from metagpt import MetaTeam, Agent, Role
from metagpt.llms import LLM
# 1) Defina o backend LLM
llm = LLM(model_name="gpt-4o-mini") # ou aponte para modelo local
# 2) Defina agentes específicos por papel
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) Crie uma equipe com memória/contexto compartilhado
team = MetaTeam(agents=.
---
## Escrevendo Prompts que Multi‑Agentes Entendem
MetaGPT brilha quando você fornece instruções estruturadas e conscientes dos papéis. Pense como um gerente escrevendo um briefing para quatro especialistas.
- Objetivo: Uma frase declarando o resultado final.
- Usuários e Escopo: Quem se beneficia e o que está incluído/excluído.
- Restrições: Limites claros (stack, latência, privacidade, orçamento).
- Métricas de Sucesso: Como será o “bom”.
- Entregáveis: Artefatos explícitos (PRD, diagrama, estrutura de repositório, testes).
Exemplo de briefing:
```yaml
objective: Construir um CLI em Python que leia um PDF e produza um resumo de 1 página em Markdown.
users: .
---
## Melhores Práticas para Resultados Confiáveis
- Comece pequeno, depois escale: Valide o pipeline em uma especificação mínima antes de projetos grandes.
- Um papel, um mandato: Evite responsabilidades sobrepostas para reduzir confusão.
- Use checklists: Dê a cada agente uma rubrica (critérios de aceitação) para sua saída.
- Revisões de controle: Adicione papel de Revisor/Líder que aprova ou devolve o trabalho.
- Mantenha prompts estruturados: Esquemas YAML/JSON tornam as saídas mais determinísticas.
- Persista artefatos: Salve PRD/design/código em disco para rastreabilidade e reexecuções.
- Combine local + nuvem: Use modelos locais para rascunhos; escale etapas complexas para um modelo mais potente na nuvem.
- Restrições de orçamento: Defina limites de tokens e verificação de custos para cada etapa.
---
## Projeto de Exemplo: Auto‑PRD para Solicitações de Funcionalidade
Objetivo: Converter uma solicitação de funcionalidade bruta em um PRD polido com histórias de usuários e critérios de aceitação.
Fluxo:
1. Análise de entrada: Normalizar a solicitação e extrair contexto (persona do usuário, dores).
2. Agente PM: Rascunha PRD com metas, não metas, KPIs.
3. Agente Arquiteto: Propõe opções de solução com prós/contras.
4. Agente Revisor: Garante que clareza, riscos e dependências estejam documentados.
Por que funciona: A passagem estruturada espelha equipes reais de produto e força clareza. O guia da IBM explora um fluxo similar de PRD multiagente com modelos locais que você pode replicar.
---
## Solução de Problemas Comuns
- Agentes em loop ou travados
- Reduza escopo e adicione entregáveis explícitos.
- Adicione timeouts e limites de passos; habilite revisões obrigatórias.
- Saídas confusas ou não estruturadas
- Imponha esquemas com JSON/YAML; use exemplos nos prompts.
- Acrescente um agente “Formatador” cuja única função é normalizar saídas.
- Código de baixa qualidade
- Use modelo forte em código (ex.: DeepSeek-Coder localmente ou um modelo top na nuvem) para o Engenheiro.
- Adicione um agente Testador/Linter; execute testes unitários automaticamente.
- Altos custos
- Use modelos locais para rascunhos; só suba para LLMs premium no refinamento final.
- Limite janelas de contexto; quebre artefatos e recupere conforme necessário.
- Incompatibilidade de modelo
- Faça ajustes por papel (raciocínio vs codificação vs edição) e configurações de temperatura.
Visões independentes destacam a força do MetaGPT em geração de código e como evitar armadilhas com prompts melhores e ferramentas auxiliares.
---
## Indo Mais Fundo: Padrões Avançados
- Geração Aumentada por Recuperação (RAG)
- Alimente sua equipe com uma “base de conhecimento” de projetos anteriores: PRDs, designs e código.
- Permita que PM/Arquiteto recuperem contexto relevante antes de escrever.
- Ações estilo Toolformer
- Permita que o Engenheiro execute comandos shell, crie arquivos e rode testes.
- Projetos multi-inquilino
- Execute várias equipes em paralelo para exploração A/B de soluções.
- Controles com humano no loop
- Insira passos de aprovação (ex.: PRD → revisão humana → continuação).
- Sistema de avaliação
- Autoavalie saídas (ex.: linting, cobertura de testes, scores de legibilidade) e envie resultados para um agente Coach.
---
## Casos Reais para Você Construir Esta Semana
- Ideação de startup → PRD → protótipo de website
- Ferramenta interna de dados com CLI e documentação
- Design de API com bibliotecas cliente em várias linguagens
- Pipeline de QA que gera testes a partir de tickets Jira
- Gerador de blog técnico com exemplos de código e diagramas
Textos da comunidade mostram como MetaGPT transforma entradas mínimas em artefatos estruturados e de alta qualidade rapidamente, especialmente para engenharia e produto.
---
## Aproveitando: Acelere a Ideação e Iteração com [Sider.AI](https://sider.ai)
Importante notar: se você está redigindo prompts, revisando artefatos ou iterando especificações, um assistente versátil como [Sider.AI](https://sider.ai) pode ajudar a prototipar briefings, comparar alternativas e refinar saídas antes de passar para o MetaGPT. É especialmente útil para brainstormings de histórias de usuário, critérios de aceitação e casos de teste que seus agentes possam consumir. Explore [Sider.AI](https://sider.ai) em https://sider.ai./
---
## Plano de Ação: Suas Próximas 60 Minutos
- 10 min: Instale MetaGPT e configure seu LLM (local ou nuvem).
- 15 min: Crie uma equipe com 4 papéis (PM, Arquiteto, Engenheiro, QA) e execute um projeto pequeno.
- 15 min: Adicione esquemas para PRD/design e um gate de Revisor.
- 20 min: Troque modelos por papel; adicione uma ferramenta de execução de testes para Engenheiro/QA.
Entregue seu primeiro artefato hoje. Itere amanhã.
---
## Principais Conclusões
- MetaGPT permite que você script uma equipe de agentes especializados que trabalham juntos em tarefas complexas.
- O sucesso depende de prompts estruturados, entregáveis claros e etapas de revisão.
- Combine modelos locais e na nuvem para equilibrar custo, privacidade e qualidade.
- Comece com pipelines pequenos (PRD → design → código → testes) e depois escale para ferramentas e governança mais robustas.
Para contexto adicional e exemplos práticos, veja esses guias e tutoriais.
### FAQ
Q1: O que é MetaGPT e como funciona?
MetaGPT é uma estrutura multiagente onde agentes baseados em papéis (PM, Arquiteto, Engenheiro, QA) colaboram para produzir saídas estruturadas como PRDs, designs e código. Ele coordena tarefas, compartilha contexto e permite conectar LLMs locais ou na nuvem para cada papel.
Q2: Como instalo e configuro o MetaGPT?
Instale via pip ou do código-fonte, configure seu LLM (OpenAI, Anthropic ou local via Ollama) e defina variáveis de ambiente para acesso ao modelo. Depois defina os agentes, crie uma equipe e execute uma tarefa para gerar artefatos como PRDs e código.
Q3: Posso usar MetaGPT com LLMs locais como DeepSeek ou Llama?
Sim. Usando Ollama, você pode rodar modelos como DeepSeek-Coder ou Llama localmente e apontar MetaGPT para o endpoint local. Isso reduz custos e melhora a privacidade para projetos sensíveis.
Q4: Quais são as melhores práticas para prompts no MetaGPT?
Use briefings estruturados com objetivos, usuários, restrições, métricas de sucesso e entregáveis. Atribua a cada agente um mandato claro e forneça formatos de saída baseados em esquema (ex.: JSON/YAML) para reduzir ambiguidades.
Q5: Como evitar que agentes entrem em loop ou gerem código de baixa qualidade?
Adicione limites de passos e revisões, imponha esquemas de saída e use modelos especializados por papel (ex.: forte em raciocínio para Arquiteto, forte em código para Engenheiro). Inclua um agente Testador/Linter e execute testes unitários automaticamente.