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.

Cara Menggunakan MetaGPT: Panduan Praktis untuk Alur Kerja Multi-Agen

Jika Anda pernah berharap AI Anda bisa berperilaku seperti tim produk yang terorganisir dengan baik—PM, arsitek, insinyur, penguji—bekerja secara paralel menuju tujuan bersama, MetaGPT adalah kerangka kerja yang mewujudkannya. Dalam panduan praktis dan berorientasi solusi ini, kami akan membahas cara menggunakan MetaGPT langkah demi langkah, mulai dari instalasi hingga membangun alur kerja multi-agen, ditambah praktik terbaik, tips pemecahan masalah, dan contoh nyata yang bisa Anda adaptasi hari ini.

Di akhir panduan ini, Anda akan bisa menginstal MetaGPT, membuat pipeline multi-agen, menulis prompt yang lebih baik, memperluasnya dengan alat dan LLM, serta meluncurkan sesuatu yang berguna dengan cepat.

Apa Itu MetaGPT (dan Mengapa Penting)

MetaGPT adalah kerangka kerja multi-agen yang dirancang untuk mengoordinasikan agen khusus—seperti manajer produk, arsitek, coder, dan penguji—agar mereka bisa menangani tugas kompleks secara kolaboratif. Alih-alih satu AI monolitik melakukan segalanya, MetaGPT menyusun sistem agen berbasis peran dengan konteks, memori, dan pengelolaan tugas yang dibagi bersama. Hasilnya: proyek bergerak dari ide ke produk jadi dengan intervensi manual yang lebih sedikit dan paralelisme yang lebih besar.

Peran multi-agen: Mendefinisikan tanggung jawab berbeda (misalnya, pembuatan PRD, desain sistem, coding).

Artefak bersama: Agen saling mengoper output terstruktur (PRD → desain → kode → tes).

LLM yang bisa dipasang: Pilih model (lokal atau cloud) tergantung biaya, kecepatan, dan privasi.

Alat yang dapat diperluas: Tambahkan retrieval, eksekusi kode, atau API eksternal.

Untuk gambaran umum dan "mengapa ini bekerja," lihat panduan independen yang menjelaskan bagaimana MetaGPT mengoordinasikan tim dan generasi kode. Untuk alur kerja nyata (otomasi kebutuhan produk dengan model lokal), tutorial IBM menunjukkan MetaGPT digabungkan dengan model Ollama dan DeepSeek untuk menghasilkan PRD dari awal hingga akhir.

Mulai Cepat: Instalasi MetaGPT dalam 15 Menit

Berikut pengaturan sederhana yang berjalan di macOS, Linux, dan WSL.

1) Prasyarat

Python 3.10+ dan pip

Node.js/npm (untuk beberapa alat dan integrasi jika Anda ingin bereksperimen)

Opsional: Docker (untuk lingkungan yang dapat direproduksi) dan Ollama (untuk LLM lokal)

Verifikasi lingkungan Anda:

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

Jika memilih jalur LLM lokal, instal Ollama dan tarik model (misalnya, DeepSeek atau varian Llama 3), seperti yang ditunjukkan dalam contoh otomasi PRD.

2) Instal MetaGPT

# Opsi A: Dari PyPI (jika tersedia)
pip install metagpt
# Opsi B: Dari source (direkomendasikan untuk mengikuti contoh)
git clone <org>/MetaGPT.git
cd MetaGPT
pip install -r requirements.txt

Cek README proyek untuk langkah instalasi terbaru dan tambahan opsional. Panduan komunitas juga menguraikan langkah lokal termasuk pengecekan npm dan setup Python.

3) Konfigurasikan LLM Anda

Cloud LLM: Ekspor kunci (misalnya, OPENAI_API_KEY, ANTHROPIC_API_KEY).

LLM Lokal: Jalankan ollama serve dan pilih model; arahkan MetaGPT ke endpoint lokal Anda.

Contoh .env (sesuaikan dengan penyedia Anda):

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

Alur Kerja Multi-Agen Pertama Anda

Mari bangun pipeline minimal "ide → PRD → desain → kode". Anda bisa menyesuaikan ini untuk aplikasi web, skrip, atau alat data.

Alur Konseptual

Agen Manajer Produk: Menjelaskan tujuan, pengguna, dan metrik keberhasilan; menulis PRD.

Agen Arsitek: Mengusulkan desain sistem, API, dan pertimbangan.

Agen Insinyur: Menulis kode dasar berdasarkan desain.

Agen QA/Reviewer: Mereview kode, menulis tes, dan menandai masalah.

Contoh Kerangka (Python)

from metagpt import MetaTeam, Agent, Role
from metagpt.llms import LLM
# 1) Definisikan backend LLM
llm = LLM(model_name="gpt-4o-mini") # atau arahkan ke model lokal
# 2) Definisikan agen spesifik per peran
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) Buat tim dengan memori/konteks bersama
team = MetaTeam(agents=.
---
## Menulis Prompt yang Dimengerti Multi-Agen
MetaGPT unggul saat Anda memberikan instruksi terstruktur dan sadar peran. Pikirkan seperti manajer yang menulis briefing untuk empat spesialis.
- Tujuan: Satu kalimat yang menyatakan sasaran akhir.
- Pengguna dan Ruang Lingkup: Siapa yang mendapat manfaat dan apa yang termasuk/eksklusif.
- Keterbatasan: Batasan jelas (stack, latensi, privasi, anggaran).
- Metrik Keberhasilan: Apa artinya “baik”.
- Deliverables: Artefak yang jelas (PRD, diagram, tata letak repo, tes).
Contoh briefing:
```yaml
objective: Buat CLI Python yang membaca PDF dan menghasilkan ringkasan 1 halaman dalam Markdown.
users: .
---
## Praktik Terbaik untuk Hasil Andal
- Mulai kecil, lalu skala: Validasi pipeline dengan spesifikasi minimal sebelum proyek besar.
- Satu peran, satu mandat: Hindari tumpang tindih tanggung jawab untuk kurangi kebingungan.
- Gunakan checklist: Beri setiap agen rubrik (kriteria penerimaan) untuk output mereka.
- Kebijakan review: Tambahkan peran Reviewer/Lead yang menyetujui atau mengembalikan pekerjaan.
- Pertahankan prompt terstruktur: Skema YAML/JSON membuat output lebih deterministik.
- Simpan artefak: Simpan PRD/desain/kode ke disk untuk pelacakan dan pengulangan.
- Kombinasi lokal + cloud: Gunakan model lokal untuk draf; serahkan langkah rumit ke model cloud yang lebih kuat.
- Batas anggaran: Tetapkan batas token dan cek biaya untuk setiap tahap.
---
## Contoh Proyek: Auto-PRD untuk Permintaan Fitur
Tujuan: Ubah permintaan fitur mentah menjadi PRD yang rapi dengan user stories dan kriteria penerimaan.
Alur:
1. Parsing input: Normalisasi permintaan dan ekstrak konteks (persona pengguna, poin sakit).
2. Agen PM: Membuat draf PRD dengan tujuan, non-tujuan, dan KPI.
3. Agen Arsitek: Mengusulkan opsi solusi dengan kelebihan/kekurangan.
4. Agen Reviewer: Memastikan kejelasan, risiko, dan ketergantungan terdokumentasi.
Mengapa ini bekerja: Penyerahan terstruktur mencerminkan tim produk nyata dan memaksa kejelasan. Panduan IBM menjelaskan alur PRD multi-agen serupa dengan model lokal yang bisa Anda tiru.
---
## Pemecahan Masalah Umum
- Agen terjebak looping atau berhenti
- Kurangi ruang lingkup dan tambahkan deliverables eksplisit.
- Tambahkan batas waktu dan batas langkah; aktifkan kebijakan review.
- Output berantakan atau tidak terstruktur
- Terapkan skema dengan JSON/YAML; prompt dengan contoh format.
- Tambah agen “Formatter” yang tugasnya menormalkan output.
- Kode berkualitas rendah
- Gunakan model khusus kode (misalnya DeepSeek-Coder lokal, atau model cloud unggulan) untuk Engineer.
- Tambah agen Tester/Linter; jalankan tes unit otomatis.
- Biaya tinggi
- Gunakan model lokal untuk draf; hanya naikkan ke LLM premium untuk pemolesan akhir.
- Batasi konteks; pecah artefak dan ambil sesuai kebutuhan.
- Ketidakcocokan model
- Sesuaikan model per peran (penalaran vs coding vs editing) dan pengaturan temperature.
Ulasan independen menyoroti kekuatan MetaGPT dalam generasi kode dan cara menghindari jebakan dengan prompt dan alat yang lebih baik.
---
## Pendalaman: Pola-Pola Lanjutan
- Retrieval-Augmented Generation (RAG)
- Berikan tim "basis pengetahuan" proyek dari PRD, desain, dan kode sebelumnya.
- Biarkan PM/Arsitek mengambil konteks relevan sebelum menulis.
- Aksi gaya Toolformer
- Izinkan Engineer menjalankan perintah shell, membuat file, dan menjalankan tes.
- Proyek multi-tenant
- Jalankan beberapa tim secara paralel untuk eksplorasi solusi A/B.
- Kontrol human-in-the-loop
- Sisipkan langkah persetujuan (misal, PRD → review manusia → lanjut).
- Sarana evaluasi
- Penilaian otomatis output (linting, cakupan tes, skor keterbacaan) dan berikan hasil ke agen Coach.
---
## Kasus Penggunaan Dunia Nyata yang Bisa Anda Bangun Minggu Ini
- Ideasi Startup → PRD → Prototype situs web
- Alat data internal dengan CLI dan dokumentasi
- Desain API dengan library klien dalam berbagai bahasa
- Pipeline QA yang menghasilkan tes dari tiket Jira
- Generator blog teknis dengan sampel kode dan diagram
Artikel komunitas menunjukkan kemampuan MetaGPT mengubah input minimal menjadi artefak yang terstruktur dan berkualitas tinggi dengan cepat, terutama untuk pekerjaan rekayasa dan produk.
---
## Omong-omong: Percepat ideasi dan iterasi dengan [Sider.AI](https://sider.ai)
Perlu dicatat: jika Anda sedang membuat draft prompt, mereview artefak, atau mengulangi spesifikasi, asisten serbaguna seperti [Sider.AI](https://sider.ai) dapat membantu Anda membuat prototipe briefing, membandingkan alternatif, dan menyempurnakan output sebelum diserahkan ke MetaGPT. Ini sangat berguna untuk brainstorming user stories, kriteria penerimaan, dan test case yang bisa dikonsumsi agen Anda. Jelajahi [Sider.AI](https://sider.ai) di https://sider.ai./
---
## Rencana Aksi: 60 Menit Berikutnya Anda
- 10 menit: Instal MetaGPT dan siapkan LLM Anda (lokal atau cloud).
- 15 menit: Buat tim 4 peran (PM, Arsitek, Engineer, QA) dan jalankan proyek kecil.
- 15 menit: Tambahkan skema untuk PRD/desain dan gate Reviewer.
- 20 menit: Tukar model per peran; tambahkan alat test runner untuk Engineer/QA.
Luncurkan artefak pertama hari ini. Iterasi besok.
---
## Poin Penting
- MetaGPT memungkinkan Anda membuat skrip tim agen khusus yang bekerja sama pada tugas kompleks.
- Keberhasilan bergantung pada prompt terstruktur, deliverables jelas, dan gate review.
- Kombinasi model lokal dan cloud untuk menyeimbangkan biaya, privasi, dan kualitas.
- Mulai dengan pipeline kecil (PRD → desain → kode → tes), lalu skala ke alat dan tata kelola lebih kaya.
Untuk konteks tambahan dan contoh praktik langsung, lihat panduan dan tutorial ini.
### FAQ
Q1:Apa itu MetaGPT dan bagaimana cara kerjanya?
MetaGPT adalah kerangka kerja multi-agen di mana agen berbasis peran (PM, Arsitek, Engineer, QA) bekerja sama menghasilkan output terstruktur seperti PRD, desain, dan kode. Ini mengoordinasikan tugas, berbagi konteks, dan memungkinkan Anda menghubungkan LLM lokal atau cloud untuk tiap peran.
Q2:Bagaimana cara menginstal dan mengatur MetaGPT?
Instal lewat pip atau dari sumber, konfigurasi LLM Anda (OpenAI, Anthropic, atau lokal via Ollama), dan atur variabel lingkungan untuk akses model. Kemudian definisikan agen, buat tim, dan jalankan tugas untuk menghasilkan artefak seperti PRD dan kode.
Q3:Bisakah saya menggunakan MetaGPT dengan LLM lokal seperti DeepSeek atau Llama?
Bisa. Dengan Ollama, Anda dapat menjalankan model seperti DeepSeek-Coder atau Llama secara lokal dan arahkan MetaGPT ke endpoint lokal tersebut. Ini mengurangi biaya dan meningkatkan privasi untuk proyek sensitif.
Q4:Apa praktik terbaik untuk prompt di MetaGPT?
Gunakan briefing terstruktur dengan tujuan, pengguna, keterbatasan, metrik keberhasilan, dan deliverables. Tetapkan mandat jelas pada tiap agen dan berikan format output berbasis skema (misalnya JSON/YAML) untuk mengurangi ambiguitas.
Q5:Bagaimana cara mencegah agen looping atau menghasilkan kode berkualitas rendah?
Tambahkan batas langkah dan gate review, terapkan skema output, dan gunakan model khusus sesuai peran (misalnya model kuat penalaran untuk Arsitek, kuat kode untuk Engineer). Sertakan agen Tester/Linter dan jalankan tes unit otomatis.