标签： AGI

MetaGPT 是一个基于大型语言模型 (LLM) 的多智能体协作框架，它能够将人类的程序化知识融入到 AI 软件开发中，提高代码生成效率和质量。本文将带您快速上手 MetaGPT，体验用一句话需求生成软件项目的便捷和高效。

安装

首先，我们需要安装 MetaGPT：

!pip install metagpt==0.6.0

设置

安装完成后，我们需要设置 OpenAI API 密钥和模型：

import os
os.environ["OPENAI_API_KEY"] = "sk-..."
os.environ["OPENAI_API_MODEL"] = "gpt-4-1106-preview"

请将 sk-... 替换为您的 OpenAI API 密钥。

用一句话需求生成软件项目

MetaGPT 的强大之处在于，您只需输入一句话的需求，它就能自动生成一个完整的软件项目，包括需求文档、代码、测试用例等等。

以下我们将创建一个团队，并使用 MetaGPT 生成一个简单的 2048 游戏：

1. 导入角色: 首先，我们需要导入 MetaGPT 提供的预定义角色：

import asyncio

from metagpt.roles import (
    Architect,
    Engineer,
    ProductManager,
    ProjectManager,
)
from metagpt.team import Team

2. 组建团队: 创建一个团队，并招募产品经理、架构师、项目经理和工程师：

async def startup(idea: str):
    company = Team()
    company.hire(
        [
            ProductManager(),
            Architect(),
            ProjectManager(),
            Engineer(),
        ]
    )
    company.invest(investment=3.0)
    company.run_project(idea=idea)

    await company.run(n_round=5)

3. 运行项目: 输入您的需求，并运行项目：

history = await startup(idea="write a 2048 game")

MetaGPT 会自动开始工作，并生成以下内容：

• 需求文档: 包括产品目标、用户故事、竞争分析、需求分析、需求池、UI 设计草稿等。
• 系统设计: 包括文件列表、数据结构、接口定义、程序调用流程等。
• 代码: 包括 constants.py、game.py、ui.py、main.py 等文件。
• 测试用例: 包括测试代码。

项目结果

运行结束后，您可以在 workspace 目录下找到生成的项目代码和文档。

MetaGPT 的快速上手指南就到这里，您已经体验了用一句话需求生成软件项目的便捷和高效。MetaGPT 的强大功能和灵活的扩展性，让它成为未来 AI 软件开发的重要工具。

参考文献

• MetaGPT: Meta Programming for Multi-Agent Collaborative Framework
• MetaGPT GitHub

近年来，基于大型语言模型 (LLM) 的多智能体系统在自动问题解决方面取得了显著进展。现有的 LLM 多智能体系统已能解决简单的对话任务，但对于更复杂的任务，由于 LLM 简单的链式连接导致的级联幻觉问题，导致逻辑不一致，难以找到有效的解决方案。

为了解决这个问题，我们提出了 MetaGPT，一个创新的元编程框架，将高效的人类工作流程融入到基于 LLM 的多智能体协作中。MetaGPT 将标准操作流程 (SOP) 编码到提示序列中，从而实现更简化的工作流程，让具有类似人类领域专业知识的代理能够验证中间结果，减少错误。MetaGPT 利用流水线模式，将不同的角色分配给不同的代理，有效地将复杂的任务分解为多个代理协同完成的子任务。

在协作软件工程基准测试中，MetaGPT 生成的解决方案比以前的基于聊天的多智能体系统更加连贯。我们的项目可以在 https://github.com/geekan/MetaGPT 找到。

MetaGPT 的核心优势

• 将 SOP 融入 LLM 多智能体协作： MetaGPT 借鉴了人类在各个领域中积累的 SOP，将这些流程标准化，并将其转化为 LLM 代理可以理解和执行的指令。这使得 LLM 代理能够像人类团队一样，遵循明确的流程，进行有效协作。
• 角色分工与协作： MetaGPT 将 LLM 代理分配不同的角色，例如产品经理、架构师、工程师等，每个角色都拥有特定的技能和职责。这些代理之间通过结构化的信息传递进行协作，确保每个环节的质量和效率。
• 可执行的反馈机制： MetaGPT 引入了可执行的反馈机制，使 LLM 代理能够在代码生成过程中实时验证和调试代码，从而提高代码质量。

MetaGPT 的实验结果

我们在 HumanEval 和 MBPP 等公开基准测试上，以及我们自己构建的更具挑战性的 SoftwareDev 基准测试上，对 MetaGPT 进行了评估。结果表明，MetaGPT 在代码生成方面取得了新的最先进水平 (SoTA)，在 HumanEval 和 MBPP 上的 Pass@1 分别达到了 85.9% 和 87.7%。

与 AutoGPT、LangChain、AgentVerse 和 ChatDev 等其他流行的复杂软件项目框架相比，MetaGPT 在处理更高水平的软件复杂性和提供更广泛的功能方面也表现出色。值得注意的是，在我们的实验评估中，MetaGPT 达到了 100% 的任务完成率，证明了我们设计方案的鲁棒性和效率 (时间和代币成本)。

未来展望

MetaGPT 的成功，为我们展示了将人类工作流程融入 LLM 多智能体系统中的巨大潜力。未来，我们将继续探索以下方向：

• 自改进机制： 让 MetaGPT 能够从过去的项目经验中学习，不断提升自身的性能和效率。
• 多智能体经济： 构建一个更加灵活的协作环境，让 LLM 代理能够根据需求动态调整工作流程和角色分配。

MetaGPT 的出现，标志着 AI 协作软件开发的全新时代。它将改变传统的软件开发模式，为我们带来更加高效、便捷的软件开发体验。

参考文献

• MetaGPT: Meta Programming for Multi-Agent Collaborative Framework