博客

在之前的教程中，我们学习了如何使用记忆来提升智能体的能力。但有时候，智能体需要与外部环境进行交互，例如获取信息、执行操作等等。这就是 MetaGPT 工具发挥作用的地方。

MetaGPT 工具可以帮助你的智能体扩展能力，就像给它安装了“外挂”一样。本教程将带你学习如何创建和使用 MetaGPT 工具。

创建工具

在 MetaGPT 中，创建工具非常简单，只需在 metagpt/tools/libs 目录中创建自己的函数或类即可。

步骤：

1. 创建函数或类： 编写函数或类，用于实现与外部环境的交互。
2. 添加 Google 风格的文档字符串： 为每个函数或类添加文档字符串，用于描述其用途、输入参数和预期输出。
3. 使用 @register_tool 装饰器： 使用 @register_tool 装饰器将函数或类注册到工具注册表中。

示例：

假设你想创建一个计算阶乘的工具，名为 calculate_factorial。你可以创建一个名为 calculate_factorial.py 的文件，并在其中添加以下代码：

# metagpt/tools/libs/calculate_factorial.py
import math
from metagpt.tools.tool_registry import register_tool

# 使用装饰器注册工具
@register_tool()
def calculate_factorial(n):
    """
    计算一个非负整数的阶乘。
    """
    if n < 0:
        raise ValueError("输入必须是非负整数")
    return math.factorial(n)

使用工具

创建工具后，你可以使用 DataInterpreter 角色来使用它。

示例：

假设你想要使用 calculate_factorial 工具来计算 5 的阶乘。你可以创建一个名为 main.py 的文件，并在其中添加以下代码：

# main.py
import asyncio
from metagpt.roles.di.data_interpreter import DataInterpreter
from metagpt.tools.libs import calculate_factorial

async def main(requirement: str):
   role = DataInterpreter(tools=["calculate_factorial"])  # 集成工具
   await role.run(requirement)

if __name__ == "__main__":
   requirement = "请计算 5 的阶乘。"
   asyncio.run(main(requirement))

这段代码首先导入必要的模块，然后定义一个 main 函数。在 main 函数中，我们创建了一个 DataInterpreter 角色，并使用 tools 参数指定了要使用的工具。最后，我们使用 role.run() 方法运行角色，并打印输出结果。

工具定制

MetaGPT 支持多种工具定制方式，例如：

• 从函数定制工具： 如上面的 calculate_factorial 示例。
• 从类定制工具： 你可以创建一个类，并使用 @register_tool 装饰器注册它。

示例：

假设你想创建一个名为 Calculator 的类，用于执行基本的算术运算和计算阶乘。你可以创建一个名为 calculator.py 的文件，并在其中添加以下代码：

# metagpt/tools/libs/calculator.py
import math
from metagpt.tools.tool_registry import register_tool

# 使用装饰器注册工具，并指定标签和包含的函数
@register_tool(tags=["math"], include_functions=["__init__", "add", "subtract", "multiply", "divide", "factorial"])
class Calculator:
   """
   一个简单的计算器工具，可以执行基本的算术运算和计算阶乘。
   """

   @staticmethod
   def add(a, b):
       """
       计算两个数字的和。
       """
       return a + b

   @staticmethod
   def subtract(a, b):
       """
       计算两个数字的差。
       """
       return a - b

   @staticmethod
   def multiply(a, b):
       """
       计算两个数字的积。
       """
       return a * b

   @staticmethod
   def divide(a, b):
       """
       计算两个数字的商。
       """
       if b == 0:
           return "错误：除数不能为零"
       else:
           return a / b

   @staticmethod
   def factorial(n):
       """
       计算一个非负整数的阶乘。
       """
       if n < 0:
           raise ValueError("输入必须是非负整数")
       return math.factorial(n)

总结

本教程展示了如何使用 MetaGPT 创建和使用工具。通过创建工具，你可以扩展智能体的能力，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。

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。