接Neo4j数据库并上传时出现报错，一直无法连接数据库，但网站上实例确实在运行。尝试了各种方法后均无法解决。这个示例无法复现。

# 人工智能 # python
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

如何卸载openclaw

OpenClaw（俗称"龙虾"）是一个本地 AI 智能体平台，用于在电脑上部署自主运行的 AI 代理。

avatar AI Agent技术社区

（已解决）安装openclaw龙虾[特殊字符]npm权限问题EACCES

先安装升级完成node和homebrew后。安装就很快了。但是遇到EACCESS问题！！！发现报错了。问题错误：核心问题是sharp解决（90%人遇到的）安装 macOS 编译工具很多人缺少，导致sharp无法编译。运行：xcode-select --install安装完成后重新执行：sharp编译需要 C++ 编译器和 node-gyp，这些都来自 Xcode CLI。

avatar AI Agent技术社区
cover

【工具类】kali linux 安装 OpenClaw + 配置大模型 + 接入飞书 + 提示词注入实验

avatar AI Agent技术社区