标签： AGI

在之前的教程中，我们已经了解了智能体和多智能体系统。但一个真正强大的 AI 智能体，还需要拥有记忆能力。记忆可以帮助智能体积累经验，并根据过去的经验进行决策和行动。

本教程将带你了解 MetaGPT 中的记忆功能，以及如何使用它来提升你的 AI 智能体的能力。

MetaGPT 中的记忆

在 MetaGPT 中，Memory 类是智能体记忆的抽象表示。当一个角色被初始化时，它会获得一个 Memory 对象，用于存储它观察到的所有消息。这些消息会被保存在一个列表中，方便以后检索。

检索记忆

当你需要使用记忆时，例如将记忆作为 LLM 的上下文，可以使用 self.get_memories() 方法。该方法的定义如下：

def get_memories(self, k=0) -> list[Message]:
    """A wrapper to return the most recent k memories of this role, return all when k=0"""
    return self.rc.memory.get(k=k)

该方法接受一个可选参数 k，用于指定要检索的最近记忆数量。如果 k 为 0，则返回所有记忆。

例如，在之前的多智能体教程中，我们使用 get_memories() 方法将所有记忆作为上下文提供给测试者。这样，如果审查者提供了反馈，测试者可以参考之前的版本修改测试用例。代码片段如下：

async def _act(self) -> Message:
    logger.info(f"{self._setting}: ready to {self.rc.todo}")
    todo = self.rc.todo

    # context = self.get_memories(k=1)[0].content  # 使用最近的记忆作为上下文
    context = self.get_memories()  # 使用所有记忆作为上下文

    code_text = await todo.run(context, k=5)  # 指定参数

    msg = Message(content=code_text, role=self.profile, cause_by=todo)

    return msg

添加记忆

要添加记忆，可以使用 self.rc.memory.add(msg) 方法，其中 msg 必须是 Message 类的实例。

建议在定义 _act 方法时，将动作输出的消息添加到角色的记忆中。角色通常需要记住它之前说过的话或做过的事，才能采取下一步行动。

下一步

本教程介绍了 MetaGPT 中的“短期记忆”概念。记忆的检索是基于简单的最近性原则。然而，还有许多其他类型的记忆，以及各种各样的记忆生成和检索技术。你可以参考 Memory 教程，了解如何使用记忆来真正提升你的智能体的性能。

在上一章中，我们学习了如何创建一个单个智能体。虽然单个智能体在许多情况下已经足够，但对于更复杂的任务，往往需要协作和团队合作。这就是多智能体系统发挥作用的地方。MetaGPT 的核心优势在于它能够轻松灵活地开发多个智能体组成的团队。在 MetaGPT 框架下，只需编写少量代码，就能实现智能体之间的交互。

通过本教程，你将学会：

• 理解智能体之间的交互方式
• 开发你的第一个 AI 团队
• 运行软件创业示例

开发你的第一个 AI 团队

让我们以软件创业为例，想象一下，你需要一个团队来开发一个 CLI 版本的 Flappy Bird 游戏：

metagpt "write a cli flappy bird game"

这个简单的命令就可以启动 MetaGPT，并让它自动组建一个 AI 团队来完成这个任务。

1. 定义角色和动作

与单个智能体类似，我们需要定义每个角色以及它们能够执行的动作。

• SimpleCoder: 接受用户指令，编写主要代码。
• SimpleTester: 接受 SimpleCoder 生成的代码，编写测试用例。
• SimpleReviewer: 接受 SimpleTester 生成的测试用例，审查其覆盖率和质量。

每个角色对应一个动作：

• SimpleWriteCode: 接受用户指令，生成 Python 代码。
• SimpleWriteTest: 接受代码，生成测试用例。
• SimpleWriteReview: 审查测试用例，并提供评论。

2. 定义角色

在 MetaGPT 中，定义一个角色通常只需要几行代码。

SimpleCoder:

class SimpleCoder(Role):
    name: str = "Alice"
    profile: str = "SimpleCoder"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self._watch([UserRequirement])  # 监听用户指令
        self.set_actions([SimpleWriteCode])

SimpleTester:

class SimpleTester(Role):
    name: str = "Bob"
    profile: str = "SimpleTester"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.set_actions([SimpleWriteTest])
        self._watch([SimpleWriteCode])  # 监听 SimpleCoder 生成的代码
        # self._watch([SimpleWriteCode, SimpleWriteReview])  # 可以尝试监听更多信息

    async def _act(self) -> Message:
        logger.info(f"{self._setting}: to do {self.rc.todo}({self.rc.todo.name})")
        todo = self.rc.todo

        # context = self.get_memories(k=1)[0].content  # 使用最近的记忆作为上下文
        context = self.get_memories()  # 使用所有记忆作为上下文

        code_text = await todo.run(context, k=5)  # 指定参数
        msg = Message(content=code_text, role=self.profile, cause_by=type(todo))

        return msg

SimpleReviewer:

class SimpleReviewer(Role):
    name: str = "Charlie"
    profile: str = "SimpleReviewer"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.set_actions([SimpleWriteReview])
        self._watch([SimpleWriteTest])  # 监听 SimpleTester 生成的测试用例

3. 创建团队

现在，我们已经定义了三个角色，可以将它们组合成一个团队：

import asyncio
import typer
from metagpt.logs import logger
from metagpt.team import Team
app = typer.Typer()

@app.command()
def main(
    idea: str = typer.Argument(..., help="write a function that calculates the product of a list"),
    investment: float = typer.Option(default=3.0, help="Dollar amount to invest in the AI company."),
    n_round: int = typer.Option(default=5, help="Number of rounds for the simulation."),
):
    logger.info(idea)

    team = Team()
    team.hire(
        [
            SimpleCoder(),
            SimpleTester(),
            SimpleReviewer(),
        ]
    )

    team.invest(investment=investment)
    team.run_project(idea)
    asyncio.run(team.run(n_round=n_round))

if __name__ == '__main__':
    app()

这段代码首先定义了一个 main 函数，并创建一个 Team 对象。然后，我们使用 team.hire() 方法雇佣了三个角色。最后，我们使用 team.run() 方法运行团队，并打印输出结果。

运行团队

现在，你可以运行这段代码，并观察团队之间的协作：

python3 examples/build_customized_multi_agents.py --idea "write a function that calculates the product of a list"

总结

本教程展示了如何使用 MetaGPT 创建一个简单的 AI 团队，并演示了如何定义角色和动作，以及如何运行团队。你可以在此基础上进一步扩展你的团队，使其能够执行更复杂的任务。

更多学习资源

• MetaGPT 文档：了解更多关于 MetaGPT 的信息。
• MetaGPT Github：查看 MetaGPT 的源代码和示例。
• MetaGPT 论文：深入了解 MetaGPT 的技术细节。