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.

MetaGPT કેવી રીતે ઉપયોગ કરવો: મલ્ટિ‑એજન્ટ વર્કફ્લોઝ માટે વ્યવહારુ માર્ગદર્શિકા

જો તમે ક્યારેય ઈચ્છ્યું હોય કે તમારું AI એક સુસંગત પ્રોડક્ટ ટીમની જેમ કાર્ય કરે—PM, આર્કિટેક્ટ, ઈજનેئر, ટેસ્ટર—સાથે કામ કરતી અને એક સાથે એક જ લક્ષ્યાંક તરફ આગળ વધતી, તો MetaGPT એ ફ્રેમવર્ક છે જે એ શક્ય બનાવે છે. આ વ્યવહારુ અને ઉકેલ કેન્દ્રિત માર્ગદર્શિકામાં, અમે ધીરે-ધીરે MetaGPT કેવી રીતે ઉપયોગ કરવું તે સમજાવશું, સ્થાપના થી મલ્ટિ-એજન્ટ વર્કફ્લોઝ સુધી, સાથે જ શ્રેષ્ઠ પ્રથાઓ, સમસ્યા નિવારણ ટિપ્સ અને સાચા ઉદાહરણો જે તમે આજે જ એમને અનુરૂપ બનાવી શકો છો.

આ માર્ગદર્શિકા પૂરી થવા એ પહેલાં, તમે MetaGPT ઇન્સ્ટોલ કરી શકશો, મલ્ટિ-એજન્ટ પાઇપલાઇન શરૂ કરી શકશો, સારા પ્રોમ્પ્ટ લખી શકશો, તે ટૂલ્સ અને LLMs સાથે વધારી શકશો, અને ઝડપથી ઉપયોગી પ્રોજેક્ટ શિપ કરી શકશો.

MetaGPT શું છે (અને તે કેમ મહત્વપૂર્ણ છે)

MetaGPT એ મલ્ટિ-એજન્ટ ફ્રેમવર્ક છે જે ખાસ કાર્યશક્તિ ધરાવતી એજન્ટ્સને (જેમ કે પ્રોડક્ટ મેનેજર, આર્કિટેક્ટ, કોડર, અને ટેસ્ટર) સંકલિત કરે છે જેથી તેઓ એકસાથે જટિલ કામો પર સહયોગ કરી શકે. અખંડિત AI એકલા બધું કરવાની જગ્યાએ, MetaGPT એક ભૌમિકા આધારિત એજન્ટ્સની માહિતીસંચયિત, યાદશક્તિ અને ટાસ્ક રાઉટિંગ સાથેની પદ્ધતિ બનાવે છે. પરિણામે: પ્રોજેક્ટો વિચારથી ડિલિવરેબલ સુધી ઝડપથી અને ઓછી માનવીય સાહાય્યથી આગળ વધે છે.

મલ્ટિ-એજન્ટ ભૂમિકાઓ: અલગ-અલગ જવાબદારીઓ નિર્ધારિત કરો (જેમ કે PRD ડ્રાફ્ટિંગ, સિસ્ટમ ડિઝાઇન, કોડિંગ).

સાંઝા આર્ટિફેક્ટ્સ: એજન્ટ્સ બંધારણવાળી આઉટપુટ (PRD → ડિઝાઇન → કોડ → ટેસ્ટ) આપે છે.

પ્લગીબલ LLMs: મોડેલો પસંદ કરો (લોકલ કે ક્લાઉડ), ખર્ચ, ઝડપ અને પ્રાઈવસી મુજબ.

વિસ્તારીત સાધનો: રિટ્રીવલ, કોડ સમ્પાદન અથવા બાહ્ય API ઉમેરો.

MetaGPT કેવી રીતે ટીમો અને કોડ જનરેશનનું સંચાલન કરે છે તેની સારાંશ માટે અને “એ કેમ કાર્ય કરે” તે સમજવા માટે સ્વતંત્ર માર્ગદર્શિકાઓ જુઓ. એક સાહિત્ય પ્રગટ Workflow માટે (પ્રોડક્ટ રિક્વાયરમેન્ટ ઓટોમેશન લોકલ મોડલ સાથે), IBM ટ્યુટોરીયલ MetaGPTને Ollama અને DeepSeek મોડલો સાથે જોડીને અંતથી PRD બનાવવાનું બતાવે છે.

ઝડપી શરૂઆત: 15 મિનિટમાં MetaGPT ઇન્સ્ટોલ કરો

આ એક સફાઈપૂર્વકનું સાફ્ટવેર સેટઅપ છે જે macOS, Linux, અને WSL પર કાર્ય કરે છે.

1) પ્રેરક આવશ્યકતાઓ

Python 3.10+ અને pip

Node.js/npm (કેટલાક સાધનો અને ઈન્ટિગ્રેશન્સ માટે, જો તમે પરીક્ષણ કરવાનું વિચારો છો)

વૈકલ્પિક: Docker (ફરીથી રુપદભ રહેલ પર્યાવરણ માટે) અને Ollama (લોકલ LLMs માટે)

તમારું પર્યાવરણ ચેક કરો:

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

જો તમે લોકલ-LLM માર્ગ પસંદ કરો છો, તો Ollama ઇન્સ્ટોલ કરો અને એક મોડલ ખેચો (જેમ DeepSeek અથવા Llama 3 વર્ઝન્સ), PRD ઓટોમેશન ઉદાહરણમાં બતાવવામાં આવ્યું છે.

2) MetaGPT ઇન્સ્ટોલ કરો

# વિકલ્પ A: PyPI થી (જો ઉપલબ્ધ હોય)
pip install metagpt
# વિકલ્પ B: સ્ત્રોતમાંથી (ઉદાહરણો માટે અનુસરી શકાય તે માટે ભલામણ)
git clone <org>/MetaGPT.git
cd MetaGPT
pip install -r requirements.txt

તાજેતરના ઇન્સ્ટોલ સ્ટેપ્સ અને વૈકલ્પિક વધારાઓ માટે પ્રોજેક્ટનું README ચેક કરો. સમુદાય માર્ગદર્શિકાઓ સ્થાનિક ચેક સહિત npm અને Python સેટઅપનું વિસ્તૃત વર્ણન કરે છે.

3) તમારાં LLMs કન્ફિગર કરશો

ક્લાઉડ LLMs: કી નિકાસ કરો (ઉદાહરણ તરીકે, OPENAI_API_KEY, ANTHROPIC_API_KEY).

લોકલ LLMs: ollama serve ચલાવો અને一个 મોડલ પસંદ કરો; MetaGPTને તમારું લોકલ endpoint પર નિર્દેશ કરો.

ઉદાહરણ .env (તમારા પ્રદાતા માટે એડજસ્ટ કરો):

OPENAI_API_KEY=sk-...
MODEL_NAME=gpt-4o-mini
# અથવા લોકલ
LLM_ENDPOINT=
MODEL_NAME=deepseek-coder

તમારું પ્રથમ મલ્ટિ-એજન્ટ વર્કફ્લો

ચાલો એક ન્યૂનતમ 'ઇડિયા → PRD → ડિઝાઇન → કોડ' પાઇપલાઈન બનાવીએ. તમે તેને વેબ એપ્લિકેશન, સ્ક્રિપ્ટ અથવા ડેટા સાધનો માટે અનુરૂપ બનાવી શકો છો.

આદર્શ પ્રવાહ

પ્રોડક્ટ મેનેજર એજન્ટ: લક્ષ્યાંકો, વપરાશકર્તાઓ અને સફળતા માપદંડો સ્પષ્ટ કરવો; PRD લખવું.

આર્કિટેક્ટ એજન્ટ: સિસ્ટમ ડિઝાઇન, API, અને ટ્રેડઓફ પ્રસ્તાવિત કરવો.

ઈજનેઅર એજન્ટ: ડિઝાઇનનાં આધારે સ્ટ્રક્ચર્ડ કોડ લખવો.

QA/સમીક્ષક એજન્ટ: કોડની સમીક્ષા કરવી, ટેસ્ટ લખવી, અને સમસ્યાઓ સૂચવવી.

ઉદાહરણ સ્કેલેટન (Python)

from metagpt import MetaTeam, Agent, Role
from metagpt.llms import LLM
# 1) LLM બેકએન્ડ નિર્ધારિત કરો
llm = LLM(model_name="gpt-4o-mini") # અથવા લોકલ મોડલ પ્રકાર
# 2) ભૂમિકા-સ್ಪષ્ટ એજન્ટ્સ નિર્ધારિત કરો
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) સાંજે યાદશક્તિ/સંદર્ભ સાથે ટીમ બનાવો
team = MetaTeam(agents=.
---
## એમulti-એજન્ટ્સ સમજી શકે તેવા પ્રોમ્પ્ટ્સ લખવું
MetaGPT તે સમયે શ્રેષ્ઠ કાર્ય કરે છે જ્યારે તમે તેને બંધારિત, ભૂમિકાઓને-aware સૂચનાઓ આપો. જાણો મેનેજર જેમ ચાર વિશેષજ્ઞો માટે બ્રીફ લખે છે.
- હેતુ: એક વાક્યમાં અંતિમ લક્ષ્યાંક જણાવો.
- વપરાશકર્તા અને વ્યાપ: કોણ લાભ લે છે અને શું સમાવેશ/બહાર છે.
- બંધારણ: સ્પષ્ટ સીમાઓ (સ્ટેક, વિલંબ, પ્રાઈવસી, બજેટ).
- સફળતા માપદંડ: “સારો” કેવો લાગે તે બતાવવો.
- ડિલિવરેબલ્સ: સ્પષ્ટ આર્ટિફેક્ટ્સ (PRD, આકારણ, રેપોઝ, ટેસ્ટ).
 ઉદાહરણ બ્રીફ:
```yaml
objective: પીડીએફ વાંચન કરીને મર્કડાઉનમાં 1-પાનું સારાંશ બનાવતો પાયથન CLI બનાવવો.
users: .
---
## વિશ્વસનીય પરિણામો માટે શ્રેષ્ઠ પ્રથાઓ
- નાની શરૂઆત કરો, પછી સ્કેલ કરો: મોટા પ્રોજેક્ટ કરતા પહેલા ન્યૂનતમ સ્પેક પર પાઇપલાઇન માન્ય કરો.
- એક ભૂમિકા, એક મંડેટ: ભૂલ ઘટાડવા માટે જવાબદારીઓને ઓવરલૈપ ના કરો.
- ચેકલિસ્ટ્સનો ઉપયોગ કરો: દરેક એજન્ટને તેની આઉટપુટ માટે રૂબ્રિક આપો (સ્વીકાર્ય માપદંડ).
- સમીક્ષા દરવાજા: સમીક્ષક/લીડ ભૂમિકા ઉમેરો જે દરેક કાર્ય મંજૂર કરે કે પાછું મોકલે.
- પ્રોમ્પ્ટ્સનું બંધારણ જાળવો: YAML/JSON સ્કીમા દ્વારા આઉટપુટ વધારે નિર્ધારિત બને છે.
- આર્ટિફેક્ટ સાચવો: PRD/ડિઝાઇન/કોડ ડિસ્ક પર સાચવો જેથી ટ્રેસ કરી શકાય અને ફરી ચલાવી શકાય.
- લોકલ + ક્લાઉડ સાથે જોડાણ: ડ્રાફ્ટ માટે લોકલ મોડલ અને મુશ્કેલ તબક્કાઓ માટે શક્તિશાળી ક્લાઉડ મોડલ વાપરો.
- બજેટ મર્યાદાઓ: દરેક તબક્કા માટે ટોકન અને ખર્ચ મર્યાદાઓ નક્કી કરો.
---
## ઉદાહરણ પ્રોજેક્ટ: ફીચર વિનંતી માટે ઓટો-PRD
લક્ષ્યાંક: કાચી ફીચર વિનંતીને વપરાશકર્તા વાર્તાઓ અને સ્વીકાર્ય માપદંડ સાથે ખૂણાસેથી પ્રોસેસ કરેલી PRD માં બદલવી.
પ્રવાહ:
1. ઈનપુટ વિશ્લેષણ: વિનંતીને પ્રમાણભૂત બનાવવી અને સંદર્ભ કાઢવો (વપરાશકર્તા વર્ગ, દુઃખદ બિંદુઓ). 
2. PM એજન્ટ: હેતુ, નોન-હેતુ, KPI ધરાવતું PRD તૈયાર કરે.
3. આર્કિટેક્ટ એજન્ટ: વિકલ્પો અને તેમનાં ગુણદોષ દર્શાવે.
4. સમીક્ષક એજન્ટ: સ્પષ્ટતા, જોખમો, અને નિર્ભરતાઓની ખાતરી કરે.
એ કેમ કાર્ય કરે: બંધારિત હેન્ડઓફ વાસ્તવિક પ્રોડક્ટ ટીમોને અનુરૂપ છે અને સ્પષ્ટતા નિર્માણ કરે છે. IBM ની માર્ગદર્શિકા આ ধরনের મલ્ટિ-એજન્ટ PRD પ્રવાહ સાથે સ્થાનિક મોડલ ઉપયોગ દર્શાવે છે જે તમે ફરીથી બનાવી શકો છો.
---
## સામાન્ય સમસ્યાઓનું સમાધાન
- એજન્ટ્સ લૂપ કરવાને કે અટકળમાં આવવાને:
- વ્યાપ ઘટાડો અને સ્પષ્ટ ડિલિવરેબલ ઉમેરો.
- સમય મર્યાદા અને સ્ટેપ મર્યાદાઓ ઉમેરો; સમીક્ષા દરવાજા સક્રિય કરો.
- ગેરસંરચિત આઉટપુટ
- JSON/YAML સ્કીમા અમલ કરો; ફોર્મેટ ઉદાહરણ સાથે પ્રોમ્પ્ટ કરો.
- એક “ફોર્મેટર” એજન્ટ ઉમેરો જે માત્ર આઉટપુટને માનકીકરણ કરે.
- ઓછું ગુણવત્તાવાળું કોડ
- કોડ માટે શક્તિશાળી મોડલ (જેમ કે લોકલ રીતે DeepSeek-Coder અથવા ઉચ્ચતમ ક્લાઉડ મોડલ) વાપરો.
- ટેસ્ટર/લિન્ટર એજન્ટ ઉમેરો; યુનિટ ટેસ્ટો આપોઆપ ચલાવવો.
- વધુ ખર્ચ
- ડ્રાફ્ટ માટે લોકલ મોડલ અને અંતિમ પોલિશ માટે પ્રીમિયમ LLMs આવકાર.
- કંટેન્ટ વિંડોઝ મર્યાદિત કરો; આર્ટિફેક્ટ ટુકડાઓમાં ભેગા કરો અને જયારે જરૂર હોય તે લાવો.
- મોડલ અનુકૂળ નથી
- ભૂમિકાઓ માટે જુદા જુદા મોડલો અને તાપમાન સેટિંગ જરૂરી રીતે સમાયોજિત કરશો (કારણ આર્કિટેક્ટ માટે, કોડિંગ માટે ઈજનેર વગેરે).
સ્વતંત્ર સમીક્ષાઓ MetaGPT ની કોડ જનરેશન ક્ષમતા માટે પ્રકાશ પાડે છે અને શ્રેષ્ઠ પ્રોમ્પ્ટ્સ તથા સાધનો સાથે કેવી રીતે પસંદગીઓ ટાળી શકાય તે સમજાવે છે.
---
## ઊંડા અભ્યાસ: આધુનિક પેટરન્સ
- Retrieval‑Augmented Generation (RAG)
- તમારી ટીમને અગાઉના PRD, ડિઝાઇન અને કોડ પ્રોજેક્ટની “જ્ઞાન આધાર” ફીડ કરો.
- PM/આર્કિટેક્ટ અગાઉ સંબંધિત સંદર્ભ મેળવી શકે તેენდં.
- Toolformer શૈલી ક્રિયાઓ
- ઈજનેરે શેલ કમાન્ડ ચલાવી શકે, ફાઇલો બનાવી શકે અને ટેસ્ટ ચલાવી શકે.
- મલ્ટિ-ટેનન્ટ પ્રોજેક્ટ્સ
- A/B હલ સુરક્ષણ માટે બહુ ટીમો સાથે સમકાલીન પ્રોજક્ટ્સ ચલાવો.
- હ્યુમન-ઇન-લૂપ નિયંત્રણો
- મંજૂરી તબક્કા ઉમેરો (જેમ કે PRD → માનવ સમીક્ષા → આગળ વધો).
- મૂલ્યાંકન સાધન
- આઉટપુટઓનો આપમેળે મૂલ્યાંકન કરાવો (જેમ કે લિન્ટિંગ, કવરેજ, વાંચનક્ષમતા સ્કોર્સ) અને પુરસ્કાર એજન્ટને ફીડબેક આપો.
---
## વાસ્તવિક ઉપયોગ કિસ્સાઓ જે તમે આ અઠવાડિયે બનાવી શકો છો
- સ્ટાર્ટઅપ વિચારો → PRD → પ્રોટોટાઇપ વેબસાઇટ
- આંતરનલ ડેટા સાધન CLI અને દસ્તાવેજો સાથે
- API ડિઝાઇન સાથે અલગ-અલગ ભાષાઓમાં ક્લાયન્ટ લાઇબ્રેરીઝ
- QA પાઇપલાઇન જે Jira ટિકેટમાંથી ટેસ્ટ જનરેટ કરે છે
- ટેકનિકલ બ્લોગ જનરેટર કોડ ઉદાહરણો અને આકારણ સાથે
સમુદાય લેખન MetaGPT ની કુશળતા દર્શાવે છે કે તે ક્યારેક ન્યૂનતમ ઈનપુટને ઝડપી અને બંધારિત ઉચ્ચ ગુણવત્તાવાળા આર્ટિફેક્ટ્સમાં કેવી રીતે માર્ગદર્શિત કરે છે, ખાસ કરીને એજનેરીંગ અને પ્રોડક્ટ કાર્ય માટે.
---
## બાયધવે: [Sider.AI](https://sider.ai) સાથે વિચારશક્તિ અને પુનરાવૃત્તિ ઝડપી બનાવો
જણાવવાનું મહત્વનું: જો તમે પ્રોમ્પ્ટ ડ્રાફ્ટ કરી રહ્યા હો તો, આર્ટિફેક્ટોની સમીક્ષા કરી રહ્યા હો તો, અથવા સ્પેસિફિકેશન્સને સુધારી રહ્યા હો તો, એક બહુમુખી સહાયક જેમ કે [Sider.AI](https://sider.ai) તમને બ્રીફ્સ તૈયાર કરવા, વિકલ્પો તુલનાત્મક રીતે જોવા અને આઉટપુટોને સુધારવા માટે મદદ કરી શકે છે. તે ખાસ કરીને ઉપયોગકર્તા વાર્તાઓ, સ્વીકાર્ય માપદંડો અને ટેસ્ટ કેસ માટે મથક વિચાર કરવા માટે ઉપયોગી છે, જેને તમારા એજન્ટ્સ અર્થ કરી શકે છે. [Sider.AI](https://sider.ai) ને અહીં ટ્રાય કરો: https://sider.ai./
---
## એક્શન પ્લાન: તમારા આગામી 60 મિનિટ
- 10 મિનિટ: MetaGPT ઇન્સ્ટોલ કરો અને તમારું LLM સેટઅપ કરો (લોકલ કે ક્લાઉડ). 
- 15 મિનિટ: ચાર-ભૂમિકાવાળી ટીમ (PM, આર્કિટેક્ટ, ઈજનેયર, QA) બનાવો અને એક નાનો પ્રોજેક્ટ ચલાવો.
- 15 મિનિટ: PRD/ડિઝાઇન માટે સ્કીમા ઉમેરો અને સમીક્ષક દરવાજો બનાવો.
- 20 મિનિટ: ભૂમિકાઓ પ્રમાણે મોડલ બદલો; ઈજનેર/QA માટે ટેસ્ટ રનર સાધન ઉમેરો.
આજે પ્રથમ આર્ટિફેક્ટ શિપ કરો. કાલે સુધારો.
---
## મુખ્ય મુદ્દાઓ
- MetaGPT તમને વિશિષ્ટ એજન્ટ્સની ટીમ સ્ક્રિપ્ટ કરવા આપે છે જે જટિલ કાર્ય પર એકસાથે કામ કરે છે.
- સફળતા બંધારિત પ્રોમ્પ્ટ્સ, સ્પષ્ટ ડિલિવરેબલ્સ અને સમીક્ષા દરવાજા પર આધારિત છે.
- ખર્ચ, પ્રાઈવસી અને ગુણવત્તા માટે લોકલ અને ક્લાઉડ મોડલ્સનું સંયોજન કરો.
- નાની પાઇપલાઇનથી શરૂ કરો (PRD → ડિઝાઇન → કોડ → ટેસ્ટ), પછી વધુ સમૃદ્ધ સાધનો અને ગવર્નન્સ તરફ વધો.
વધુ માટેના સંદર્ભ અને વ્યવહારુ ઉદાહરણો માટે, આ માર્ગદર્શિકાઓ અને ટ્યુટોરીયલ્સ જુઓ.
### FAQ
Q1: MetaGPT શું છે અને તે કેવી રીતે કાર્ય કરે છે?
MetaGPT એ એક મલ્ટિ-એજન્ટ ફ્રેમવર્ક છે જ્યાં ભૂમિકાઓ આધારિત એજન્ટ્સ (PM, આર્કિટેક્ટ, ઈજનેયર, QA) સહયોગથી બંધારિત આઉટપુટ (PRDs, ડિઝાઈન્સ અને કોડ) બનાવે છે. તે ટાસ્ક સંકલન કરે છે, સંદર્ભને શેર કરે છે અને દરેક ભૂમિકા માટે લોકલ કે ક્લાઉ્ડ LLMs જોડવાની પરવાનગી આપે છે.
Q2: હું MetaGPT કેવી રીતે ઇન્સ્ટોલ અને સેટઅપ કરી શકું?
pip થી અથવા સ્ત્રોત પરથી ઇન્સ્ટોલ કરો, તમારું LLM (OpenAI, Anthropic અથવા Ollama દ્વારા લોકલ) કન્ફિગર કરો અને મોડલ ઍક્સેસ માટે એન્વાયર્નમેન્ટ વેરિએબલ સેટ કરો. પછી એજન્ટ્સ નિર્માણ કરો, ટીમ બનાવો અને PRD અને કોડ જેવા આર્ટિફેક્ટ ઉત્પાદિત કરવા કાર્ય ચલાવો.
Q3: શું હું MetaGPT ને DeepSeek કે Llama જેવા લોકલ LLM સાથે ઉપયોગ કરી શકું?
હા. Ollama નો ઉપયોગ કરીને તમે DeepSeek-Coder કે Llama જેવા લોકલ મોડલો ચલાવી શકો છો અને MetaGPT ને તમારા લોકલ એન્ડપોઈન્ટ પર પોઈન્ટ કરી શકો છો. આ ખર્ચ ઘટાડે છે અને સંવેદનશીલ પ્રોજેક્ટ માટે પ્રાઈવસી સુધારે છે.
Q4: MetaGPT માટે પ્રોમ્પ્ટ્સ માટે શ્રેષ્ઠ પ્રથાઓ શું છે?
બંધારિત બ્રીફ્સનો ઉપયોગ કરો જેમાં હેતુ, વપરાશકર્તા, બંધારણો, સફળતા માપદંડ અને ડિલિવરેબલ્સ સમાવિષ્ટ હોય. દરેક એજન્ટ માટે સ્પષ્ટ મંડેટ અપાવો અને આઉટપુટ માટે સ્કીમા આધારિત ફોર્મેટ (જેમ JSON/YAML) પ્રદાન કરો જેથી અસ્પષ્ટતા ઘટે.
Q5: હું એજન્ટ્સને લૂપિંગ અથવા નીચા ગુણવત્તાવાળા કોડ ઉત્પન્ન કરતા કેમ રોકુ?
<a153>સ્ટેપ મર્યાદાઓ અને સમીક્ષા દરવાજા ઉમેરો, આઉટપુટ સ્કીમા લાગુ પાડો અને ભૂમિકાઓ પ્રમાણે વિશિષ્ટ મોડલો ઉપયોગ કરો (જેમ કે આર્કિટેક્ટ માટે વિચારશક્તિ મજબૂત અને ઈજનેઅર માટે કોડ નૈપુણ્યવાળું). એક ટેસ્ટર/લિન્ટર એજન્ટ ઉમેરો અને યુનિટ ટેસ્ટ આપમેળે ચલાવો.

MetaGPT નો ઉપયોગ કેવી રીતે કરવો: મલ્ટી-એજન્ટ વર્કફ્લો માટે એક વ્યવહારુ માર્ગદર્શિકા