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.

Kako koristiti MetaGPT: Praktični vodič za višestruke agente u radnim tokovima

Ako ste ikada poželjeli da vaša AI djeluje poput dobro usklađenog produkt tima — PM, arhitekta, inženjera, testera — koji paralelno radi na zajedničkom cilju, MetaGPT je okvir koji to omogućuje. U ovom praktičnom, rješenjima orijentiranom vodiču, proći ćemo korak po korak kroz korištenje MetaGPT‑a, od instalacije do izgradnje višestrukih agentnih radnih tokova, zajedno s najboljim praksama, savjetima za rješavanje problema i stvarnim primjerima koje možete prilagoditi već danas.

Na kraju ćete moći instalirati MetaGPT, pokrenuti višestruki agentski pipeline, pisati bolje promptove, proširiti ga alatima i LLM‑ovima te brzo isporučiti korisno rješenje.

Što je MetaGPT (i zašto je važan)

MetaGPT je okvir za višestruke agente dizajniran za koordinaciju specijaliziranih agenata — poput product managera, arhitekta, programera i testera — koji zajednički rješavaju složene zadatke. Umjesto jedne monolitne AI koja radi sve, MetaGPT stvara sustav agenata s jasno definiranim ulogama, zajedničkim kontekstom, memorijom i usmjeravanjem zadataka. Rezultat: projekti se kreću od ideje do isporuke uz manje ručnog upravljanja i više paralelizma.

Uloge višestrukih agenata: Definirajte različite odgovornosti (npr. izrada PRD‑a, dizajn sustava, kodiranje).

Zajednički artefakti: Agenti prosljeđuju strukturirane izlaze (PRD → dizajn → kod → testovi).

Modularni LLM‑ovi: Birajte modele (lokalne ili u oblaku) ovisno o cijeni, brzini i privatnosti.

Proširivi alati: Dodajte dohvat podataka, izvršavanje koda ili vanjske API‑je.

Za dobar pregled i “zašto to funkcionira”, pogledajte neovisne vodiče koji razlažu kako MetaGPT orkestrira timove i generiranje koda. Za konkretan radni tok (automatizacija produktnih zahtjeva s lokalnim modelima), IBM‑ov tutorijal prikazuje MetaGPT u kombinaciji s Ollama i DeepSeek modelima za cjelokupnu proizvodnju PRD‑ova.

Brzi početak: Instalirajte MetaGPT za 15 minuta

Evo čiste postavke koja radi na macOS‑u, Linuxu i WSL‑u.

1) Preduvjeti

Python 3.10+ i pip

Node.js/npm (za neke alate i integracije ako planirate eksperimentirati)

Opcionalno: Docker (za reproducibilne okoline) i Ollama (za lokalne LLM modele)

Provjerite svoj okoliš:

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

Ako odaberete lokalni LLM pristup, instalirajte Ollama i preuzmite model (npr. DeepSeek ili varijante Llama 3) kao što je prikazano u primjeru automatizacije PRD‑a.

2) Instalirajte MetaGPT

# Opcija A: s PyPI (ako je dostupno)
pip install metagpt
# Opcija B: iz izvornog koda (preporučeno za praćenje primjera)
git clone <org>/MetaGPT.git
cd MetaGPT
pip install -r requirements.txt

Provjerite README projekta za najnovije upute za instalaciju i opcionalne dodatke. Vodiči iz zajednice također pokrivaju lokalne korake uključujući provjere npm‑a i Python‑a.

3) Konfigurirajte svoje LLM‑ove

LLM‑ovi u oblaku: Izvezite ključeve (npr. OPENAI_API_KEY, ANTHROPIC_API_KEY).

Lokalni LLM‑ovi: Pokrenite ollama serve i odaberite model; usmjerite MetaGPT na lokalnu krajnju točku.

Primjer .env (prilagodite svom pružatelju):

OPENAI_API_KEY=sk-...
MODEL_NAME=gpt-4o-mini
# Ili lokalno
LLM_ENDPOINT=
MODEL_NAME=deepseek-coder

Vaš prvi višestruki agentski radni tok

Izgradimo minimalni pipeline “ideja → PRD → dizajn → kod”. Ovo možete prilagoditi za web aplikacije, skripte ili alate za podatke.

Konceptualni tok

Agent product managera: Definira ciljeve, korisnike i metrike uspjeha; piše PRD.

Agent arhitekta: Predlaže dizajn sustava, API‑je, kompromise.

Agent inženjera: Piše osnovni kod na temelju dizajna.

Agent QA/recenzent: Pregledava kod, piše testove, označava probleme.

Primjer skeleta (Python)

from metagpt import MetaTeam, Agent, Role [Sider.AI](https://sider.ai)[Sider.AI](https://sider.ai)[Sider.AI](https://sider.ai)
from metagpt.llms import LLM
# 1) Definirajte LLM backend
llm = LLM(model_name="gpt-4o-mini") # ili usmjerite na lokalni model
# 2) Definirajte agente s određenim ulogama
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) Stvorite tim sa zajedničkom memorijom/kontekstom
team = MetaTeam(agents=.
---
## Kako pisati promptove koje višestruki agenti razumiju
MetaGPT posebno dobro funkcionira kada mu date strukturirane upute prilagođene ulozi. Razmišljajte kao menadžer koji piše sažetak za četiri stručnjaka.
- Cilj: Jedna rečenica koja navodi krajnji cilj.
- Korisnici i opseg: Tko koristi i što je uključeno/isključeno.
- Ograničenja: Jasne granice (tehnološki stack, kašnjenje, privatnost, budžet).
- Metrike uspjeha: Kako izgleda “dobar” rezultat.
- Isporuke: Izričiti artefakti (PRD, dijagram, struktura repozitorija, testovi).
Primjer uputa:
```yaml
objective: Izgraditi Python CLI koji čita PDF i proizvodi jedinstani sažetak u Markdown formatu.
users: .
---
## Najbolje prakse za pouzdane rezultate
- Počnite s malim, zatim skalirajte: Validirajte pipeline na minimalnoj specifikaciji prije velikih projekata.
- Jedna uloga, jedan mandat: Izbjegavajte preklapanje odgovornosti kako biste smanjili zbunjenost.
- Koristite kontrolne liste: Dajte svakom agentu kriterije prihvaćanja za njihov ishod.
- Uvedite recenzente: Dodajte ulogu Recenzenta/Vođe koja odobrava ili vraća rad na doradu.
- Održavajte strukturu promptova: YAML/JSON sheme čine ishode determinističnijima.
- Spremite artefakte: Sačuvajte PRD/dizajn/kod na disk za praćenje i ponovna pokretanja.
- Kombinirajte lokalne i cloud modele: Koristite lokalne modele za nacrte; komplicirane korake povjerite snažnijem modelu u oblaku.
- Ograničenja budžeta: Postavite limite tokena i provjere troškova za svaku fazu.
---
## Primjer projekta: Automatski PRD za zahtjeve značajki
Cilj: Pretvoriti sirovi zahtjev za značajku u fino obrađen PRD s korisničkim pričama i kriterijima prihvaćanja.
Tok:
1. Parsiranje unosa: Normalizacija zahtjeva i izlučivanje konteksta (korisnička persona, problemi).
2. Agent PM-a: Sastavlja PRD s ciljevima, neciljevima i KPI‑jima.
3. Agent arhitekta: Predlaže opcije rješenja s prednostima i manama.
4. Agent recenzenta: Osigurava jasnoću, rizike i ovisnosti.
Zašto to funkcionira: Strukturirano prebacivanje podsjeća na stvarne produkt timove i prisiljava na jasnoću. IBM‑ov vodič prolazi kroz sličan višestruki agentski PRD tok s lokalnim modelima koje možete replicirati.
---
## Rješavanje uobičajenih problema
- Agenti stalno se vrte ili zapinju
- Smanjite opseg i dodajte jasne isporuke.
- Dodajte timeoute i limite koraka; omogućite recenzijske kapije.
- Neredoviti ili nestrukturirani izlazi
- Provodite sheme s JSON/YAML; koristite primjere formata u promptovima.
- Dodajte agenta “Formatter” čiji je jedini zadatak normalizirati izlaze.
- Kvaliteta koda niska
- Koristite modele jaki u kodiranju (npr. DeepSeek-Coder lokalno ili vrhunski cloud model) za inženjera.
- Dodajte agenta Tester/Linter; automatski pokrećite jedinicne testove.
- Visoki troškovi
- Kreirajte nacrte lokalno; samo za finalni finiš koristite premium LLM‑ove.
- Ograničite prozore konteksta; dijelite i dohvaćajte artefakte po potrebi.
- Neusklađenost modela
- Podešavajte modele po ulozi (razumijevanje vs. kodiranje vs. uređivanje) i temperature.
Neovisni pregledi ističu snagu MetaGPT‑a u generiranju koda i kako izbjeći probleme boljim promptovima i alatima.
---
## Napredni obrasci
- Retrieval-Augmented Generation (RAG)
- Dajte timu bazu znanja projekta s prošlim PRD‑ovima, dizajnima i kodom.
- Neka PM/arhitekt dohvaćaju relevantni kontekst prije pisanja.
- Akcije u stilu Toolformer‑a
- Dopustite inženjeru izvođenje shell naredbi, stvaranje datoteka i pokretanje testova.
- Više korisnički projekti
- Pokrenite više timova paralelno za A/B istraživanje rješenja.
- Ljudska kontrola u procesu
- Umetnite korake odobrenja (npr. PRD → ljudska recenzija → nastavak).
- Sustav ocjenjivanja
- Automatska ocjena rezultata (npr. linting, pokrivenost testovima, ocjene čitljivosti) i povratna informacija agentu Coach.
---
## Primjeri upotrebe koje možete izgraditi ovaj tjedan
- Startup ideacija → PRD → prototip web stranice
- Interni alat za podatke s CLI i dokumentacijom
- Dizajn API‑ja s klijentskim bibliotekama u više jezika
- QA pipeline koji generira testove iz Jira zahtjeva
- Generator tehničkog bloga s primjerima koda i dijagramima
Zajednički članci pokazuju kako MetaGPT pretvara minimalni ulaz u strukturirane, kvalitetne artefakte brzo, posebno za inženjering i produktni rad.
---
## Usput: Ubrzajte ideaciju i iteracije sa from metagpt import MetaTeam, Agent, Role [Sider.AI](https://sider.ai)[Sider.AI](https://sider.ai)[Sider.AI](https://sider.ai)
Važno je napomenuti: ako pisete promptove, pregledavate artefakte ili iterirate specifikacije, svestrani asistent poput from metagpt import MetaTeam, Agent, Role [Sider.AI](https://sider.ai)[Sider.AI](https://sider.ai)[Sider.AI](https://sider.ai)
 može vam pomoći u prototipiranju sažetaka, usporedbi alternativa i doradi izlaza prije nego ih proslijedite MetaGPT‑u. Posebno je koristan za brainstorming korisničkih priča, kriterija prihvaćanja i test slučajeva koje vaši agenti mogu koristiti. Istražite from metagpt import MetaTeam, Agent, Role [Sider.AI](https://sider.ai)[Sider.AI](https://sider.ai)[Sider.AI](https://sider.ai)
 na https://sider.ai./
---
## Plan akcije: Vaših sljedećih 60 minuta
- 10 min: Instalirajte MetaGPT i postavite svoj LLM (lokalni ili u oblaku).
- 15 min: Kreirajte tim s 4 uloge (PM, arhitekt, inženjer, QA) i pokrenite mali projekt.
- 15 min: Dodajte sheme za PRD/dizajn i recenzentsku kapiju.
- 20 min: Zamijenite modele po ulozi; dodajte alat za pokretanje testova za inženjera/QA.
Isporučite prvi artefakt danas. Iterirajte sutra.
---
## Ključni zaključci
- MetaGPT omogućuje skriptiranje tima specijaliziranih agenata koji zajedno rade na složenim zadacima.
- Uspjeh ovisi o strukturiranim promptovima, jasnim isporukama i recenzentskim kapijama.
- Kombinirajte lokalne i cloud modele za balansiranje troškova, privatnosti i kvalitete.
- Počnite s malim pipelineovima (PRD → dizajn → kod → testovi), zatim skalirajte prema bogatijim alatima i upravljanju.
Za dodatni kontekst i primjere za praksu, pogledajte ove vodiče i tutorijale.
### FAQ
P1: Što je MetaGPT i kako radi?
MetaGPT je okvir višestrukih agenata gdje agenti raspoređeni po ulogama (PM, arhitekt, inženjer, QA) surađuju kako bi proizveli strukturirane izlaze kao što su PRD‑ovi, dizajni i kod. Koordinira zadatke, dijeli kontekst i omogućuje korištenje lokalnih ili cloud LLM‑ova za svaku ulogu.
P2: Kako instalirati i postaviti MetaGPT?
Instalirajte putem pip‑a ili iz izvornog koda, konfigurirajte LLM (OpenAI, Anthropic ili lokalno preko Ollama) i postavite varijable okoline za pristup modelu. Zatim definirajte agente, stvorite tim i pokrenite zadatak za generiranje artefakata poput PRD‑ova i koda.
P3: Mogu li koristiti MetaGPT s lokalnim LLM‑ovima poput DeepSeek ili Llama?
Da. Korištenjem Ollama, možete lokalno pokretati modele poput DeepSeek-Coder ili Llama i usmjeriti MetaGPT na lokalnu krajnju točku. To smanjuje troškove i poboljšava privatnost za osjetljive projekte.
P4: Koje su najbolje prakse za promptove u MetaGPT‑u?
Koristite strukturirane sažetke s ciljevima, korisnicima, ograničenjima, metrikama uspjeha i isporukama. Svakom agentu dodijelite jasan mandat i osigurajte formate izlaza temeljene na shemama (npr. JSON/YAML) kako biste smanjili dvosmislenost.
P5: Kako spriječiti da agenti zapadaju u petlje ili proizvode loš kod?
Dodajte limite koraka i recenzijske kapije, provodite izlazne sheme i koristite specijalizirane modele po ulozi (npr. model jak za rezoniranje za arhitekta, model jak za kodiranje za inženjera). Uključite agenta Tester/Linter te automatski pokrećite jedinicne testove.

Kako koristiti MetaGPT: Praktični vodič za radne procese s više agenata