CAMEL-AI

CAMEL-AI est un framework multi-agents open source et un collectif de recherche issu d'un article publié à NeurIPS 2023 par des chercheurs de la KAUST (King Abdullah University of Science and Technology). Son nom signifie Communicative Agents for "Mind" Exploration of Large Language Model Society. Il a débuté comme un projet académique étudiant la façon dont les agents LLM se comportent, coopèrent et évoluent lorsqu'on leur attribue des rôles structurés et des tâches conversationnelles. Depuis 2023, il est devenu une communauté de plus de 100 chercheurs du MIT, de Stanford, d'Oxford, de la CMU et de partenaires industriels tels qu'Amazon, Apple, Meta et DeepMind. La bibliothèque Python principale a atteint la version v0.2.90 en mars 2026 et compte plus de 16 900 étoiles sur GitHub.

CAMEL propose des composants modulaires pour la création de systèmes multi-agents : un framework RolePlaying qui utilise l'inception prompting pour attribuer des personas structurés à des agents coopératifs ; un moteur d'orchestration Workforce pour assembler des équipes d'agents hiérarchiques ; des systèmes de mémoire persistante ; des pipelines RAG ; et des pipelines de génération de données synthétiques. Son sous-projet OWL (Optimized Workforce Learning) est un agent généraliste entièrement autonome intégrant l'automatisation de navigateur, l'analyse de documents, l'exécution de code et plus de 20 boîtes à outils. Un projet distinct, OASIS, permet la simulation sociale de jusqu'à un million d'agents simultanés. Le framework est sous licence Apache 2.0 sans aucun niveau payant. Les utilisateurs fournissent leurs propres clés d'API pour les LLM sous-jacents.

Ce que fait réellement CAMEL-AI en avril 2026

À la base, CAMEL est un framework Python permettant d'orchestrer plusieurs agents basés sur des LLM qui communiquent via des dialogues structurés fondés sur des rôles. Plutôt que de coder en dur des graphes de tâches, CAMEL utilise l'inception prompting : les agents reçoivent un rôle (User, Assistant, Critic, Planner ou personnalisé), un contexte et des contraintes, puis sont autorisés à négocier pour accomplir la tâche par le biais de conversations à tours multiples. Cette conception axée sur le dialogue distingue CAMEL des frameworks axés sur les graphes de tâches et constitue le mécanisme que l'article original de NeurIPS 2023 a étudié à grande échelle.

L'architecture actuelle de la bibliothèque comporte cinq couches principales. Premièrement, le ChatAgent : un agent unique basé sur un LLM avec accès aux outils, mémoire et persona configurable. Deuxièmement, Societies : des couches de coordination qui gèrent l'attribution des rôles, la délégation des tâches et le routage des communications entre agents. Troisièmement, Interpreters : des backends d'exécution pour Python, les commandes shell et l'automatisation de navigateur. Quatrièmement, Memory : un stockage persistant des conversations et du contexte utilisant des backends vectoriels. Cinquièmement, Synthetic Data Generation : des pipelines pour créer des jeux de données de suivi d'instructions à partir des interactions des agents, qui alimentent plusieurs benchmarks de recherche publiés par CAMEL.

L'agent OWL, lancé en mars 2025, regroupe l'intégralité de la couche Workforce de CAMEL dans un agent autonome prêt à l'emploi. Il connecte des moteurs de recherche multiples, l'automatisation de navigateur Playwright, l'analyse de PDF et de documents, l'exécution de code en bac à sable, l'analyse multimodale et la prise en charge du MCP (Model Context Protocol) pour l'interopérabilité des outils. Sur le benchmark GAIA, OWL a obtenu un score de 69.09% en avril 2025, se classant premier parmi les frameworks open source. Il prend en charge GPT-4o, Claude 3.5 Sonnet, Qwen, DeepSeek, Gemini et les modèles locaux via Ollama, vLLM et SGLang.

OASIS (Open Agent Social Interaction Simulations), lancé en novembre 2024, étend le framework dans une direction totalement différente : la simulation sociale à grande échelle. OASIS peut modéliser jusqu'à un million d'agents simultanés sur des réseaux sociaux simulés, reproduisant les modèles de comportement réels des utilisateurs, notamment la diffusion de l'information, la polarisation des groupes et les effets grégaires sur des plateformes calquées sur X et Reddit. Il s'agit principalement d'un outil de recherche pour étudier la dynamique de la désinformation et les comportements sociaux émergents à grande échelle.

Où se situe CAMEL-AI par rapport à CrewAI et AutoGen

CAMEL-AI vs. CrewAI : CrewAI est un framework axé sur le produit, conçu pour un déploiement rapide. Il utilise un DSL rôle/tâche/processus où les développeurs définissent des agents nommés et attribuent des tâches discrètes explicites en séquence ou en hiérarchie. La courbe d'apprentissage est intentionnellement faible, avec environ 20 lignes de code pour exécuter une équipe fonctionnelle. CrewAI propose également un niveau d'entreprise hébergé avec gestion de l'exécution. CAMEL adopte la position inverse : sa couche Workforce permet aux agents de déléguer et de négocier dynamiquement des sous-tâches plutôt que de suivre une séquence de tâches prédéclarée. Cela rend CAMEL plus flexible pour les workflows multi-agents complexes et émergents, mais plus difficile à déboguer lorsqu'une boucle d'agent tourne mal. CrewAI pense en tâches ; CAMEL pense en conversations. Pour les équipes qui souhaitent livrer un produit agentique en une journée, CrewAI a l'avantage. Pour les équipes qui étudient la façon dont les agents se coordonnent dans des conditions inédites, CAMEL offre plus de profondeur. Les utilisateurs qui souhaitent des outils d'orchestration de production associent souvent CrewAI à Agno pour l'infrastructure ; les utilisateurs de CAMEL ont tendance à concevoir la leur.

CAMEL-AI vs. AutoGen (Microsoft) : AutoGen est également axé sur la recherche, développé par Microsoft Research et accepté à NeurIPS 2023 aux côtés de CAMEL. Son architecture GroupChat achemine les conversations multi-agents via un sélecteur de tour médié par un LLM et accumule l'historique complet des conversations à chaque tour, ce qui devient coûteux à grande échelle (une conversation à 4 agents et 5 tours nécessite au minimum plus de 20 appels LLM). AutoGen dispose également d'une prise en charge .NET et d'une solide documentation d'entreprise, et a été adopté dans les produits Microsoft. Le compromis : AutoGen est entré dans une phase de maintenance à faible investissement en 2025, Microsoft ayant réaffecté ses ressources à son produit plus large Agent Framework. CAMEL, en revanche, est resté activement tourné vers la recherche, lançant OWL en mars 2025 et LOONG en septembre 2025. Là où AutoGen est optimisé pour les workflows conversationnels d'entreprise, CAMEL est optimisé pour la recherche : lois de mise à l'échelle, benchmarking et simulation. Les développeurs s'appuyant sur AutoGen constatent souvent qu'ils se tournent également vers LangGraph pour gérer la couche d'exécution avec état qu'AutoGen ne couvre pas nativement.

Face à smolagents (Hugging Face), le contraste est plus saisissant. smolagents est intentionnellement minimaliste : les agents écrivent et exécutent du code Python directement dans des environnements en bac à sable, et la bibliothèque maintient des abstractions légères. C'est le chemin le plus rapide de zéro à un agent fonctionnel pour les débutants. CAMEL offre une infrastructure nettement plus importante (mémoire persistante, RAG, boucles d'entraînement RL, simulation de société, plus de 30 boîtes à outils) mais nécessite proportionnellement plus de configuration. smolagents se connecte nativement au Hugging Face Hub pour le partage de modèles et d'outils ; CAMEL est agnostique en matière de modèles pour tous les principaux fournisseurs d'API. Les deux s'adressent à des publics différents : smolagents pour l'expérimentation avec des tâches légères ; CAMEL pour les pipelines de recherche et l'automatisation à long terme à grande échelle.

"Camel-AI semble plus léger et davantage axé sur la communauté, avec une concentration plus marquée sur les rôles de dialogue par rapport à AutoGen. L'ergonomie et l'écosystème de CrewAI semblent plus matures, tandis que l'orientation ouverte de Camel-AI sur les lois de mise à l'échelle et les options locales comme OWL sont des éléments différenciateurs." -- Revue comparative Sider.ai, 2025

À quoi ressemble la réalité de la boucle d'agent

Un workflow CAMEL typique commence par l'installation de la bibliothèque via pip, la création d'une configuration de modèle via ModelFactory, la définition des rôles des agents, puis l'exécution d'une session RolePlaying ou d'un pipeline Workforce. La conception modulaire signifie que vous configurez chaque couche : quel backend LLM, quel stockage de mémoire, quels outils. Pour OWL, la configuration implique de paramétrer une clé d'API et d'exécuter un conteneur Docker ou de l'installer localement, puis de soumettre une tâche en langage naturel. L'agent gère le routage des outils en interne.

En pratique, l'expérience varie fortement selon le choix du modèle. Avec GPT-4o ou Claude 3.5 Sonnet comme base, OWL est performant et fiable sur la catégorie du benchmark GAIA concernant les tâches de recherche, de documentation et de codage en plusieurs étapes. Le README le reconnaît directement : "d'autres modèles peuvent entraîner des performances nettement inférieures". L'utilisation de modèles ouverts plus petits via Ollama fait chuter considérablement les scores du benchmark. Cette sensibilité au modèle est une véritable contrainte pour les équipes disposant de budgets d'inférence serrés.

Les tâches Workforce à long terme (pipelines multi-agents qui s'exécutent pendant des minutes ou plus) peuvent entrer dans des états d'échec silencieux lorsqu'une intégration expire ou qu'un appel d'outil renvoie une réponse inattendue. Le suivi des problèmes sur GitHub affiche 224 tickets ouverts en avril 2026, avec des signalements récurrents concernant des échecs d'intégration Bedrock, des ruptures de compatibilité vLLM après des modifications en amont, et des échecs d'installation sous Windows dus à l'absence des outils de build Visual C++. Le débogage d'une boucle d'agent défaillante nécessite la lecture des journaux bruts ; il n'y a pas de débogueur visuel dédié comparable au visualiseur de traces de LangGraph.

"La configuration du modèle peut être délicate et confuse en raison des nombreuses intégrations LLM disponibles ; il peut y avoir beaucoup de combinaisons avec la configuration de ModelFactory." -- Parth Sharma, Medium, 2025

Du côté positif, la documentation du cookbook de CAMEL est pratique et bien entretenue, avec des exemples concrets couvrant la génération de données, les pipelines RAG, la configuration de simulation et des exemples de tâches OWL. La communauté Discord (plus de 4 000 membres) offre un support actif. L'intégration avec les workflows AutoGen est parfois utilisée par les chercheurs qui souhaitent combiner la couche de simulation de CAMEL avec les modèles d'outils d'entreprise d'AutoGen.

À qui s'adresse CAMEL-AI

Le public principal de CAMEL est constitué de chercheurs en IA et de développeurs maîtrisant Python qui souhaitent un framework conçu pour la recherche plutôt qu'adapté a posteriori. Si votre travail implique l'étude du comportement émergent multi-agents, la génération de données synthétiques de suivi d'instructions pour le fine-tuning de modèles, ou l'exécution de simulations sociales à grande échelle, CAMEL est l'option open source la plus spécialisée disponible. Le projet OASIS est particulièrement unique : aucun autre framework ouvert ne prend en charge la simulation d'un million d'agents pour la recherche sur les dynamiques sociales.

Pour les cas d'usage d'automatisation en production, OWL est le point d'entrée pratique. Les équipes qui souhaitent un agent autonome auto-hébergé, avec leurs propres clés d'API, capable de gérer des tâches multimédias (recherche web, analyse de documents et exécution de code) peuvent exécuter OWL sur leur propre infrastructure sans aucun abonnement fournisseur. La licence Apache 2.0 implique des droits d'utilisation commerciale complets. Certaines équipes d'ingénierie utilisent OWL comme alternative auto-hébergée aux produits agentiques basés sur le cloud, appréciant la confidentialité des données et le contrôle des coûts liés à une exécution locale. Les développeurs construisant une infrastructure d'agents combinent parfois le Workforce de CAMEL avec CrewAI pour la couche d'orchestration des tâches, en utilisant CAMEL pour ses capacités de génération de données et de simulation.

Le lien de CAMEL avec la communauté de recherche NeurIPS et la KAUST signifie également qu'il met souvent en évidence de nouvelles techniques d'agents, des benchmarks et des jeux de données avant qu'ils n'apparaissent dans les frameworks commerciaux. Le benchmark CRAB pour l'évaluation d'agents inter-environnements et le jeu de données LOONG pour les questions-réponses de domaine sont tous deux des contributions originaires de CAMEL, désormais citées dans des travaux académiques.

Ce que CAMEL-AI n'est pas

CAMEL n'est pas un outil no-code ou low-code. Il n'y a pas de constructeur d'agents par glisser-déposer, pas de tableau de bord web pour exécuter des workflows, et pas d'environnement d'exécution hébergé géré par l'équipe CAMEL. Chaque workflow est codé en Python. Si votre équipe a besoin d'un produit multi-agents hébergé avec une interface graphique, ce n'est pas le bon point de départ.

CAMEL n'est pas optimisé pour Windows. Les échecs d'installation dus à l'absence de dépendances aux outils de build Visual C++ sont un problème récurrent documenté, et la plupart de la documentation de CAMEL suppose un environnement Linux ou macOS. Les utilisateurs de Windows peuvent contourner ce problème, mais cela ajoute des frictions que les chercheurs sur des clusters académiques orientés Linux ne rencontrent pas.

CAMEL n'est pas le bon choix si vous exécutez des inférences avec un budget limité sur de petits modèles locaux. Les résultats de pointe d'OWL sur les benchmarks sont obtenus avec des modèles frontières. Les équipes s'attendant à des performances compétitives sur GAIA avec un modèle local de 7B ou 13B seront déçues. Pour un travail d'agent axé sur les modèles locaux, smolagents ou LangGraph avec des modèles plus petits conviendront mieux.

CAMEL ne remplace pas non plus une couche d'orchestration de niveau production. Les 224 tickets GitHub ouverts et le roulement actif des intégrations signifient que le verrouillage des versions de dépendances et les tests avec votre fournisseur LLM spécifique avant un déploiement sont plus importants ici qu'avec des frameworks bénéficiant d'un contrat de support commercial.