MetaGPT是一个基于大型语言模型（LLMs）的多智能体协作框架。它利用SOP（Standard Operating Procedures，标准作业程序）来协调基于大语言模型的多智能体系统，从而实现元编程技术。该框架使用智能体模拟了一个虚拟软件团队，包含产品经理、架构师、项目经理、工程师、质量工程师等角色，并引入SOP成为框架的虚拟软件团队的开发流程。
MetaGPT提供了两种部署方式：pip本地部署和docker部署。
这里使用pip进行了安装：
?
# 创建虚拟环境
conda create -n py39 python=3.9
conda activate py39
# clone项目到本地
git clone https://github.com/geekan/MetaGPT.git
cd /your/path/to/MetaGPT
pip install -e .项目提供了一些例子，比如贪吃蛇展示MetaGPT的设计理念，即每个项目都可以抽象为一个标准流程（SOP），不同的角色负责项目的不同方面，组成一个项目组共同完成任务。
除了OpenAI外，MetaGPT还支持国内的智谱、讯飞星火等。这里使用智谱的开放平台，目前平台会提供大概200万的测试用的额度。基本可以满足学习需求。
【默认安装后的版本是0.6.0，直接使用的话，发现会失败，后来看到文档上说，目前需要使用0.5.2的版本，将版本回退后，便可以执行成功】
???????????????????????????????????????????适配其他国产模型 - 飞书云文档 (feishu.cn)
# 可导入任何角色，初始化它，用一个开始的消息运行它，完成！
import os
os.environ["ZHIPUAI_API_KEY"] = "申请的KEY"
import asyncio
import re
import subprocess
import fire
from metagpt.actions import Action
from metagpt.logs import logger
from metagpt.roles.role import Role, RoleReactMode
from metagpt.schema import Message
class SimpleWriteCode(Action):
PROMPT_TEMPLATE: str = """
Write a python function that can {instruction} and provide two runnnable test cases.
Return ```python your_code_here ``` with NO other texts,
your code:
"""
name: str = "SimpleWriteCode"
async def run(self, instruction: str):
prompt = self.PROMPT_TEMPLATE.format(instruction=instruction)
rsp = await self._aask(prompt)
code_text = SimpleWriteCode.parse_code(rsp)
return code_text
@staticmethod
def parse_code(rsp):
pattern = r"```python(.*)```"
match = re.search(pattern, rsp, re.DOTALL)
code_text = match.group(1) if match else rsp
return code_text
class SimpleRunCode(Action):
name: str = "SimpleRunCode"
async def run(self, code_text: str):
result = subprocess.run(["python3", "-c", code_text], capture_output=True, text=True)
code_result = result.stdout
logger.info(f"{code_result=}")
return code_result
class SimpleCoder(Role):
name: str = "Alice"
profile: str = "SimpleCoder"
def __init__(self, **kwargs):
super().__init__(**kwargs)
self._init_actions([SimpleWriteCode])
async def _act(self) -> Message:
logger.info(f"{self._setting}: to do {self._rc.todo}({self._rc.todo.name})")
todo = self._rc.todo # todo will be SimpleWriteCode()
msg = self.get_memories(k=1)[0] # find the most recent messages
code_text = await todo.run(msg.content)
msg = Message(content=code_text, role=self.profile, cause_by=type(todo))
return msg
class RunnableCoder(Role):
name: str = "Alice"
profile: str = "RunnableCoder"
def __init__(self, **kwargs):
super().__init__(**kwargs)
self._init_actions([SimpleWriteCode, SimpleRunCode])
self._set_react_mode(react_mode=RoleReactMode.BY_ORDER.value)
async def _act(self) -> Message:
logger.info(f"{self._setting}: to do {self._rc.todo}({self._rc.todo.name})")
# By choosing the Action by order under the hood
# todo will be first SimpleWriteCode() then SimpleRunCode()
todo = self._rc.todo
msg = self.get_memories(k=1)[0] # find the most k recent messages
result = await todo.run(msg.content)
msg = Message(content=result, role=self.profile, cause_by=type(todo))
self._rc.memory.add(msg)
return msg
def main(msg="创建一个定时将目录下文件推送到某FTP的程序，每次推送完成后，将已经推送的文件迁移到其他目录进行备份，备份的文件保留2天"):
# role = SimpleCoder()
role = RunnableCoder()
logger.info(msg)
result = asyncio.run(role.run(msg))
logger.info(result)
if __name__ == "__main__":
fire.Fire(main)智能体 = LLM+观察+思考+行动+记忆
可能对于程序员来说，我觉得可以用更加简单的方式去理解这个概念。所谓的智能体，有些像我们借助大模型的能力，模拟出多个角色，当我们提出一个问题后，可以通过这些角色分工合作来解决。然后，metagpt的功能，更像是让我们简化定义操作角色的方式。这样可以让我们可以通过相对简单的方式，模拟出N个角色，让智能体来解决问题。
通过Demo的体验，总的感觉来说是很不错的~
让我们快乐的折腾吧~
其实周围的人，对于大模型的态度差异很大，有的人觉得大模型不太靠谱，还需要继续发展；有的人觉得，大模型是未来的一个热点~~
嗯，对于我来说，整体来说是比较看好大模型的，但是使用过程中，也遇到了一些困惑。