CAMEL 框架之 RolePlaying 角色扮演
首先我们来看看，怎么让 RolePlaying 为我们服务。
创建 Model
RolePlaying 是两个智能体之间的角色扮演，底层其实还是 AI 大模型，我们可以通过 ModelFactory 来创建一个 model。
model = ModelFactory.create( model_platform=ModelPlatformType.OPENAI_COMPATIBLE_MODEL, model_type="Qwen/Qwen2.5-72B-Instruct", url='https://api-inference.modelscope.cn/v1/', api_key=api_key)创建 RolePlaying session
def main(model=model, chat_turn_limit=50) -> None: task_prompt = "写一个快速排序算法"#设置任务目标 role_play_session = RolePlaying( assistant_role_name="Python 程序员",#设置AI助手角色名 assistant_agent_kwargs=dict(model=model), user_role_name="算法老师",#设置用户角色名，在roleplay中，user用于指导AI助手完成任务 user_agent_kwargs=dict(model=model), task_prompt=task_prompt, with_task_specify=True, task_specify_agent_kwargs=dict(model=model), output_language='中文'#设置输出语言 )task_prompt是我们要完成的任务
assistant_role_name 设置 assistant_agent 的角色
user_role_name 设置 user_agent 的角色
RolePlaying() 实例化之后，我们就得到一个 session，到这一步其实我们已经初始化好了两个智能体， 我们把任务交给智能体，user_agent 会指导 assistant_agent 去完成我们的任务。
下面是 RolePlay 内部集成的，给 assistant_agent 的 prompt：
可以看到对 assistant_agent 说的，其角色扮演的 prompt 是：
Never instruct me!
You must help me to complete the task.
content='===== RULES OF ASSISTANT =====\nNever forget you are a python 程序员 and I am a 算法老师. Never flip roles! Never instruct me!\nWe share a common interest in collaborating to successfully complete a task.You must help me to complete the task.下面是 RolePlay 内部集成的，给 user_agent 的 prompt：
可以看到对 assistant_agent 说的，其角色扮演的 prompt 是：
You will always instruct me
I must help you to complete the task
content='===== RULES OF USER =====\nNever forget you are a 算法老师 and I am a python 程序员.Never flip roles!You will always instruct me.\nWe share a common interest in collaborating to successfully complete a task.I must help you to complete the task.通过上述四句的关键 prompt，实现了两个 agent 的角色扮演， 在他们后续的交流过程中，将会按照 user_agent 会指导 assistant_agent 的模式去完成任务。
RolePlaying 的其他属性
RolePlaying 类实现了两个智能体之间的角色扮演功能，支持任务细化、任务规划、引入批评者等特性，并且提供同步和异步的对话推进方法。
下面我们看看 RolePlaying 的初始化，就可以直接地了解他的核心内容了：
def __init__( self, assistant_role_name: str, user_role_name: str, *, critic_role_name: str = "critic", task_prompt: str = "", with_task_specify: bool = True, # 设置是否使用任务细化智能体 with_task_planner: bool = False, # 设置是否使用任务规划智能体 with_critic_in_the_loop: bool = False, # 设置在对话循环中引入批评者 critic_criteria: Optional[str] = None, model: Optional[BaseModelBackend] = None, task_type: TaskType = TaskType.AI_SOCIETY, assistant_agent_kwargs: Optional[Dict] = None, user_agent_kwargs: Optional[Dict] = None, task_specify_agent_kwargs: Optional[Dict] = None, task_planner_agent_kwargs: Optional[Dict] = None, critic_kwargs: Optional[Dict] = None, sys_msg_generator_kwargs: Optional[Dict] = None, extend_sys_msg_meta_dicts: Optional[List[Dict]] = None, extend_task_specify_meta_dict: Optional[Dict] = None, output_language: Optional[str] = None, stop_event: Optional[threading.Event] = None, ) -> None: # 其他代码省略with_task_specify 设置是否使用任务细化智能体，默认是开启的，会对任务进行拆分、细分，再一步步完成。
with_task_planner 设置是否使用任务规划智能体。
with_critic_in_the_loop 设置在对话循环中引入批评者
通过这三个属性，我们可以看到 Camel 中的 RolePlaying 和平时我们直接单纯地使用 AI 是有很大区别的。在 RolePlaying 中我们可以对 Agent 进行更深层次的、更精细化的设置，比如任务拆解，比如批评者的引入（就好像有主管在旁边监督指导工作，这样完成的任务质量更高）
批评者的引入，使得 agent 间在完成任务过程中是有监督的，就像监督学习算法一样（maybe 不是很恰当，但是类似），在出现 AI 幻觉或者其他偏离原有任务的时候可以及时提醒。
而我们单纯使用 AI 的话，很多时候它不会主动拆解任务，更不会自我监督，偏离了之后就胡说一通了，特别是会话较长了之后。
