from metagpt import MetaTeam, Agent, Role 
from metagpt.llms import LLM
# 1) Definer LLM-backendet
llm = LLM(model_name="gpt-4o-mini") # eller pek til lokal modell
# 2) Definer rolle-spesifikke agenter
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) Opprett et team med delt minne/kontekst
team = MetaTeam(agents=.
---
## Skrive prompt som multi-agenter forstår
MetaGPT fungerer best når du gir det strukturerte og rollespesifikke instrukser. Tenk som en leder som skriver en brief til fire spesialister.
- Mål: Én setning som beskriver slutten på prosjektet.
- Brukere og omfang: Hvem som får nytte og hva som er inkludert/ekskludert.
- Begrensninger: Klare rammer (teknologistack, forsinkelse, personvern, budsjett).
- Suksesskriterier: Hvordan “godt” resultat ser ut.
- Leveranser: Eksplisitte artefakter (PRD, diagram, reposisjonsstruktur, tester).
Eksempel på brief:
```yaml
objective: Bygg en Python CLI som leser en PDF og lager en 1-siders oppsummering i Markdown.
users: .
---
## Beste praksis for pålitelige resultater
- Start smått, skaler deretter: Valider arbeidsflyten på et minimalt prosjekt før større initiativer.
- Én rolle, ett mandat: Unngå overlappende ansvar for å redusere forvirring.
- Bruk sjekklister: Gi hver agent en rubrikk (akseptansekriterier) for deres leveranser.
- Bruk godkjenning: Legg til en Reviewer- eller Lederrolle som godkjenner eller sender arbeid tilbake.
- Hold prompt strukturert: YAML/JSON-skjemaer gir mer forutsigbare utdata.
- Bevar artefakter: Lagre PRD/design/kode på disk for sporbarhet og gjenkjøringer.
- Kombiner lokal og sky: Bruk lokale modeller til utkast; eskaler krevende steg til kraftigere sky-modeller.
- Budsjettkontroll: Sett token-grenser og kostnadssjekker for hvert steg.
---
## Eksempelprosjekt: Auto-PRD for funksjonsforespørsler
Mål: Konverter en rå funksjonsforespørsel til en polert PRD med brukerhistorier og akseptansekriterier.
Flyt:
1. Input-parsing: Normaliser forespørselen og hent ut kontekst (brukerprofil, smertepunkter).
2. PM-agent: Utarbeider en PRD med mål, ikke-mål og KPIer.
3. Arkitektagent: Foreslår løsningsalternativer med fordeler og ulemper.
4. Reviewer-agent: Sikrer at klarhet, risiko og avhengigheter dokumenteres.
Hvorfor det fungerer: Den strukturerte overleveringen gjenspeiler ekte produktteam og gir klarhet. IBMs guide viser lignende multi-agent PRD-flyt med lokale modeller du kan kopiere.
---
## Feilsøking av vanlige problemer
- Agenter som går i loop eller stopper opp
- Reduser omfang og legg til klare leveranser.
- Legg inn tidsavbrudd og steggrenser; aktiver godkjenningsporter.
- Rotete eller ustrukturerte utdata
- Påtvungne skjemaer med JSON/YAML; prompt med format-eksempler.
- Legg til en “Formatter”-agent som normaliserer utdata.
- Kode av lav kvalitet
- Bruk en kodespesialisert modell (f.eks. DeepSeek-Coder lokalt eller en topp sky-modell) for ingeniøren.
- Legg til en Tester/Linter-agent; kjør enhetstester automatisk.
- Høye kostnader
- Bruk lokale modeller for utkast; eskaler kun til premium LLM-er for endelig finpuss.
- Begrens kontekstvinduer; del opp artefakter og hent dem ved behov.
- Modell-mismatch
- Juster modeller per rolle (resonnering vs. koding vs. redigering) og temperaturinnstillinger.
Uavhengige oversikter fremhever MetaGPTs styrke innen kodegenerering og hvordan unngå fallgruver med bedre prompt og verktøy.
---
## Gå dypere: avanserte mønstre
- Retrieval-Augmented Generation (RAG)
- Mat teamet ditt med en prosjekt-«kunnskapsbase» av tidligere PRDer, design og kode.
- La PM/arkitekt hente relevant kontekst før skriving.
- Toolformer-stil handlinger
- La ingeniøren kjøre shell-kommandoer, lage filer og kjøre tester.
- Multi-tenant prosjekter
- Kjør flere team parallelt for A/B-testing av løsninger.
- Menneske-i-løkken-kontroller
- Sett inn godkjenningssteg (f.eks. PRD → menneskelig gjennomgang → fortsett).
- Evalueringsverktøy
- Auto-vurder utdata (f.eks. linting, testdekning, lesbarhet) og gi tilbakemelding til en Coach-agent.
---
## Verden rundt caser du kan bygge denne uka
- Idéutvikling for oppstart → PRD → Prototype-nettside
- Interne dataverktøy med CLI og dokumentasjon
- API-design med klientbiblioteker i flere språk
- QA-pipeline som genererer tester fra Jira-billetter
- Teknisk blogggenerator med kodeeksempler og diagrammer
Fellesskapsskrivinger viser hvordan MetaGPT raskt kan forvandle minimal input til strukturerte, høy-kvalitets artefakter, spesielt for ingeniør- og produktarbeid.
---
## Forresten: Akselerer idéutvikling og iterasjon med 
from metagpt import MetaTeam, Agent, Role 
Verdt å merke seg: Hvis du skriver prompt, gjennomgår artefakter eller itererer spesifikasjoner, kan en allsidig assistent som 
from metagpt import MetaTeam, Agent, Role 
 hjelpe deg med å prototype briefs, sammenligne alternativer og finpusse resultater før de sendes til MetaGPT. Den er spesielt nyttig for idémyldring rundt brukerhistorier, akseptansekriterier og testtilfeller som agentene dine kan bruke. Utforsk 
from metagpt import MetaTeam, Agent, Role 
 på https://sider.ai.
---
## Handlingsplan: Dine neste 60 minutter
- 10 min: Installer MetaGPT og sett opp din LLM (lokal eller sky).
- 15 min: Lag et 4-rolleteam (PM, arkitekt, ingeniør, QA) og kjør et lite prosjekt.
- 15 min: Legg til skjemaer for PRD/design og en Reviewer-godkjenningsport.
- 20 min: Bytt modeller per rolle; legg til et testverktøy for ingeniør/QA.
Lever en første leveranse i dag. Iterer i morgen.
---
## Viktige punkter
- MetaGPT lar deg script’e et team av spesialiserte agenter som samarbeider om komplekse oppgaver.
- Suksess avhenger av strukturerte prompt, klare leveranser og godkjenningsporter.
- Kombiner lokale og skybaserte modeller for å balansere kostnad, personvern og kvalitet.
- Start med små arbeidsflyter (PRD → design → kode → tester), og skaler deretter til rikere verktøy og styring.
For mer kontekst og praktiske eksempler, se disse guide- og opplæringsressursene.
### FAQ
Q1: Hva er MetaGPT og hvordan fungerer det?
MetaGPT er et multi-agent rammeverk hvor rollebaserte agenter (PM, arkitekt, ingeniør, QA) samarbeider for å produsere strukturerte resultater som PRDer, design og kode. Det koordinerer oppgaver, deler kontekst, og lar deg bruke lokale eller skybaserte LLM-er for hver rolle.
Q2: Hvordan installerer og setter jeg opp MetaGPT?
Installer via pip eller fra kildekode, konfigurer LLM-en din (OpenAI, Anthropic eller lokal via Ollama), og sett miljøvariabler for modelltilgang. Definer deretter agenter, opprett et team og kjør oppgaver for å generere artefakter som PRD og kode.
Q3: Kan jeg bruke MetaGPT med lokale LLM-er som DeepSeek eller Llama?
Ja. Med Ollama kan du kjøre modeller som DeepSeek-Coder eller Llama lokalt og peke MetaGPT til lokalt endepunkt. Dette reduserer kostnader og forbedrer personvern for sensitive prosjekter.
Q4: Hva er beste praksis for prompt i MetaGPT?
Bruk strukturerte briefs med mål, brukere, begrensninger, suksesskriterier og leveranser. Gi hver agent et klart mandat og definer utdataformat med skjema (f.eks. JSON/YAML) for å redusere uklarheter.
Q5: Hvordan unngår jeg at agenter går i loop eller produserer lavkvalitetskoder?
Legg inn stegggrenser og godkjenningsporter, påtvungne utdata-skjemaer og bruk spesialiserte modeller per rolle (f.eks. resonneringssterk for arkitekt, kodesterk for ingeniør). Inkluder en Tester/Linter-agent og kjør enhetstester automatisk.