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.

Wie man MetaGPT nutzt: Eine praktische Anleitung für Multi-Agent Arbeitsabläufe

Wenn Sie sich jemals gewünscht haben, Ihr KI-System würde sich wie ein gut eingespieltes Produktteam verhalten – mit Product Manager, Architekt, Entwickler, Tester – die parallel auf ein gemeinsames Ziel hinarbeiten, dann ist MetaGPT der Framework, der genau das ermöglicht. In diesem praxisorientierten, lösungsorientierten Leitfaden führen wir Sie Schritt für Schritt durch die Nutzung von MetaGPT, von der Installation bis hin zum Aufbau von Multi-Agent-Workflows, einschließlich Best Practices, Fehlerbehebungstipps und realen Beispielen, die Sie heute anpassen können.

Am Ende sind Sie in der Lage, MetaGPT zu installieren, eine Multi-Agent-Pipeline zu starten, bessere Prompts zu schreiben, MetaGPT mit Tools und LLMs zu erweitern und schnell nützliche Ergebnisse zu liefern.

Was ist MetaGPT (und warum es wichtig ist)

MetaGPT ist ein Multi-Agent-Framework, das spezialisierte Agenten wie Produktmanager, Architekt, Entwickler und Tester koordiniert, damit sie komplexe Aufgaben gemeinsam bearbeiten können. Statt einer monolithischen KI, die alles erledigt, setzt MetaGPT ein System rollenbasierter Agenten mit gemeinsamem Kontext, Speicher und Aufgabenrouting zusammen. Das Ergebnis: Projekte entwickeln sich vom Konzept zur Auslieferung mit weniger manueller Steuerung und mehr Parallelität.

Multi-Agent-Rollen: Definieren Sie klare Verantwortlichkeiten (z. B. Erstellung von PRD, Systemdesign, Programmierung).

Geteilte Artefakte: Agenten übergeben strukturierte Ergebnisse (PRD → Design → Code → Tests).

Plug-in-fähige LLMs: Wählen Sie Modelle (lokal oder in der Cloud) basierend auf Kosten, Geschwindigkeit und Datenschutz.

Erweiterbare Werkzeuge: Fügen Sie Abrufsysteme, Codeausführung oder externe APIs hinzu.

Für einen guten Überblick und das Verständnis, warum es funktioniert, empfehlen sich unabhängige Leitfäden, die zeigen, wie MetaGPT Teams und Codegenerierung orchestriert. Für einen konkreten Workflow (Automatisierung der Produktanforderungen mit lokalen Modellen) demonstriert IBMs Tutorial MetaGPT kombiniert mit Ollama und DeepSeek-Modellen, um PRDs von Anfang bis Ende zu erzeugen.

Schnellstart: MetaGPT in 15 Minuten installieren

Hier eine saubere Installation, die auf macOS, Linux und WSL funktioniert.

1) Voraussetzungen

Python 3.10+ und pip

Node.js/npm (für einige Werkzeuge und Integrationen, falls Sie experimentieren möchten)

Optional: Docker (für reproduzierbare Umgebungen) und Ollama (für lokale LLMs)

Überprüfen Sie Ihre Umgebung:

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

Wenn Sie den lokalen-LLM-Weg wählen, installieren Sie Ollama und laden Sie ein Modell herunter (z. B. DeepSeek oder Llama 3 Varianten), wie im Beispiel zur PRD-Automatisierung gezeigt.

2) MetaGPT installieren

# Option A: Von PyPI (wenn verfügbar)
pip install metagpt
# Option B: Vom Quellcode (empfohlen, um Beispiele nachzuvollziehen)
git clone <org>/MetaGPT.git
cd MetaGPT
pip install -r requirements.txt

Lesen Sie das README des Projekts für die neuesten Installationsschritte und optionale Extras. Community-Guides erläutern zudem lokale Schritte inklusive npm-Checks und Python-Setups.

3) Konfigurieren Sie Ihre LLMs

Cloud LLMs: Exportieren Sie Schlüssel (z. B. OPENAI_API_KEY, ANTHROPIC_API_KEY).

Lokale LLMs: Führen Sie ollama serve aus und wählen Sie ein Modell aus; richten Sie MetaGPT auf Ihren lokalen Endpunkt ein.

Beispiel .env (passen Sie für Ihren Anbieter an):

OPENAI_API_KEY=sk-...
MODEL_NAME=gpt-4o-mini
# Oder lokal
LLM_ENDPOINT=
MODEL_NAME=deepseek-coder

Ihr erster Multi-Agent-Workflow

Lassen Sie uns eine minimale Pipeline „Idee → PRD → Design → Code“ erstellen. Sie können dies für Web-Apps, Skripte oder Datenwerkzeuge anpassen.

Konzeptueller Ablauf

Product Manager Agent: Klärt Ziele, Nutzer und Erfolgskriterien; schreibt ein PRD.

Architekt Agent: Schlägt Systemdesign, APIs und Abwägungen vor.

Engineer Agent: Schreibt gestuften Code basierend auf dem Design.

QA/Reviewer Agent: Prüft Code, schreibt Tests, meldet Probleme.

Beispiel-Skeleton (Python)

from metagpt import MetaTeam, Agent, Role
from metagpt.llms import LLM
# 1) Definieren Sie das LLM-Backend
llm = LLM(model_name="gpt-4o-mini") # oder weisen Sie auf ein lokales Modell
# 2) Definieren Sie rollenbasierte Agenten
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) Erstellen Sie ein Team mit gemeinsamem Speicher/Kontext
team = MetaTeam(agents=.
---
## Prompts schreiben, die Multi-Agenten verstehen
MetaGPT entfaltet sein Potenzial, wenn Sie strukturierte, rollenbewusste Anweisungen geben. Denken Sie daran, wie ein Manager ein Briefing für vier Spezialisten schreibt.
- Zielsetzung: Ein Satz, der das Endziel beschreibt.
- Nutzer und Umfang: Wer profitiert und was ist ein- oder ausgeschlossen.
- Beschränkungen: Klare Rahmenbedingungen (Technologie-Stack, Latenz, Datenschutz, Budget).
- Erfolgskriterien: Wie sieht Erfolg konkret aus.
- Lieferobjekte: Explizite Artefakte (PRD, Diagramm, Repo-Struktur, Tests).
Beispiel-Briefing:
```yaml
objective: Baue eine Python-CLI, die ein PDF einliest und eine einseitige Zusammenfassung im Markdown-Format erstellt.
users: .
---
## Best Practices für zuverlässige Ergebnisse
- Klein anfangen, dann skalieren: Validieren Sie die Pipeline mit einer minimalen Spezifikation vor großen Projekten.
- Eine Rolle, eine Aufgabe: Vermeiden Sie überlappende Verantwortlichkeiten, um Verwirrung zu reduzieren.
- Checklisten verwenden: Geben Sie jedem Agenten eine Bewertungsmatrix (Akzeptanzkriterien) für die Ausgabe.
- Gate-Reviews: Fügen Sie eine Reviewer- oder Leitungsrolle hinzu, die Arbeiten genehmigt oder zurückweist.
- Strukturierte Prompts: YAML/JSON-Schemata machen Ausgaben vorhersehbarer.
- Artefakte speichern: Speichern Sie PRD, Design, Code auf der Festplatte für Nachverfolgbarkeit und Wiederholbarkeit.
- Lokale + Cloud-Modelle kombinieren: Nutzen Sie lokale Modelle für Entwürfe; eskalieren Sie komplexe Schritte an stärkere Cloud-Modelle.
- Budgetvorgaben: Setzen Sie Token-Limits und Kostenchecks für jede Phase.
---
## Beispielprojekt: Auto-PRD für Feature-Anfragen
Ziel: Eine rohe Feature-Anfrage in ein ausgefeiltes PRD mit User Stories und Abnahmekriterien umwandeln.
Ablauf:
1. Input-Parsing: Normalize die Anfrage und extrahiert Kontext (User-Persona, Schmerzpunkte).
2. PM-Agent: Entwirft ein PRD mit Zielen, Nicht-Zielen, KPIs.
3. Architekt-Agent: Schlägt Lösungsmöglichkeiten mit Vor- und Nachteilen vor.
4. Reviewer-Agent: Stellt sicher, dass Klarheit, Risiken und Abhängigkeiten dokumentiert werden.
Warum es funktioniert: Die strukturierte Übergabe spiegelt reale Produktteams wider und zwingt zur Klarheit. IBMs Leitfaden führt durch einen ähnlichen Multi-Agent-PRD-Workflow mit lokalen Modellen, den Sie nachbauen können.
---
## Häufige Probleme und deren Behebung
- Agenten, die in Schleifen hängen oder blockieren
- Reduzieren Sie den Umfang und fügen Sie explizite Lieferobjekte hinzu.
- Fügen Sie Timeouts und Schrittgrenzen hinzu; aktivieren Sie Review-Gates.
- Unstrukturierte oder chaotische Ausgaben
- Erzwingen Sie Schemata mit JSON/YAML; geben Sie Formatbeispiele im Prompt vor.
- Fügen Sie einen „Formatter“-Agent hinzu, dessen einzige Aufgabe es ist, Ausgaben zu normalisieren.
- Mangelhafte Code-Qualität
- Nutzen Sie ein code-starkes Modell (z. B. DeepSeek-Coder lokal oder ein Top-Cloud-Modell) für den Engineer.
- Fügen Sie einen Tester/Linter-Agent hinzu; führen Sie Unit-Tests automatisch aus.
- Hohe Kosten
- Verwenden Sie lokale Modelle für Entwürfe; eskalieren Sie nur beim finalen Feinschliff zu Premium-LLMs.
- Begrenzen Sie Kontextfenster; zerlegen Sie Artefakte und rufen Sie sie bei Bedarf ab.
- Modell-Mismatch
- Passen Sie Modelle je Rolle an (z. B. Reasoning vs. Coding vs. Editing) und justieren Sie Temperature-Parameter.
Unabhängige Übersichten betonen MetaGPTs Stärke in der Code-Generierung und erläutern, wie man Fallstricke mit besseren Prompts und Werkzeugen vermeidet.
---
## Vertiefung: Fortgeschrittene Muster
- Retrieval-Augmented Generation (RAG)
- Stellen Sie Ihrem Team eine „Wissensbasis“ vergangener PRDs, Designs und Codes zur Verfügung.
- Lassen Sie PM/Architekt relevanten Kontext vor dem Schreiben abrufen.
- Toolformer-artige Aktionen
- Ermöglichen Sie dem Engineer, Shell-Befehle auszuführen, Dateien zu erstellen und Tests durchzuführen.
- Multi-Tenant-Projekte
- Führen Sie mehrere Teams parallel für A/B-Lösungsvergleiche aus.
- Menschliche Kontrolle im Prozess
- Fügen Sie Genehmigungsschritte hinzu (z. B. PRD → menschliche Prüfung → Fortfahren).
- Evaluierungshilfen
- Auto-Bewertung der Ausgaben (z. B. Linting, Testabdeckung, Lesbarkeit) und Rückmeldung an einen Coach-Agent.
---
## Praxisbeispiele, die Sie diese Woche umsetzen können
- Startup-Ideenfindung → PRD → Prototyp-Webseite
- Internes Datentool mit CLI und Dokumentation
- API-Design mit Client-Bibliotheken in mehreren Sprachen
- QA-Pipeline, die Tests aus Jira-Tickets generiert
- Technischer Bloggenerator mit Codebeispielen und Diagrammen
Community-Beiträge zeigen, dass MetaGPT aus wenig Input schnell strukturierte, hochwertige Artefakte erzeugt, besonders für Entwicklungs- und Produktarbeit.
---
## Übrigens: Beschleunigen Sie Ideation und Iteration mit <a2 href="https://sider.ai">Sider.AI</a2>
Es lohnt sich zu wissen: Wenn Sie Prompts entwerfen, Artefakte prüfen oder Spezifikationen iterieren, kann ein vielseitiger Assistent wie <a2 href="https://sider.ai">Sider.AI</a2> Ihnen helfen, Briefings zu prototypisieren, Alternativen zu vergleichen und Ausgaben vor der Übergabe an MetaGPT zu verbessern. Besonders praktisch ist es beim Brainstorming von User Stories, Akzeptanzkriterien und Testfällen, die Ihre Agenten verarbeiten können. Entdecken Sie <a2 href="https://sider.ai">Sider.AI</a2> unter https://sider.ai./
---
## Aktionsplan: Ihre nächsten 60 Minuten
- 10 Min.: Installieren Sie MetaGPT und richten Sie Ihr LLM (lokal oder Cloud) ein.
- 15 Min.: Erstellen Sie ein 4-Rollen-Team (PM, Architekt, Entwickler, QA) und starten Sie ein kleines Projekt.
- 15 Min.: Fügen Sie Schemata für PRD/Design und ein Reviewer-Gate hinzu.
- 20 Min.: Tauschen Sie Modelle je Rolle aus; fügen Sie für Entwickler/QA ein Test-Tool hinzu.
Liefern Sie heute ein erstes Artefakt. Iterieren Sie morgen.
---
## Wichtige Erkenntnisse
- MetaGPT ermöglicht es Ihnen, ein Team spezialisierter Agenten zu skripten, die zusammen an komplexen Aufgaben arbeiten.
- Der Erfolg hängt von strukturierten Prompts, klaren Lieferobjekten und Review-Gates ab.
- Kombinieren Sie lokale und Cloud-Modelle, um Kosten, Datenschutz und Qualität auszubalancieren.
- Beginnen Sie mit kleinen Pipelines (PRD → Design → Code → Tests), bevor Sie zu umfangreicheren Tools und Governance übergehen.
Für weiterführende Informationen und praktische Beispiele siehe diese Leitfäden und Tutorials.
### FAQ
F1: Was ist MetaGPT und wie funktioniert es?
MetaGPT ist ein Multi-Agent-Framework, bei dem rollenbasierte Agenten (PM, Architekt, Entwickler, QA) zusammenarbeiten, um strukturierte Ausgaben wie PRDs, Designs und Code zu erstellen. Es koordiniert Aufgaben, teilt Kontext und erlaubt das Einbinden lokaler oder Cloud-LLMs für jede Rolle.
F2: Wie installiere und richte ich MetaGPT ein?
Installieren Sie es via pip oder aus dem Quellcode, konfigurieren Sie Ihr LLM (OpenAI, Anthropic oder lokal via Ollama) und setzen Sie Umgebungsvariablen für den Modellzugang. Definieren Sie dann Agenten, erstellen Sie ein Team und führen Sie eine Aufgabe aus, um Artefakte wie PRDs und Code zu generieren.
F3: Kann ich MetaGPT mit lokalen LLMs wie DeepSeek oder Llama verwenden?
Ja. Mit Ollama können Sie Modelle wie DeepSeek-Coder oder Llama lokal betreiben und MetaGPT auf den lokalen Endpunkt verweisen. Das senkt Kosten und verbessert die Privatsphäre bei sensiblen Projekten.
F4: Was sind Best Practices für Prompts in MetaGPT?
Nutzen Sie strukturierte Briefings mit Zielsetzungen, Nutzern, Beschränkungen, Erfolgskriterien und Lieferobjekten. Geben Sie jedem Agenten einen klaren Auftrag und verwenden Sie schema-basierte Ausgabeformate (z. B. JSON/YAML), um Mehrdeutigkeiten zu reduzieren.
F5: Wie verhindere ich, dass Agenten in Schleifen hängen oder minderwertigen Code erzeugen?
Fügen Sie Schrittbegrenzungen und Review-Gates hinzu, erzwingen Sie Ausgabeschemata und verwenden Sie spezialisierte Modelle je Rolle (z. B. reasoning-stark für Architekt, code-stark für Entwickler). Integrieren Sie einen Tester/Linter-Agent und führen Sie Unit-Tests automatisch aus.

MetaGPT richtig nutzen: Ein praktischer Leitfaden für Multi-Agenten-Workflows