CAMEL-AI

يُعد CAMEL-AI إطار عمل مفتوح المصدر متعدد الوكلاء ومجموعة بحثية انطلقت من ورقة بحثية في مؤتمر NeurIPS لعام 2023 أعدها باحثون في جامعة الملك عبد الله للعلوم والتقنية (KAUST). يرمز الاسم إلى الوكلاء التواصليين لاستكشاف "عقل" مجتمع النماذج اللغوية الكبيرة. بدأ كمشروع أكاديمي يدرس كيفية تصرف وكلاء النماذج اللغوية الكبيرة (LLM) وتعاونهم وتوسعهم عند منحهم أدوارًا منظمة ومهام حوارية. ومنذ عام 2023، نما ليصبح مجتمعًا يضم أكثر من 100 باحث عبر MIT و Stanford و Oxford و CMU، وشركاء في الصناعة بما في ذلك Amazon و Apple و Meta و DeepMind. وصلت مكتبة Python الأساسية إلى الإصدار v0.2.90 في مارس 2026 وتحظى بأكثر من 16,900 نجمة على GitHub.

يوفر CAMEL مكونات معيارية لبناء أنظمة متعددة الوكلاء: إطار عمل RolePlaying يستخدم التلقين التأسيسي (inception prompting) لتعيين شخصيات منظمة للوكلاء المتعاونين؛ ومحرك تنسيق Workforce لتجميع فرق الوكلاء الهرمية؛ وأنظمة الذاكرة المستمرة؛ ومسارات RAG؛ ومسارات توليد البيانات الاصطناعية. يُعد مشروعه الفرعي OWL (Optimized Workforce Learning) وكيلًا عامًا مستقلًا تمامًا مزودًا بأتمتة المتصفح، وتحليل المستندات، وتنفيذ التعليمات البرمجية، وأكثر من 20 مجموعة أدوات مدمجة. يتيح مشروع OASIS المنفصل محاكاة اجتماعية لما يصل إلى مليون وكيل متزامن. إطار العمل مرخص بموجب Apache 2.0 ولا يحتوي على فئات مدفوعة. يوفر المستخدمون مفاتيح API الخاصة بهم للنماذج اللغوية الكبيرة (LLMs) الأساسية.

ما الذي يفعله CAMEL-AI فعليًا في أبريل 2026

في جوهره، يُعد CAMEL إطار عمل Python لتنسيق وكلاء متعددين مدعومين بالنماذج اللغوية الكبيرة (LLM) يتواصلون من خلال حوارات منظمة قائمة على الأدوار. وبدلاً من البرمجة الثابتة لمخططات المهام، يستخدم CAMEL التلقين التأسيسي: يُمنح الوكلاء دورًا (مستخدم، مساعد، ناقد، مخطط، أو دور مخصص)، وسياقًا، وقيودًا، ثم يُسمح لهم بالتفاوض نحو إنجاز المهمة من خلال محادثة متعددة الأدوار. يميز هذا التصميم القائم على الحوار أولاً CAMEL عن أطر العمل القائمة على مخططات المهام أولاً، وهو الآلية التي درستها ورقة NeurIPS لعام 2023 الأصلية على نطاق واسع.

تتكون البنية الحالية للمكتبة من خمس طبقات رئيسية. أولاً، ChatAgent: وكيل فردي مدعوم بنموذج لغوي كبير (LLM) مع إمكانية الوصول إلى الأدوات، والذاكرة، وشخصية قابلة للتكوين. ثانيًا، Societies: طبقات التنسيق التي تتعامل مع تعيين الأدوار، وتفويض المهام، وتوجيه اتصالات الوكلاء. ثالثًا، Interpreters: واجهات خلفية للتنفيذ لـ Python، وأوامر shell، وأتمتة المتصفح. رابعًا، Memory: تخزين مستمر للمحادثات والسياق باستخدام الواجهات الخلفية المتجهة. خامسًا، Synthetic Data Generation: مسارات لإنشاء مجموعات بيانات تتبع التعليمات من تفاعلات الوكلاء، والتي تشغل العديد من المعايير البحثية المنشورة بواسطة CAMEL.

يجمع وكيل OWL، الذي تم إصداره في مارس 2025، طبقة Workforce الكاملة الخاصة بـ CAMEL في وكيل مستقل جاهز للتشغيل. وهو يربط محركات بحث متعددة، وأتمتة متصفح Playwright، وتحليل مستندات PDF وغيرها، وتنفيذ التعليمات البرمجية في بيئة معزولة (sandboxed)، والتحليل متعدد الوسائط، ودعم MCP (Model Context Protocol) للتشغيل البيني للأدوات. في معيار GAIA، سجل OWL نسبة 69.09% اعتبارًا من أبريل 2025، ليحتل المرتبة الأولى بين أطر العمل مفتوحة المصدر. وهو يدعم GPT-4o و Claude 3.5 Sonnet و Qwen و DeepSeek و Gemini والنماذج المحلية عبر Ollama و vLLM و SGLang.

يمتد مشروع OASIS (Open Agent Social Interaction Simulations)، الذي تم إصداره في نوفمبر 2024، بإطار العمل في اتجاه مختلف تمامًا: المحاكاة الاجتماعية واسعة النطاق. يمكن لـ OASIS محاكاة ما يصل إلى مليون وكيل متزامن على شبكات اجتماعية محاكاة، وتكرار أنماط سلوك المستخدم الحقيقية بما في ذلك انتشار المعلومات، والاستقطاب الجماعي، وتأثيرات القطيع عبر منصات مصممة على غرار X و Reddit. هذه في المقام الأول أداة بحثية لدراسة ديناميكيات المعلومات المضللة والسلوك الاجتماعي الناشئ على نطاق واسع.

موقع CAMEL-AI مقارنة بـ CrewAI و AutoGen

CAMEL-AI مقابل CrewAI: يُعد CrewAI إطار عمل يركز على المنتج ومصممًا للنشر السريع. يستخدم لغة خاصة بالمجال (DSL) للأدوار/المهام/العمليات حيث يحدد المطورون وكلاء بأسماء معينة ويعينون مهامًا منفصلة صريحة بتسلسل أو تسلسل هرمي. منحنى التعلم منخفض عن قصد، مع ما يقرب من 20 سطرًا من التعليمات البرمجية لتشغيل طاقم عمل. يقدم CrewAI أيضًا فئة مؤسسية مستضافة مع إدارة التنفيذ. يتخذ CAMEL موقفًا معاكسًا: تسمح طبقة Workforce الخاصة به للوكلاء بتفويض المهام الفرعية والتفاوض بشأنها ديناميكيًا بدلاً من اتباع تسلسل مهام معلن مسبقًا. هذا يجعل CAMEL أكثر مرونة لسير العمل المعقد والناشئ متعدد الوكلاء، ولكنه أصعب في تصحيح الأخطاء عندما تسوء حلقة الوكيل. يفكر CrewAI في المهام؛ بينما يفكر CAMEL في المحادثات. بالنسبة للفرق التي ترغب في إطلاق منتج وكيل في يوم واحد، فإن CrewAI يتمتع بالأفضلية. أما بالنسبة للفرق التي تدرس كيفية تنسيق الوكلاء في ظل ظروف جديدة، فإن CAMEL يتمتع بالعمق. غالبًا ما يجمع المستخدمون الذين يريدون أدوات تنسيق الإنتاج بين CrewAI و Agno للبنية التحتية؛ بينما يميل مستخدمو CAMEL إلى إعداد بنيتهم التحتية الخاصة.

CAMEL-AI مقابل AutoGen (Microsoft): يُعد AutoGen أيضًا إطار عمل تقوده الأبحاث، تم بناؤه بواسطة Microsoft Research وتم قبوله في NeurIPS 2023 جنبًا إلى جنب مع CAMEL. تقوم بنية GroupChat الخاصة به بتوجيه المحادثات متعددة الوكلاء من خلال محدد أدوار يتوسطه نموذج لغوي كبير (LLM) وتراكم سجل المحادثة الكامل لكل دور، مما يصبح مكلفًا على نطاق واسع (تتطلب محادثة من 4 وكلاء و 5 جولات أكثر من 20 استدعاء LLM كحد أدنى). يتمتع AutoGen أيضًا بدعم .NET ووثائق مؤسسية قوية، وقد تم اعتماده في منتجات Microsoft. المقايضة: دخل AutoGen مرحلة صيانة منخفضة الاستثمار في عام 2025 حيث حولت Microsoft الموارد إلى منتج Agent Framework الأوسع نطاقًا. على النقيض من ذلك، ظل CAMEL نشطًا وموجهًا نحو الأبحاث، حيث أطلق OWL في مارس 2025 و LOONG في سبتمبر 2025. في حين تم تحسين AutoGen لسير العمل الحواري للمؤسسات، تم تحسين CAMEL للأبحاث: قوانين التوسع، وقياس الأداء، والمحاكاة. غالبًا ما يجد المطورون الذين يبنون على AutoGen أنهم يلجأون أيضًا إلى LangGraph للتعامل مع طبقة التنفيذ ذات الحالة التي لا يغطيها AutoGen بشكل أصلي.

في مواجهة smolagents (Hugging Face)، يكون التباين أكثر وضوحًا. يُعد smolagents بسيطًا عن قصد: يكتب الوكلاء وينفذون كود Python مباشرة في بيئات معزولة، وتحافظ المكتبة على التجريدات في حدها الأدنى. إنه أسرع مسار من الصفر إلى وكيل عامل للمبتدئين. يقدم CAMEL بنية تحتية أكبر بكثير (ذاكرة مستمرة، RAG، حلقات تدريب RL، محاكاة المجتمع، أكثر من 30 مجموعة أدوات) ولكنه يتطلب إعدادًا أكثر نسبيًا. يتصل smolagents بشكل أصلي بـ Hugging Face Hub لمشاركة النماذج والأدوات؛ بينما يُعد CAMEL محايدًا للنماذج عبر جميع مزودي API الرئيسيين. يخدم الاثنان جماهير مختلفة: smolagents للتجريب مع المهام خفيفة الوزن؛ و CAMEL لمسارات الأبحاث والأتمتة طويلة المدى على نطاق واسع.

"يبدو Camel-AI أخف وزنًا وأكثر توجهاً نحو المجتمع، مع تركيز أكثر حدة على أدوار الحوار مقارنة بـ AutoGen. تبدو بيئة العمل والنظام البيئي لـ CrewAI أكثر نضجًا، في حين أن تركيز Camel-AI المفتوح على قوانين التوسع والخيارات المحلية مثل OWL هي عوامل تميز." -- مراجعة مقارنة من Sider.ai، 2025

كيف يبدو واقع حلقة الوكيل

يبدأ سير عمل CAMEL النموذجي بتثبيت المكتبة عبر pip، وإنشاء تكوين نموذج من خلال ModelFactory، وتحديد أدوار الوكيل، ثم تشغيل جلسة RolePlaying أو مسار Workforce. يعني التصميم المعياري أنك تقوم بتكوين كل طبقة: أي واجهة خلفية لـ LLM، وأي مخزن ذاكرة، وأي أدوات. بالنسبة لـ OWL، يتضمن الإعداد تكوين مفتاح API وتشغيل حاوية Docker أو التثبيت محليًا، ثم إرسال مهمة بلغة طبيعية. يتعامل الوكيل مع توجيه الأداة داخليًا.

من الناحية العملية، تختلف التجربة بشدة حسب اختيار النموذج. مع GPT-4o أو Claude 3.5 Sonnet كعمود فقري، يؤدي OWL بشكل موثوق في فئة معيار GAIA لمهام البحث والمستندات والبرمجة متعددة الخطوات. يقر ملف README مباشرة: "قد تؤدي النماذج الأخرى إلى أداء أقل بكثير". يؤدي استخدام نماذج مفتوحة أصغر عبر Ollama إلى انخفاض درجات المعيار بشكل كبير. تعد حساسية النموذج هذه قيدًا حقيقيًا للفرق التي تعمل بميزانيات استدلال محدودة.

يمكن أن تدخل مهام Workforce طويلة المدى (مسارات متعددة الوكلاء تعمل لدقائق أو أكثر) في حالات فشل صامتة عند انتهاء مهلة التكامل أو عندما يُرجع استدعاء أداة استجابة غير متوقعة. يُظهر متتبع مشكلات GitHub وجود 224 مشكلة مفتوحة اعتبارًا من أبريل 2026، مع تقارير متكررة حول فشل تكامل Bedrock، وانقطاع توافق vLLM بعد تغييرات المنبع، وفشل تثبيت Windows بسبب فقدان أدوات بناء Visual C++. يتطلب تصحيح أخطاء حلقة الوكيل الفاشلة قراءة السجلات الأولية؛ ولا يوجد مصحح أخطاء مرئي مصمم خصيصًا يمكن مقارنته بعارض تتبع LangGraph.

"يمكن أن يكون إعداد النموذج صعبًا ومربكًا بسبب تكاملات LLM الواسعة المتاحة؛ يمكن أن يكون هناك الكثير من الخلط والمطابقة مع تكوين ModelFactory." -- Parth Sharma، Medium، 2025

على الجانب الإيجابي، تُعد وثائق كتاب الوصفات (cookbook) الخاصة بـ CAMEL عملية ومُصانة جيدًا، مع أمثلة عملية تغطي توليد البيانات، ومسارات RAG، وإعداد المحاكاة، وأمثلة مهام OWL. يوفر مجتمع Discord (أكثر من 4,000 عضو) دعمًا نشطًا. يُستخدم التكامل مع سير عمل AutoGen أحيانًا من قبل الباحثين الذين يريدون دمج طبقة محاكاة CAMEL مع أنماط أدوات المؤسسات الخاصة بـ AutoGen.

لمن تم بناء CAMEL-AI

الجمهور الأساسي لـ CAMEL هم باحثو ومطورو الذكاء الاصطناعي الذين يتقنون لغة Python والذين يريدون إطار عمل تم بناؤه من أجل الأبحاث بدلاً من تعديله ليناسبها. إذا كان عملك يتضمن دراسة السلوك الناشئ متعدد الوكلاء، أو توليد بيانات اصطناعية تتبع التعليمات لضبط النماذج بدقة، أو تشغيل محاكاة اجتماعية واسعة النطاق، فإن CAMEL هو الخيار مفتوح المصدر الأكثر تصميمًا لهذا الغرض. يُعد مشروع OASIS فريدًا بشكل خاص: لا يوجد إطار عمل مفتوح آخر يدعم محاكاة مليون وكيل لأبحاث الديناميكيات الاجتماعية.

بالنسبة لحالات استخدام أتمتة الإنتاج، يُعد OWL نقطة الدخول العملية. يمكن للفرق التي ترغب في وكيل مستقل مستضاف ذاتيًا، مع استخدام مفاتيحهم الخاصة (bring-your-own-key)، ويتعامل مع مهام الوسائط المختلطة (أبحاث الويب بالإضافة إلى تحليل المستندات بالإضافة إلى تنفيذ التعليمات البرمجية) تشغيل OWL على بنيتهم التحتية الخاصة دون أي اشتراك مع البائع. يعني ترخيص Apache 2.0 حقوق الاستخدام التجاري الكاملة. تستخدم بعض الفرق الهندسية OWL كبديل مستضاف ذاتيًا لمنتجات الوكلاء القائمة على السحابة، مقدرين خصوصية البيانات والتحكم في التكاليف للتشغيل محليًا. يجمع المطورون الذين يبنون البنية التحتية للوكلاء أحيانًا بين Workforce الخاص بـ CAMEL و CrewAI لطبقة تنسيق المهام، باستخدام CAMEL لقدراته في توليد البيانات والمحاكاة.

يعني ارتباط CAMEL بمجتمع أبحاث NeurIPS وجامعة الملك عبد الله للعلوم والتقنية (KAUST) أيضًا أنه غالبًا ما يبرز تقنيات وكلاء ومعايير ومجموعات بيانات جديدة قبل ظهورها في أطر العمل التجارية. كان كل من معيار CRAB لتقييم الوكلاء عبر البيئات ومجموعة بيانات LOONG لضمان الجودة في المجال مساهمات نشأت من CAMEL ويُستشهد بها الآن في الأعمال الأكاديمية.

ما لا يمثله CAMEL-AI

لا يُعد CAMEL أداة بدون تعليمات برمجية (no-code) أو منخفضة التعليمات البرمجية (low-code). لا يوجد منشئ وكلاء يعتمد على السحب والإفلات، ولا توجد لوحة تحكم ويب لتشغيل سير العمل، ولا توجد بيئة تنفيذ مستضافة يديرها فريق CAMEL. يتم ترميز كل سير عمل بلغة Python. إذا كان فريقك يحتاج إلى منتج متعدد الوكلاء مستضاف مع واجهة مستخدم رسومية (GUI)، فهذه ليست نقطة البداية الصحيحة.

لم يتم تحسين CAMEL لنظام التشغيل Windows. يُعد فشل التثبيت بسبب فقدان تبعيات أدوات بناء Visual C++ مشكلة متكررة موثقة، وتفترض معظم وثائق CAMEL وجود بيئة Linux أو macOS. يمكن لمستخدمي Windows التغلب على ذلك، ولكنه يضيف احتكاكًا لا يواجهه الباحثون في المجموعات الأكاديمية التي تعتمد على Linux أولاً.

لا يُعد CAMEL الخيار الصحيح إذا كنت تقوم بتشغيل استدلال مقيد الميزانية على نماذج محلية صغيرة. يتم تحقيق النتائج التي تتصدر المعايير من OWL باستخدام النماذج الرائدة (frontier models). ستصاب الفرق التي تتوقع أداءً تنافسيًا في GAIA على نموذج محلي بحجم 7B أو 13B بخيبة أمل. بالنسبة لعمل الوكلاء الذي يعتمد على النماذج المحلية أولاً، فإن smolagents أو LangGraph مع نماذج أصغر سيخدم بشكل أفضل.

كما أن CAMEL ليس بديلاً لطبقة تنسيق على مستوى الإنتاج. تعني المشكلات المفتوحة البالغ عددها 224 على GitHub والتغييرات النشطة في التكامل أن تثبيت إصدارات التبعية والاختبار مقابل مزود LLM الخاص بك قبل النشر يهم هنا أكثر من أطر العمل التي تدعمها عقود دعم تجارية.