from metagpt import MetaTeam, Agent, Role
from metagpt.llms import LLM
# 1) LLM बैकेंड परिभाषित करें
llm = LLM(model_name="gpt-4o-mini") # या लोकल मॉडल की ओर पॉइंट करें
# 2) रोल-विशिष्ट एजेंट परिभाषित करें
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) साझा मेमोरी/संदर्भ के साथ टीम बनाएं
team = MetaTeam(agents=.
---
## मल्टी-एजेंट्स के लिए प्रॉम्प्ट लिखना
MetaGPT तब उत्कृष्ट होता है जब आप इसे संरचित, रोल-ज्ञान वाले निर्देश देते हैं। ऐसा सोचें जैसे एक मैनेजर चार विशेषज्ञों के लिए एक ब्रीफ लिख रहा है।
- उद्देश्य: अंतिम लक्ष्य को एक वाक्य में बताएं।
- उपयोगकर्ता और दायरा: कौन लाभान्वित होता है और क्या शामिल/बहिष्कृत है।
- सीमाएं: स्पष्ट सीमाएं (स्टैक, विलंबता, गोपनीयता, बजट)।
- सफलता मापदंड: "अच्छा" कैसा दिखता है।
- डिलीवेरेबल्स: स्पष्ट आर्टिफैक्ट्स (PRD, आरेख, रिपॉज़िटरी लेआउट, टेस्ट)।
उदाहरण ब्रीफ:
```yaml
objective: एक Python CLI बनाएं जो PDF पढ़कर Markdown में 1-पृष्ठ सारांश बनाता है।
users: .
---
## विश्वसनीय परिणामों के लिए सर्वोत्तम प्रथाएं
- छोटी शुरुआत करें, फिर स्केल करें: बड़े प्रोजेक्ट्स से पहले न्यूनतम स्पेक पर पाइपलाइन सत्यापित करें।
- एक रोल, एक मेन्डेट: जिम्मेदारियों को ओवरलैप होने से बचाएं।
- चेकलिस्ट का उपयोग करें: प्रत्येक एजेंट को उनके आउटपुट के लिए एक रूब्रिक दें।
- समीक्षा गेट्स जोड़ें: एक रिव्यूअर/लीड रोल जोड़ें जो काम स्वीकृत या वापस भेजे।
- प्रॉम्प्ट को संरचित रखें: YAML/JSON स्कीमाओं से आउटपुट अधिक निश्चित बनते हैं।
- आर्टिफैक्ट्स को स्थायी बनाएं: ट्रेसबिलिटी और पुनः-रन के लिए PRD/डिजाइन/कोड डिस्क पर सेव करें।
- लोकल + क्लाउड का संयोजन: ड्राफ्ट के लिए लोकल मॉडल, कठिन चरण क्लाउड मॉडल को सौंपें।
- बजट सीमाएं: प्रत्येक चरण के लिए टोकन कैप और कॉस्ट चेक सेट करें।
---
## उदाहरण प्रोजेक्ट: फीचर रिक्वेस्ट के लिए ऑटो-PRD
लक्ष्य: एक कच्चे फीचर रिक्वेस्ट को उपयोगकर्ता स्टोरीज और स्वीकृति मापदंडों के साथ एक परिष्कृत PRD में बदलना।
प्रवाह:
1. इनपुट पार्सिंग: रिक्वेस्ट को सामान्यीकृत करें और संदर्भ निकालें (उपयोगकर्ता व्यक्तित्व, दर्द बिंदु)।
2. PM एजेंट: लक्ष्य, गैर-लक्ष्य, KPI के साथ PRD ड्राफ्ट करता है।
3. आर्किटेक्ट एजेंट: प्रो और कॉन्स के साथ समाधान विकल्प प्रस्तुत करता है।
4. रिव्यूअर एजेंट: स्पष्टता, जोखिम और निर्भरता सुनिश्चित करता है।
क्यों यह काम करता है: संरचित हैंडऑफ वास्तविक उत्पाद टीमों की नकल करता है और स्पष्टता मजबूर करता है। IBM का गाइड इसी तरह के मल्टी-एजेंट PRD फ्लो को लोकल मॉडल्स के साथ दर्शाता है जिसे आप दोहरा सकते हैं।
---
## सामान्य समस्याओं का समाधान
- एजेंट्स लूप या स्टालिंग कर रहे हों
- दायरे को कम करें और स्पष्ट डिलीवेरेबल्स जोड़ें।
- टाइमआउट और स्टेप लिमिट लगाएं; समीक्षा गेट सक्षम करें।
- गंदे या असंरचित आउटपुट्स
- JSON/YAML के साथ स्कीमाओं को लागू करें; फॉर्मेट उदाहरणों के साथ प्रॉम्प्ट करें।
- "फॉर्मेटर" एजेंट जोड़ें जिसका एकमात्र काम आउटपुट को सामान्यीकृत करना हो।
- निम्न गुणवत्ता का कोड
- कोड-मजबूत मॉडल (जैसे DeepSeek-Coder लोकल, या टॉप क्लाउड मॉडल) इंजीनियर के लिए इस्तेमाल करें।
- एक Tester/Linter एजेंट जोड़ें; यूनिट टेस्ट्स स्वचालित चलाएं।
- उच्च लागत
- ड्राफ्टिंग के लिए लोकल मॉडल्स का उपयोग करें; अंतिम परिष्करण के लिए प्रीमियम LLMs को बढ़ाएं।
- संदर्भ विंडो सीमित करें; आर्टिफैक्ट्स को टुकड़ों में विभाजित करें और जरूरत के मुताबिक पुनः प्राप्त करें।
- मॉडल मेल न होना
- रोल-निर्धारित मॉडल (तर्क, कोडिंग, संपादन) और तापमान सेटिंग्स समायोजित करें।
स्वतंत्र अवलोकन MetaGPT की कोड जेनरेशन में ताकत और बेहतर प्रॉम्प्ट्स एवं टूलिंग के साथ गलतियों से बचने के तरीके उजागर करते हैं।
---
## गहराई में: उन्नत पैटर्न
- रिट्रीवल-ऑगमेंटेड जेनरेशन (RAG)
- अपनी टीम को पिछले PRDs, डिज़ाइनों, और कोड का एक "नॉलेज बेस" प्रदान करें।
- PM/आर्किटेक्ट को लेखन से पहले प्रासंगिक संदर्भ पुनः प्राप्त करने दें।
- Toolformer शैली क्रियाएं
- इंजीनियर को शेल कमांड्स चलाने, फाइलें बनाने, और टेस्ट निष्पादित करने की अनुमति दें।
- मल्टी-टेनेंट प्रोजेक्ट्स
- ए/बी समाधान अन्वेषण के लिए समानांतर कई टीमों को चलाएं।
- ह्यूमन-इन-द-लूप कंट्रोल्स
- अनुमोदन चरण डालें (जैसे PRD → मानव समीक्षा → जारी रखें)।
- मूल्यांकन हार्नेस
- आउटपुट्स का ऑटो-ग्रेड करें (जैसे, लिंटिंग, टेस्ट कवरेज, पठनीयता स्कोर) और परिणाम को एक कोच एजेंट को दें।
---
## वास्तविक दुनिया के उपयोग मामले जो आप इस सप्ताह बना सकते हैं
- स्टार्टअप विचार → PRD → प्रोटोटाइप वेबसाइट
- CLI और डॉक्स के साथ आंतरिक डेटा टूल
- कई भाषाओं में क्लाइंट लाइब्रेरी के साथ API डिज़ाइन
- Jira टिकट्स से टेस्ट जेनरेट करने वाली QA पाइपलाइन
- कोड उदाहरण और डायग्राम्स वाली तकनीकी ब्लॉग जनरेटर
सामुदायिक लेख दिखाते हैं कि MetaGPT न्यूनतम इनपुट को तेजी से संरचित, उच्च गुणवत्ता वाले आर्टिफैक्ट्स में बदलने में माहिर है, विशेषकर इंजीनियरिंग और उत्पाद कार्यों के लिए।
---
## वैसे: [Sider.AI](https://sider.ai) के साथ सोच-विचार और पुनरावृत्ति को तेज़ करें
ध्यान देने योग्य: यदि आप प्रॉम्प्ट ड्राफ्ट कर रहे हैं, आर्टिफैक्ट्स की समीक्षा कर रहे हैं या स्पेक्स पर पुनरावृत्ति कर रहे हैं, तो [Sider.AI](https://sider.ai) जैसे बहुमुखी सहायक से आप ब्रीफ प्रोटोटाइप कर सकते हैं, विकल्पों की तुलना कर सकते हैं, और आउटपुट्स को बेहतर बना सकते हैं इससे पहले कि उन्हें MetaGPT को सौंपें। यह विशेष रूप से उपयोगकर्ता स्टोरीज, स्वीकृति मापदंड, और टेस्ट केसों के लिए मददगार है जिन्हें आपके एजेंट्स समझ सकते हैं। [Sider.AI](https://sider.ai) को https://sider.ai पर एक्सप्लोर करें।
---
## एक्शन प्लान: अगले 60 मिनट में करें
- 10 मिनट: MetaGPT इंस्टॉल करें और अपना LLM सेटअप करें (लोकल या क्लाउड)।
- 15 मिनट: 4-रोल टीम बनाएं (PM, आर्किटेक्ट, इंजीनियर, QA) और एक छोटा प्रोजेक्ट चलाएं।
- 15 मिनट: PRD/डिजाइन के लिए स्कीमाएं जोड़ें और रिव्यूअर गेट सेट करें।
- 20 मिनट: रोल के अनुसार मॉडल बदलें; इंजीनियर/QA के लिए टेस्ट रनर टूल जोड़ें।
आज पहला आर्टिफैक्ट भेजें। कल पुनरावृत्ति करें।
---
## मुख्य बिंदु
- MetaGPT आपको एक ऐसी टीम स्क्रिप्ट करने देता है जो एक साथ जटिल कार्यों पर काम करती है।
- सफलता के लिए संरचित प्रॉम्प्ट्स, स्पष्ट डिलीवेरेबल्स, और समीक्षा गेट आवश्यक हैं।
- लागत, गोपनीयता, और गुणवत्ता संतुलन के लिए लोकल और क्लाउड मॉडल्स का संयोजन करें।
- छोटे पाइपलाइन से शुरू करें (PRD → डिजाइन → कोड → टेस्ट), फिर समृद्ध टूल्स और शासन के लिए स्केल करें।
अतिरिक्त संदर्भ और व्यावहारिक उदाहरणों के लिए ये गाइड्स और ट्यूटोरियल देखें।
### अक्सर पूछे जाने वाले प्रश्न (FAQ)
Q1: MetaGPT क्या है और यह कैसे काम करता है?
MetaGPT एक मल्टी-एजेंट फ्रेमवर्क है जहां भूमिका-आधारित एजेंट्स (PM, आर्किटेक्ट, इंजीनियर, QA) सहयोग करके PRDs, डिज़ाइंस, और कोड जैसे संरचित आउटपुट बनाते हैं। यह टास्क समन्वय करता है, संदर्भ साझा करता है, और प्रत्येक भूमिका के लिए लोकल या क्लाउड LLMs जोड़ने देता है।
Q2: मैं MetaGPT को कैसे इंस्टॉल और सेटअप करूं?
pip या स्रोत से इंस्टॉल करें, अपना LLM कॉन्फ़िगर करें (OpenAI, Anthropic, या Ollama के माध्यम से लोकल), और मॉडल एक्सेस के लिए पर्यावरण चर सेट करें। फिर एजेंट्स परिभाषित करें, एक टीम बनाएं, और PRDs व कोड जैसे आर्टिफैक्ट उत्पन्न करने के लिए टास्क चलाएं।
Q3: क्या मैं MetaGPT को DeepSeek या Llama जैसे लोकल LLMs के साथ उपयोग कर सकता हूँ?
जी हाँ। Ollama का उपयोग करके आप DeepSeek-Coder या Llama जैसे मॉडल्स लोकल रूप से चला सकते हैं और MetaGPT को लोकल एंडपॉइंट की ओर पॉइंट कर सकते हैं। इससे संवेदनशील प्रोजेक्ट्स में लागत कम होती है और गोपनीयता बढ़ती है।
Q4: MetaGPT में प्रॉम्प्ट्स के लिए क्या सर्वोत्तम प्रथाएं हैं?
संरचित ब्रीफ्स का उपयोग करें जिनमें उद्देश्य, उपयोगकर्ता, सीमाएं, सफलता मेट्रिक्स और डिलीवेरेबल्स हों। प्रत्येक एजेंट को स्पष्ट मेन्डेट दें और अस्पष्टता कम करने के लिए स्कीमा-आधारित आउटपुट (जैसे JSON/YAML) प्रदान करें।
Q5: मैं एजेंट्स को लूपिंग या खराब गुणवत्ता वाला कोड उत्पन्न करने से कैसे रोकूं?
स्टेप लिमिट और समीक्षा गेट्स जोड़ें, आउटपुट स्कीमाओं को लागू करें, और भूमिका-विशिष्ट मॉडल (जैसे आर्किटेक्ट के लिए तर्क-संवर्धित, इंजीनियर के लिए कोड-स्ट्रांग) का उपयोग करें। एक Tester/Linter एजेंट शामिल करें और यूनिट टेस्ट स्वचालित रूप से चलाएं।