What is MetaGPT and how does it work?

MetaGPT is a multi-agent framework where role‑based agents (PM, Architect, Engineer, QA) collaborate to produce structured outputs like PRDs, designs, and code. It coordinates tasks, shares context, and lets you plug in local or cloud LLMs for each role.

How do I install and set up MetaGPT?

Install via pip or from source, configure your LLM (OpenAI, Anthropic, or local via Ollama), and set environment variables for model access. Then define agents, create a team, and run a task to generate artifacts like PRDs and code.

Can I use MetaGPT with local LLMs like DeepSeek or Llama?

Yes. Using Ollama, you can run models like DeepSeek‑Coder or Llama locally and point MetaGPT to the local endpoint. This reduces cost and improves privacy for sensitive projects.

What are best practices for prompts in MetaGPT?

Use structured briefs with objectives, users, constraints, success metrics, and deliverables. Assign each agent a clear mandate and provide schema‑based output formats (e.g., JSON/YAML) to reduce ambiguity.

How do I prevent agents from looping or producing low-quality code?

Add step limits and review gates, enforce output schemas, and use specialized models per role (e.g., reasoning‑strong for Architect, code‑strong for Engineer). Include a Tester/Linter agent and run unit tests automatically.

Jak používat MetaGPT: Praktický průvodce multi-agentními pracovními postupy

Pokud jste si někdy přáli, aby se vaše AI chovala jako dobře zorganizovaný produktový tým – produktový manažer, architekt, inženýr, tester – pracující paralelně na dosažení společného cíle, MetaGPT je framework, který to umožňuje. V tomto praktickém průvodci zaměřeném na řešení vás krok za krokem provedeme používáním MetaGPT, od instalace po vytváření multi-agentních pracovních postupů, a přidáme osvědčené postupy, tipy pro řešení problémů a reálné příklady, které můžete dnes adaptovat.

Na konci budete moci nainstalovat MetaGPT, spustit multi-agentní pipeline, psát lepší prompty, rozšířit ji o nástroje a LLM a rychle dodat něco užitečného.

Co je MetaGPT (a proč na tom záleží)

MetaGPT je multi-agentní framework navržený ke koordinaci specializovaných agentů – jako je produktový manažer, architekt, kodér a tester – aby mohli společně řešit komplexní úkoly. Místo jedné monolitické AI, která dělá všechno, MetaGPT skládá systém agentů založených na rolích se sdíleným kontextem, pamětí a směrováním úkolů. Výsledkem je, že projekty se posouvají od nápadu k výstupu s menší manuální pomocí a větším paralelismem.

Multi-agentní role: Definujte jasné odpovědnosti (např. návrh PRD, návrh systému, kódování).

Sdílené artefakty: Agenti si předávají strukturované výstupy (PRD → návrh → kód → testy).

Zásuvné LLM: Vyberte si modely (lokální nebo cloudové) v závislosti na ceně, rychlosti a soukromí.

Rozšiřitelné nástroje: Přidejte načítání, spouštění kódu nebo externí API.

Pro dobrý přehled a „proč to funguje“ se podívejte na nezávislé průvodce, které rozebírají, jak MetaGPT organizuje týmy a generování kódu. Pro konkrétní pracovní postup (automatizace požadavků na produkt s lokálními modely) IBM tutoriál ukazuje MetaGPT kombinovaný s modely Ollama a DeepSeek pro produkci PRD end-to-end.

Rychlý start: Nainstalujte MetaGPT za 15 minut

Zde je čisté nastavení, které funguje na macOS, Linuxu a WSL.

1) Předpoklady

Python 3.10+ a pip

Node.js/npm (pro některé nástroje a integrace, pokud plánujete experimentovat)

Volitelné: Docker (pro reprodukovatelné prostředí) a Ollama (pro lokální LLM)

Ověřte své prostředí:

python --version
pip --version
node -v
npm -v

Pokud si vyberete cestu lokálních LLM, nainstalujte Ollama a stáhněte si model (např. DeepSeek nebo varianty Llama 3), jak je ukázáno v příkladu automatizace PRD.

2) Instalace MetaGPT

# Možnost A: Z PyPI (pokud je k dispozici)
pip install metagpt
# Možnost B: Ze zdroje (doporučeno pro sledování příkladů)
git clone <org>/MetaGPT.git
cd MetaGPT
pip install -r requirements.txt

Zkontrolujte soubor README projektu pro nejnovější kroky instalace a volitelné doplňky. Komunitní průvodci také nastiňují lokální kroky včetně kontrol npm a nastavení Pythonu.

3) Konfigurace vašich LLM

Cloud LLM: Exportujte klíče (např. OPENAI_API_KEY, ANTHROPIC_API_KEY).

Lokální LLM: Spusťte ollama serve a vyberte model; nasměrujte MetaGPT na váš lokální endpoint.

Příklad .env (upravte pro svého poskytovatele):

OPENAI_API_KEY=sk-...
MODEL_NAME=gpt-4o-mini
# Nebo lokální
LLM_ENDPOINT=
MODEL_NAME=deepseek-coder

Váš první multi-agentní pracovní postup

Pojďme vytvořit minimální pipeline „nápad → PRD → návrh → kód“. Můžete to adaptovat na webové aplikace, skripty nebo datové nástroje.

Konceptuální tok

Produktový manažer Agent: Objasňuje cíle, uživatele a metriky úspěchu; píše PRD.

Architekt Agent: Navrhuje návrh systému, API, kompromisy.

Inženýr Agent: Píše kód na základě návrhu.

QA/Reviewer Agent: Reviduje kód, píše testy, označuje problémy.

Příklad kostry (Python)

from metagpt import MetaTeam, Agent, Role
from metagpt.llms import LLM
# 1) Definujte LLM backend
llm = LLM(model_name="gpt-4o-mini") # nebo nasměrujte na lokální model
# 2) Definujte agenty specifické pro role
pm = Agent(name="PM", role=Role.PRODUCT_MANAGER, llm=llm)
arch = Agent(name="Architect", role=Role.ARCHITECT, llm=llm)
eng = Agent(name="Engineer", role=Role.ENGINEER, llm=llm)
qa = Agent(name="QA", role=Role.QA, llm=llm)
# 3) Vytvořte tým se sdílenou pamětí/kontextem
team = MetaTeam(agents=.
---
## Psaní promptů, kterým multi-agenti rozumí
MetaGPT vyniká, když mu dáte strukturované instrukce s ohledem na roli. Přemýšlejte jako manažer píšící zadání pro čtyři specialisty.
- Cíl: Jedna věta uvádějící konečný cíl.
- Uživatelé a rozsah: Kdo má prospěch a co je uvnitř/venku.
- Omezení: Jasné hranice (stack, latence, soukromí, rozpočet).
- Metriky úspěchu: Jak vypadá „dobré“.
- Výstupy: Explicitní artefakty (PRD, diagram, rozložení repozitáře, testy).
Příklad zadání:
```yaml
objective: Build a Python CLI that reads a PDF and produces a 1-page summary in Markdown.
users: .
---
## Osvědčené postupy pro spolehlivé výsledky
- Začněte v malém, pak škálujte: Ověřte pipeline na minimální specifikaci před velkými projekty.
- Jedna role, jeden mandát: Vyhněte se překrývajícím se odpovědnostem, abyste snížili zmatek.
- Používejte kontrolní seznamy: Dejte každému agentovi rubriku (kritéria přijetí) pro jeho výstup.
- Gate reviews: Přidejte roli Reviewer/Lead, která schvaluje nebo posílá práci zpět.
- Udržujte prompty strukturované: Schemata YAML/JSON činí výstupy determinističtějšími.
- Ukládejte artefakty: Uložte PRD/návrh/kód na disk pro sledovatelnost a opakované spouštění.
- Spárujte lokální + cloud: Používejte lokální modely pro návrhy; eskalujte složité kroky na silnější cloudový model.
- Rozpočtová omezení: Nastavte limity tokenů a kontroly nákladů pro každou fázi.
---
## Příklad projektu: Auto-PRD pro požadavky na funkce
Cíl: Převést syrový požadavek na funkci na vyleštěný PRD s uživatelskými příběhy a kritérii přijetí.
Tok:
1. Parsování vstupu: Normalizujte požadavek a extrahujte kontext (uživatelská persona, problémy).
2. PM agent: Navrhuje PRD s cíli, ne-cíli, KPI.
3. Architekt agent: Navrhuje možnosti řešení s výhodami/nevýhodami.
4. Reviewer agent: Zajišťuje, aby byly zdokumentovány jasnost, rizika a závislosti.
Proč to funguje: Strukturované předávání zrcadlí skutečné produktové týmy a vynucuje jasnost. Průvodce IBM prochází podobným multi-agentním tokem PRD s lokálními modely, které můžete replikovat.
---
## Řešení běžných problémů
- Agenti se zacyklí nebo zablokují
- Snižte rozsah a přidejte explicitní výstupy.
- Přidejte časové limity a limity kroků; povolte review gates.
- Nepořádné nebo nestrukturované výstupy
- Vynucujte schémata pomocí JSON/YAML; promptujte s příklady formátu.
- Přidejte agenta „Formatter“, jehož jediným úkolem je normalizovat výstupy.
- Nízká kvalita kódu
- Použijte model silný v kódu (např. DeepSeek-Coder lokálně nebo špičkový cloudový model) pro inženýra.
- Přidejte agenta Tester/Linter; spouštějte unit testy automaticky.
- Vysoké náklady
- Používejte lokální modely pro návrhy; eskalujte na prémiové LLM pouze pro finální úpravy.
- Omezte kontextová okna; rozdělte artefakty a načtěte je podle potřeby.
- Neshoda modelu
- Vylaďte modely pro každou roli (usuzování vs. kódování vs. editace) a nastavení teploty.
Nezávislé přehledy zdůrazňují sílu MetaGPT v generování kódu a jak se vyhnout úskalím s lepšími prompty a nástroji.
---
## Jdeme hlouběji: Pokročilé vzory
- Retrieval-Augmented Generation (RAG)
- Nakrmte svůj tým „znalostní bází“ projektu s minulými PRD, návrhy a kódem.
- Nechte PM/Architekta načíst relevantní kontext před psaním.
- Akce ve stylu Toolformer
- Povolte inženýrovi spouštět shell příkazy, vytvářet soubory a spouštět testy.
- Multi-tenantní projekty
- Spouštějte více týmů paralelně pro A/B průzkum řešení.
- Human-in-the-loop ovládací prvky
- Vložte kroky schvalování (např. PRD → lidská kontrola → pokračovat).
- Hodnotící systém
- Automaticky hodnoťte výstupy (např. linting, pokrytí testy, skóre čitelnosti) a posílejte výsledky zpět agentovi Coach.
---
## Případy použití v reálném světě, které můžete vytvořit tento týden
- Startup Ideation → PRD → Prototyp webové stránky
- Interní datový nástroj s CLI a dokumentací
- Návrh API s klientskými knihovnami ve více jazycích
- QA pipeline, která generuje testy z Jira ticketů
- Generátor technického blogu s ukázkami kódu a diagramy
Komunitní příspěvky ukazují schopnost MetaGPT proměnit minimální vstup na strukturované a vysoce kvalitní artefakty rychle, zejména pro inženýrské a produktové práce.
---
## Mimochodem: Urychlete ideaci a iteraci s [Sider.AI](https://sider.ai)
Stojí za zmínku: pokud navrhujete prompty, revidujete artefakty nebo iterujete specifikace, všestranný asistent, jako je [Sider.AI](https://sider.ai), vám může pomoci prototypovat zadání, porovnávat alternativy a upřesňovat výstupy před jejich předáním MetaGPT. Je to zvláště užitečné pro brainstorming uživatelských příběhů, kritérií přijetí a testovacích případů, které mohou vaši agenti spotřebovat. Prozkoumejte [Sider.AI](https://sider.ai) na https://sider.ai./
---
## Akční plán: Vašich příštích 60 minut
- 10 min: Nainstalujte MetaGPT a nastavte si LLM (lokální nebo cloud).
- 15 min: Vytvořte 4-rollový tým (PM, Architekt, Inženýr, QA) a spusťte malý projekt.
- 15 min: Přidejte schémata pro PRD/návrh a Reviewer gate.
- 20 min: Vyměňte modely pro každou roli; přidejte nástroj pro spouštění testů pro Inženýra/QA.
Dnes dodejte první artefakt. Zítra iterujte.
---
## Klíčové poznatky
- MetaGPT vám umožňuje skriptovat tým specializovaných agentů, kteří spolupracují na složitých úkolech.
- Úspěch závisí na strukturovaných promptech, jasných výstupech a review gates.
- Kombinujte lokální a cloudové modely, abyste vyvážili náklady, soukromí a kvalitu.
- Začněte s malými pipeline (PRD → návrh → kód → testy), poté škálujte na bohatší nástroje a správu.
Další kontext a praktické příklady najdete v těchto průvodcích a tutoriálech.
### FAQ
Q1: Co je MetaGPT a jak funguje?
MetaGPT je multi-agentní framework, kde role-based agenti (PM, Architekt, Inženýr, QA) spolupracují na produkci strukturovaných výstupů, jako jsou PRD, návrhy a kód. Koordinuje úkoly, sdílí kontext a umožňuje vám připojit lokální nebo cloudové LLM pro každou roli.
Q2: Jak nainstaluji a nastavím MetaGPT?
Nainstalujte přes pip nebo ze zdroje, nakonfigurujte svůj LLM (OpenAI, Anthropic nebo lokální přes Ollama) a nastavte proměnné prostředí pro přístup k modelu. Poté definujte agenty, vytvořte tým a spusťte úkol pro generování artefaktů, jako jsou PRD a kód.
Q3: Mohu používat MetaGPT s lokálními LLM jako DeepSeek nebo Llama?
Ano. Pomocí Ollama můžete spouštět modely jako DeepSeek-Coder nebo Llama lokálně a nasměrovat MetaGPT na lokální endpoint. To snižuje náklady a zlepšuje soukromí pro citlivé projekty.
Q4: Jaké jsou osvědčené postupy pro prompty v MetaGPT?
Používejte strukturované zadání s cíli, uživateli, omezeními, metrikami úspěchu a výstupy. Přiřaďte každému agentovi jasný mandát a poskytněte výstupní formáty založené na schématu (např. JSON/YAML) pro snížení nejednoznačnosti.
Q5: Jak zabráním agentům v zacyklení nebo produkci nekvalitního kódu?
Přidejte limity kroků a review gates, vynucujte výstupní schémata a používejte specializované modely pro každou roli (např. silné v usuzování pro Architekta, silné v kódu pro Inženýra). Zahrňte agenta Tester/Linter a spouštějte unit testy automaticky.