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 Praktikal untuk Aliran Kerja Berbilang Ejen

Jika anda pernah berharap agar AI anda boleh bertindak seperti pasukan produk yang tersusun rapi—PM, arkitek, jurutera, penguji—bekerja secara selari ke arah matlamat yang sama, MetaGPT ialah rangka kerja yang menjayakan perkara itu. Dalam panduan praktikal dan berorientasikan penyelesaian ini, kami akan membimbing anda tentang cara menggunakan MetaGPT langkah demi langkah, daripada pemasangan hingga membina aliran kerja berbilang ejen, serta amalan terbaik, petua penyelesaian masalah dan contoh sebenar yang boleh anda sesuaikan hari ini.

Menjelang akhir panduan ini, anda akan dapat memasang MetaGPT, memulakan saluran berbilang ejen, menulis gesaan yang lebih baik, melanjutkannya dengan alat dan LLM, dan menghasilkan sesuatu yang berguna—dengan pantas.

Apakah Itu MetaGPT (dan Mengapa Ia Penting)

MetaGPT ialah rangka kerja berbilang ejen yang direka untuk menyelaraskan ejen khusus—seperti pengurus produk, arkitek, pengekod dan penguji—supaya mereka boleh menangani tugas yang kompleks secara kolaboratif. Daripada satu AI yang besar (monolitik) melakukan segala-galanya, MetaGPT membentuk sistem ejen berasaskan peranan dengan konteks, ingatan dan penghalaan tugas yang dikongsi. Hasilnya: projek bergerak daripada idea kepada hasil yang boleh dihantar dengan kurang bimbingan manual dan lebih banyak kerja selari.

Peranan berbilang ejen: Tentukan tanggungjawab yang berbeza (cth., draf PRD, reka bentuk sistem, pengekodan).

Artifak yang dikongsi: Ejen menghantar output berstruktur (PRD → reka bentuk → kod → ujian).

LLM boleh pasang: Pilih model (tempatan atau awan) bergantung pada kos, kelajuan dan privasi.

Alat boleh diperluas: Tambah perolehan, pelaksanaan kod atau API luaran.

Untuk gambaran keseluruhan yang baik dan "mengapa ia berfungsi," lihat panduan bebas yang memecahkan cara MetaGPT menyelaraskan pasukan dan penjanaan kod. Untuk aliran kerja konkrit (automasi keperluan produk dengan model tempatan), tutorial IBM menunjukkan MetaGPT digabungkan dengan model Ollama dan DeepSeek untuk menghasilkan PRD dari hujung ke hujung.

Mula Pantas: Pasang MetaGPT dalam 15 Minit

Berikut ialah persediaan yang bersih yang berfungsi pada macOS, Linux dan WSL.

1) Prasyarat

Python 3.10+ dan pip

Node.js/npm (untuk beberapa alat dan penyepaduan jika anda bercadang untuk membuat eksperimen)

Pilihan: Docker (untuk persekitaran yang boleh dihasilkan semula) dan Ollama (untuk LLM tempatan)

Sahkan persekitaran anda:

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

Jika anda memilih laluan LLM tempatan, pasang Ollama dan tarik model (cth., varian DeepSeek atau Llama 3), seperti yang ditunjukkan dalam contoh automasi PRD.

2) Pasang MetaGPT

# Pilihan A: Dari PyPI (jika tersedia)
pip install metagpt
# Pilihan B: Dari sumber (disyorkan untuk menjejaki contoh)
git clone <org>/MetaGPT.git
cd MetaGPT
pip install -r requirements.txt

Semak README projek untuk langkah pemasangan terkini dan tambahan pilihan. Panduan komuniti juga menggariskan langkah tempatan termasuk semakan npm dan persediaan Python.

3) Konfigurasikan LLM Anda

LLM Awan: Eksport kunci (cth., OPENAI_API_KEY, ANTHROPIC_API_KEY).

LLM Tempatan: Jalankan ollama serve dan pilih model; halakan MetaGPT ke titik akhir tempatan anda.

Contoh .env (laraskan untuk pembekal anda):

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

Aliran Kerja Berbilang Ejen Pertama Anda

Mari bina saluran "idea → PRD → reka bentuk → kod" yang minimum. Anda boleh menyesuaikan ini kepada aplikasi web, skrip atau alat data.

Aliran Konsep

Ejen Pengurus Produk: Menjelaskan matlamat, pengguna dan metrik kejayaan; menulis PRD.

Ejen Arkitek: Mencadangkan reka bentuk sistem, API, pertukaran.

Ejen Jurutera: Menulis kod perancah berdasarkan reka bentuk.

Ejen QA/Penyemak: Menyemak kod, menulis ujian, menandakan isu.

Contoh Rangka (Python)

from metagpt import MetaTeam, Agent, Role
from metagpt.llms import LLM
# 1) Tentukan bahagian belakang LLM
llm = LLM(model_name="gpt-4o-mini") # atau halakan ke model tempatan
# 2) Tentukan ejen khusus peranan
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) Cipta pasukan dengan ingatan/konteks yang dikongsi
team = MetaTeam(agents=.
---
## Menulis Gesaan Yang Difahami Berbilang Ejen
MetaGPT menyerlah apabila anda memberikannya arahan berstruktur dan sedar peranan. Fikirkan seperti seorang pengurus yang menulis taklimat untuk empat pakar.
- Objektif: Satu ayat yang menyatakan matlamat akhir.
- Pengguna dan Skop: Siapa yang mendapat manfaat dan perkara yang termasuk/tidak termasuk.
- Kekangan: Sempadan yang jelas (timbunan, kependaman, privasi, belanjawan).
- Metrik Kejayaan: Rupa "baik".
- Hasil: Artifak eksplisit (PRD, rajah, reka letak repo, ujian).
Contoh taklimat:
```yaml
objective: Bina CLI Python yang membaca PDF dan menghasilkan ringkasan 1 halaman dalam Markdown.
users: .
---
## Amalan Terbaik untuk Hasil Yang Boleh Dipercayai
- Mulakan dengan kecil, kemudian skala: Sahkan saluran pada spesifikasi minimum sebelum projek besar.
- Satu peranan, satu mandat: Elakkan tanggungjawab bertindih untuk mengurangkan kekeliruan.
- Gunakan senarai semak: Beri setiap ejen rubrik (kriteria penerimaan) untuk output mereka.
- Semakan get: Tambah peranan Penyemak/Ketua yang meluluskan atau menghantar kerja kembali.
- Pastikan gesaan berstruktur: Skema YAML/JSON menjadikan output lebih deterministik.
- Kekalkan artifak: Simpan PRD/reka bentuk/kod ke cakera untuk kebolehkesanan dan larian semula.
- Gandingkan tempatan + awan: Gunakan model tempatan untuk draf; tingkatkan langkah rumit kepada model awan yang lebih kuat.
- Kekangan belanjawan: Tetapkan had token dan semakan kos untuk setiap peringkat.
---
## Contoh Projek: Auto‑PRD untuk Permintaan Ciri
Matlamat: Tukar permintaan ciri mentah menjadi PRD yang digilap dengan kisah pengguna dan kriteria penerimaan.
Aliran:
1. Penghuraian input: Normalkan permintaan dan ekstrak konteks (persona pengguna, titik kesakitan).
2. Ejen PM: Mendraf PRD dengan matlamat, bukan matlamat, KPI.
3. Ejen Arkitek: Mencadangkan pilihan penyelesaian dengan kebaikan/keburukan.
4. Ejen Penyemak: Memastikan kejelasan, risiko dan pergantungan didokumenkan.
Mengapa ia berfungsi: Penyerahan berstruktur mencerminkan pasukan produk sebenar dan memaksa kejelasan. Panduan IBM membimbing anda melalui aliran PRD berbilang ejen yang serupa dengan model tempatan yang boleh anda tiru.
---
## Menyelesaikan Masalah Lazim
- Ejen bergelung atau terhenti
- Kurangkan skop dan tambahkan hasil yang jelas.
- Tambah tamat masa dan had langkah; dayakan get semakan.
- Output yang tidak kemas atau tidak berstruktur
- Kuatkuasakan skema dengan JSON/YAML; gesa dengan contoh format.
- Tambah ejen "Pemformat" yang satu-satunya tugasnya ialah untuk menormalkan output.
- Kod berkualiti rendah
- Gunakan model yang kuat kod (cth., DeepSeek‑Coder secara tempatan, atau model awan teratas) untuk Jurutera.
- Tambah ejen Penguji/Linter; jalankan ujian unit secara automatik.
- Kos tinggi
- Gunakan model tempatan untuk draf; hanya tingkatkan kepada LLM premium untuk penggilapan akhir.
- Hadkan tetingkap konteks; ketulan artifak dan dapatkan semula mengikut keperluan.
- Ketidakpadanan model
- Tala model setiap peranan (penaakulan vs. pengekodan vs. penyuntingan) dan tetapan suhu.
Gambaran keseluruhan bebas menyerlahkan kekuatan MetaGPT dalam penjanaan kod dan cara untuk mengelakkan perangkap dengan gesaan dan alat yang lebih baik.
---
## Mendalami: Corak Lanjutan
- Penjanaan Diperkukuh Perolehan (RAG)
- Beri pasukan anda "pangkalan pengetahuan" projek yang terdiri daripada PRD, reka bentuk dan kod yang lalu.
- Benarkan PM/Arkitek mendapatkan semula konteks yang berkaitan sebelum menulis.
- Tindakan gaya Toolformer
- Benarkan Jurutera menjalankan arahan shell, mencipta fail dan melaksanakan ujian.
- Projek berbilang penyewa
- Jalankan berbilang pasukan secara selari untuk penerokaan penyelesaian A/B.
- Kawalan manusia dalam gelung
- Sisipkan langkah kelulusan (cth., PRD → semakan manusia → teruskan).
- Abah-abah penilaian
- Output gred auto (cth., linting, liputan ujian, skor kebolehbacaan) dan suapkan hasil kembali kepada ejen Jurulatih.
---
## Kes Penggunaan Dunia Sebenar Yang Boleh Anda Bina Minggu Ini
- Idea Permulaan → PRD → Prototaip laman web
- Alat data dalaman dengan CLI dan dokumen
- Reka bentuk API dengan pustaka klien dalam pelbagai bahasa
- Saluran QA yang menjana ujian daripada tiket Jira
- Penjana blog teknikal dengan contoh kod dan rajah
Penulisan komuniti menunjukkan kebolehan MetaGPT untuk menukar input minimum menjadi artifak berstruktur dan berkualiti tinggi dengan cepat, terutamanya untuk kerja kejuruteraan dan produk.
---
## By the way: Speed up ideation and iteration with [Sider.AI](https://sider.ai)
Perlu diingatkan: jika anda sedang merangka gesaan, menyemak artifak atau mengulangi spesifikasi, pembantu serba boleh seperti [Sider.AI](https://sider.ai) boleh membantu anda membuat prototaip taklimat, membandingkan alternatif dan memperhalusi output sebelum menyerahkannya kepada MetaGPT. Ia amat berguna untuk sumbang saran kisah pengguna, kriteria penerimaan dan kes ujian yang boleh digunakan oleh ejen anda. Terokai [Sider.AI](https://sider.ai) di https://sider.ai./
---
## Pelan Tindakan: 60 Minit Anda Seterusnya
- 10 minit: Pasang MetaGPT dan sediakan LLM anda (tempatan atau awan).
- 15 minit: Cipta pasukan 4 peranan (PM, Arkitek, Jurutera, QA) dan jalankan projek kecil.
- 15 minit: Tambah skema untuk PRD/reka bentuk dan get Penyemak.
- 20 minit: Tukar model setiap peranan; tambah alat pelari ujian untuk Jurutera/QA.
Hantar artifak pertama hari ini. Ulangi esok.
---
## Perkara Utama Yang Perlu Diingati
- MetaGPT membolehkan anda membuat skrip pasukan ejen khusus yang bekerjasama dalam tugas yang kompleks.
- Kejayaan bergantung pada gesaan berstruktur, hasil yang jelas dan get semakan.
- Gabungkan model tempatan dan awan untuk mengimbangi kos, privasi dan kualiti.
- Mulakan dengan saluran kecil (PRD → reka bentuk → kod → ujian), kemudian skala kepada alat dan tadbir urus yang lebih kaya.
Untuk konteks tambahan dan contoh praktikal, lihat panduan dan tutorial ini.
### Soalan Lazim
S1: Apakah itu MetaGPT dan bagaimana ia berfungsi?
MetaGPT ialah rangka kerja berbilang ejen di mana ejen berasaskan peranan (PM, Arkitek, Jurutera, QA) bekerjasama untuk menghasilkan output berstruktur seperti PRD, reka bentuk dan kod. Ia menyelaraskan tugas, berkongsi konteks dan membolehkan anda memasangkan LLM tempatan atau awan untuk setiap peranan.
S2: Bagaimanakah cara saya memasang dan menyediakan MetaGPT?
Pasang melalui pip atau daripada sumber, konfigurasikan LLM anda (OpenAI, Anthropic atau tempatan melalui Ollama) dan tetapkan pembolehubah persekitaran untuk akses model. Kemudian tentukan ejen, cipta pasukan dan jalankan tugas untuk menjana artifak seperti PRD dan kod.
S3: Bolehkah saya menggunakan MetaGPT dengan LLM tempatan seperti DeepSeek atau Llama?
Ya. Menggunakan Ollama, anda boleh menjalankan model seperti DeepSeek‑Coder atau Llama secara tempatan dan menghalakan MetaGPT ke titik akhir tempatan. Ini mengurangkan kos dan meningkatkan privasi untuk projek sensitif.
S4: Apakah amalan terbaik untuk gesaan dalam MetaGPT?
Gunakan taklimat berstruktur dengan objektif, pengguna, kekangan, metrik kejayaan dan hasil. Tugaskan setiap ejen mandat yang jelas dan sediakan format output berasaskan skema (cth., JSON/YAML) untuk mengurangkan kekaburan.
S5: Bagaimanakah cara saya menghalang ejen daripada bergelung atau menghasilkan kod berkualiti rendah?
Tambah had langkah dan get semakan, kuatkuasakan skema output dan gunakan model khusus setiap peranan (cth., penaakulan yang kuat untuk Arkitek, kod yang kuat untuk Jurutera). Sertakan ejen Penguji/Linter dan jalankan ujian unit secara automatik.