CAMEL-AI

CAMEL-AI es un framework multiagente de código abierto y un colectivo de investigación que se originó en un artículo de NeurIPS 2023 elaborado por investigadores de KAUST (King Abdullah University of Science and Technology). El nombre significa Communicative Agents for "Mind" Exploration of Large Language Model Society. Comenzó como un proyecto académico que estudiaba cómo los agentes de LLM se comportan, cooperan y escalan cuando se les asignan roles estructurados y tareas conversacionales. Desde 2023, ha crecido hasta convertirse en una comunidad de más de 100 investigadores de MIT, Stanford, Oxford, CMU y socios de la industria, incluidos Amazon, Apple, Meta y DeepMind. La biblioteca principal de Python alcanzó la versión v0.2.90 en marzo de 2026 y cuenta con más de 16,900 estrellas en GitHub.

CAMEL ofrece componentes modulares para construir sistemas multiagente: un framework RolePlaying que utiliza inception prompting para asignar perfiles estructurados a agentes cooperativos; un motor de orquestación Workforce para ensamblar equipos jerárquicos de agentes; sistemas de memoria persistente; pipelines RAG; y pipelines de generación de datos sintéticos. Su subproyecto OWL (Optimized Workforce Learning) es un agente general totalmente autónomo con automatización de navegadores, análisis de documentos, ejecución de código y más de 20 kits de herramientas integrados. Un proyecto independiente, OASIS, permite la simulación social de hasta un millón de agentes simultáneos. El framework cuenta con licencia Apache 2.0 y no tiene niveles de pago. Los usuarios proporcionan sus propias claves API para los LLM subyacentes.

Lo que realmente hace CAMEL-AI en abril de 2026

En su núcleo, CAMEL es un framework de Python para orquestar múltiples agentes respaldados por LLM que se comunican a través de diálogos estructurados basados en roles. En lugar de codificar gráficos de tareas de forma rígida, CAMEL utiliza inception prompting: a los agentes se les asigna un rol (User, Assistant, Critic, Planner o personalizado), un contexto y restricciones, y luego se les permite negociar para completar la tarea a través de conversaciones de múltiples turnos. Este diseño centrado en el diálogo distingue a CAMEL de los frameworks centrados en gráficos de tareas y es el mecanismo que el artículo original de NeurIPS 2023 estudió a gran escala.

La arquitectura actual de la biblioteca tiene cinco capas principales. Primero, el ChatAgent: un único agente respaldado por LLM con acceso a herramientas, memoria y una personalidad configurable. Segundo, Societies: capas de coordinación que manejan la asignación de roles, la delegación de tareas y el enrutamiento de la comunicación entre agentes. Tercero, Interpreters: backends de ejecución para Python, comandos de shell y automatización de navegadores. Cuarto, Memory: almacenamiento persistente de conversaciones y contexto utilizando backends vectoriales. Quinto, Synthetic Data Generation: pipelines para crear conjuntos de datos de seguimiento de instrucciones a partir de interacciones de agentes, los cuales impulsan varios benchmarks de investigación publicados por CAMEL.

El agente OWL, lanzado en marzo de 2025, empaqueta toda la capa Workforce de CAMEL en un agente autónomo listo para ejecutarse. Conecta motores de búsqueda múltiple, automatización de navegadores con Playwright, análisis de PDF y documentos, ejecución de código en entornos aislados, análisis multimodal y soporte MCP (Model Context Protocol) para la interoperabilidad de herramientas. En el benchmark GAIA, OWL obtuvo una puntuación del 69.09% en abril de 2025, ocupando el primer lugar entre los frameworks de código abierto. Es compatible con GPT-4o, Claude 3.5 Sonnet, Qwen, DeepSeek, Gemini y modelos locales a través de Ollama, vLLM y SGLang.

OASIS (Open Agent Social Interaction Simulations), lanzado en noviembre de 2024, extiende el framework en una dirección completamente diferente: la simulación social a gran escala. OASIS puede modelar hasta un millón de agentes simultáneos en redes sociales simuladas, replicando patrones de comportamiento de usuarios reales, incluida la propagación de información, la polarización de grupos y los efectos de rebaño en plataformas modeladas a partir de X y Reddit. Se trata principalmente de una herramienta de investigación para estudiar la dinámica de la desinformación y el comportamiento social emergente a gran escala.

Dónde se sitúa CAMEL-AI frente a CrewAI y AutoGen

CAMEL-AI vs. CrewAI: CrewAI es un framework centrado en el producto diseñado para una implementación rápida. Utiliza un DSL de rol/tarea/proceso donde los desarrolladores definen agentes con nombre y asignan tareas discretas explícitas en secuencia o jerarquía. La curva de aprendizaje es intencionalmente baja, con aproximadamente 20 líneas de código para ejecutar un equipo funcional. CrewAI también ofrece un nivel empresarial alojado con gestión de ejecución. CAMEL adopta la postura opuesta: su capa Workforce permite a los agentes delegar y negociar subtareas dinámicamente en lugar de seguir una secuencia de tareas preestablecida. Esto hace que CAMEL sea más flexible para flujos de trabajo multiagente complejos y emergentes, pero más difícil de depurar cuando un bucle de agente falla. CrewAI piensa en tareas; CAMEL piensa en conversaciones. Para los equipos que desean lanzar un producto basado en agentes en un día, CrewAI tiene la ventaja. Para los equipos que estudian cómo se coordinan los agentes bajo condiciones novedosas, CAMEL ofrece mayor profundidad. Los usuarios que desean herramientas de orquestación de producción a menudo combinan CrewAI con Agno para la infraestructura; los usuarios de CAMEL tienden a configurar la suya propia.

CAMEL-AI vs. AutoGen (Microsoft): AutoGen también está impulsado por la investigación, fue creado por Microsoft Research y aceptado en NeurIPS 2023 junto con CAMEL. Su arquitectura GroupChat enruta las conversaciones multiagente a través de un selector de turnos mediado por LLM y acumula el historial completo de la conversación por turno, lo que resulta costoso a gran escala (una conversación de 4 agentes y 5 rondas requiere un mínimo de más de 20 llamadas al LLM). AutoGen también cuenta con soporte para .NET y una sólida documentación empresarial, y ha sido adoptado en productos de Microsoft. La contrapartida: AutoGen entró en una fase de mantenimiento de menor inversión en 2025 a medida que Microsoft desvió recursos hacia su producto más amplio, Agent Framework. CAMEL, por el contrario, se ha mantenido activamente a la vanguardia de la investigación, lanzando OWL en marzo de 2025 y LOONG en septiembre de 2025. Mientras que AutoGen está optimizado para flujos de trabajo conversacionales empresariales, CAMEL está optimizado para la investigación: leyes de escalado, benchmarking y simulación. Los desarrolladores que construyen sobre AutoGen a menudo descubren que también recurren a LangGraph para manejar la capa de ejecución con estado que AutoGen no cubre de forma nativa.

Frente a smolagents (Hugging Face), el contraste es más marcado. smolagents es intencionalmente minimalista: los agentes escriben y ejecutan código Python directamente en entornos aislados, y la biblioteca mantiene las abstracciones al mínimo. Es el camino más rápido desde cero hasta un agente funcional para los recién llegados. CAMEL ofrece sustancialmente más infraestructura (memoria persistente, RAG, bucles de entrenamiento RL, simulación de sociedades, más de 30 kits de herramientas) pero requiere proporcionalmente más configuración. smolagents se conecta de forma nativa a Hugging Face Hub para compartir modelos y herramientas; CAMEL es agnóstico en cuanto a modelos en todos los principales proveedores de API. Ambos sirven a audiencias diferentes: smolagents para la experimentación con tareas ligeras; CAMEL para pipelines de investigación y automatización de largo horizonte a gran escala.

"Camel-AI se siente más ligero y más impulsado por la comunidad, con un enfoque más nítido en los roles de diálogo en comparación con AutoGen. La ergonomía y el ecosistema de CrewAI se sienten más maduros, mientras que el enfoque abierto de Camel-AI en las leyes de escalado y las opciones locales como OWL son diferenciadores." -- Reseña comparativa de Sider.ai, 2025

Cómo es la realidad del bucle de agentes

Un flujo de trabajo típico de CAMEL comienza con la instalación de la biblioteca a través de pip, la creación de una configuración de modelo mediante ModelFactory, la definición de roles de agentes y, a continuación, la ejecución de una sesión de RolePlaying o un pipeline de Workforce. El diseño modular significa que usted configura cada capa: qué backend de LLM, qué almacén de memoria, qué herramientas. Para OWL, la configuración implica configurar una clave API y ejecutar un contenedor Docker o instalarlo localmente, para luego enviar una tarea en lenguaje natural. El agente maneja el enrutamiento de herramientas internamente.

En la práctica, la experiencia varía fuertemente según la elección del modelo. Con GPT-4o o Claude 3.5 Sonnet como columna vertebral, OWL funciona de manera confiable en la categoría del benchmark GAIA de tareas de investigación, documentos y codificación de múltiples pasos. El README reconoce directamente: "otros modelos pueden resultar en un rendimiento significativamente menor". El uso de modelos abiertos más pequeños a través de Ollama reduce sustancialmente las puntuaciones de los benchmarks. Esta sensibilidad al modelo es una limitación real para los equipos con presupuestos de inferencia ajustados.

Las tareas de Workforce de largo horizonte (pipelines multiagente que se ejecutan durante minutos o más) pueden entrar en estados de falla silenciosa cuando una integración agota el tiempo de espera o una llamada a una herramienta devuelve una respuesta inesperada. El rastreador de problemas de GitHub muestra 224 problemas abiertos a partir de abril de 2026, con informes recurrentes sobre fallas de integración de Bedrock, rupturas de compatibilidad de vLLM después de cambios en el origen y fallas de instalación en Windows debido a la falta de herramientas de compilación de Visual C++. La depuración de un bucle de agente fallido requiere leer registros sin procesar; no hay un depurador visual diseñado específicamente que sea comparable al visor de trazas de LangGraph.

"La configuración del modelo puede ser complicada y confusa debido a las amplias integraciones de LLM disponibles; puede haber mucha mezcla y combinación con la configuración de ModelFactory." -- Parth Sharma, Medium, 2025

En el lado positivo, la documentación del cookbook de CAMEL es práctica y está bien mantenida, con ejemplos prácticos que cubren la generación de datos, pipelines RAG, configuración de simulaciones y ejemplos de tareas de OWL. La comunidad de Discord (más de 4,000 miembros) brinda soporte activo. La integración con los flujos de trabajo de AutoGen a veces es utilizada por investigadores que desean combinar la capa de simulación de CAMEL con los patrones de herramientas empresariales de AutoGen.

Para quién está diseñado CAMEL-AI

La audiencia principal de CAMEL son los investigadores y desarrolladores de IA con dominio de Python que desean un framework que haya sido construido para la investigación en lugar de adaptado para ella. Si su trabajo implica estudiar el comportamiento emergente multiagente, generar datos sintéticos de seguimiento de instrucciones para el ajuste fino de modelos o ejecutar simulaciones sociales a gran escala, CAMEL es la opción de código abierto más especializada disponible. El proyecto OASIS es particularmente único: ningún otro framework abierto admite la simulación de un millón de agentes para la investigación de dinámicas sociales.

Para los casos de uso de automatización de producción, OWL es el punto de entrada práctico. Los equipos que desean un agente autónomo autohospedado, donde aporten su propia clave, que maneje tareas de medios mixtos (investigación web más análisis de documentos más ejecución de código) pueden ejecutar OWL en su propia infraestructura sin ninguna suscripción de proveedor. La licencia Apache 2.0 significa plenos derechos de uso comercial. Algunos equipos de ingeniería utilizan OWL como una alternativa autohospedada a los productos de agentes basados en la nube, valorando la privacidad de los datos y el control de costos de la ejecución local. Los desarrolladores que construyen infraestructura de agentes a veces combinan Workforce de CAMEL con CrewAI para la capa de orquestación de tareas, utilizando CAMEL por sus capacidades de generación de datos y simulación.

La conexión de CAMEL con la comunidad de investigación de NeurIPS y KAUST también significa que a menudo saca a la luz nuevas técnicas de agentes, benchmarks y conjuntos de datos antes de que aparezcan en frameworks comerciales. El benchmark CRAB para la evaluación de agentes en múltiples entornos y el conjunto de datos LOONG para preguntas y respuestas de dominio fueron contribuciones originadas en CAMEL que ahora se citan en trabajos académicos.

Lo que no es CAMEL-AI

CAMEL no es una herramienta sin código (no-code) o de bajo código (low-code). No hay un constructor de agentes de arrastrar y soltar, ni un panel web para ejecutar flujos de trabajo, ni un entorno de ejecución alojado administrado por el equipo de CAMEL. Cada flujo de trabajo está codificado en Python. Si su equipo necesita un producto multiagente alojado con una interfaz gráfica de usuario (GUI), este no es el punto de partida adecuado.

CAMEL no está optimizado para Windows. Las fallas de instalación debido a la falta de dependencias de las herramientas de compilación de Visual C++ son un problema recurrente documentado, y la mayor parte de la documentación de CAMEL asume un entorno Linux o macOS. Los usuarios de Windows pueden solucionar esto, pero agrega una fricción que los investigadores en clústeres académicos centrados en Linux no experimentan.

CAMEL no es la opción correcta si está ejecutando inferencias con presupuesto limitado en modelos locales pequeños. Los resultados de OWL que superan los benchmarks se logran con modelos de frontera. Los equipos que esperan un rendimiento competitivo en GAIA en un modelo local de 7B o 13B se sentirán decepcionados. Para el trabajo de agentes centrado en modelos locales, smolagents o LangGraph con modelos más pequeños servirán mejor.

CAMEL tampoco es un sustituto de una capa de orquestación de nivel de producción. Los 224 problemas abiertos en GitHub y la constante rotación de integraciones significan que fijar las versiones de las dependencias y probar con su proveedor de LLM específico antes de una implementación importa más aquí que con los frameworks que tienen un contrato de soporte comercial detrás de ellos.