from metagpt import MetaTeam, Agent, Role
from metagpt.llms import LLM
# 1) กำหนด backend ของ LLM
llm = LLM(model_name="gpt-4o-mini") # หรือชี้ไปยังโมเดลท้องถิ่น
# 2) กำหนดเอเจนต์ตามบทบาท
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) สร้างทีมพร้อมหน่วยความจำ/บริบทร่วม
team = MetaTeam(agents=.
---
## การเขียน Prompt ที่หลายเอเจนต์เข้าใจ
MetaGPT จะโดดเด่นเมื่อคุณให้คำสั่งที่มีโครงสร้างและเข้าใจบทบาท คิดเหมือนผู้จัดการที่เขียนบรีฟให้กับผู้เชี่ยวชาญสี่คน
- วัตถุประสงค์: ประโยคสั้นๆ ที่บอกเป้าหมายสุดท้าย
- ผู้ใช้และขอบเขต: ใครได้ประโยชน์และรวมถึง/ไม่รวมอะไรบ้าง
- ข้อจำกัด: กำหนดขอบเขตชัดเจน (เทคโนโลยี, ความหน่วง, ความเป็นส่วนตัว, งบประมาณ)
- ตัวชี้วัดความสำเร็จ: นิยามว่า “ดี” เป็นอย่างไร
- สิ่งที่ต้องส่งมอบ: สิ่งที่จับต้องได้ที่ชัดเจน (PRD, แผนภาพ, การจัดโครงสร้าง repo, เทสต์)
บรีฟตัวอย่าง:
```yaml
objective: สร้าง CLI ด้วย Python ที่อ่าน PDF และสรุปหน้าหนึ่งในรูปแบบ Markdown
users: .
---
## แนวปฏิบัติที่ดีที่สุดเพื่อผลลัพธ์ที่น่าเชื่อถือ
- เริ่มจากขนาดเล็กแล้วขยาย: ตรวจสอบ pipeline ด้วยสเปกน้อยก่อนทำโครงการใหญ่
- บทบาทหนึ่งอย่างมีหน้าที่หนึ่งอย่าง: หลีกเลี่ยงความสับสนจากความรับผิดชอบที่ซ้อนกัน
- ใช้เช็คลิสต์: ให้แต่ละเอเจนต์มีเกณฑ์รับรองผลลัพธ์
- ติดตั้งจุดตรวจสอบ: เพิ่มบทบาทผู้ตรวจสอบหรือหัวหน้าที่อนุมัติหรือคืนงาน
- รักษาโครงสร้างของ prompt: ใช้สคีม่าแบบ YAML/JSON เพื่อผลลัพธ์ที่แม่นยำ
- เก็บรักษาสิ่งประดิษฐ์: บันทึก PRD/ออกแบบ/โค้ดลงดิสก์เพื่อความสามารถติดตามและทำซ้ำ
- ใช้ร่วมระหว่างท้องถิ่น + คลาวด์: ใช้โมเดลท้องถิ่นสำหรับร่าง; ส่งขั้นตอนที่ซับซ้อนไปยังโมเดลคลาวด์ที่มีพลังกว่า
- ข้อจำกัดงบประมาณ: ตั้งขีดจำกัดโทเค็นและตรวจสอบค่าใช้จ่ายในแต่ละขั้น
---
## ตัวอย่างโครงการ: Auto‑PRD สำหรับคำขอฟีเจอร์
เป้าหมาย: แปลงคำขอฟีเจอร์ดิบเป็น PRD ที่ละเอียดพร้อม user stories และ acceptance criteria
ขั้นตอน:
1. การประมวลผลข้อมูลเข้า: ทำคำขอให้อยู่ในรูปแบบปกติและดึงบริบท (บุคคลผู้ใช้, จุดเจ็บปวด)
2. เอเจนต์ PM: ร่าง PRD พร้อมเป้าหมาย, สิ่งที่ไม่ใช่เป้าหมาย, และ KPI
3. เอเจนต์สถาปนิก: เสนอทางแก้พร้อมข้อดีข้อเสีย
4. เอเจนต์ผู้ตรวจสอบ: ตรวจสอบความชัดเจน, ความเสี่ยง, และ dependencies
เหตุผลที่ทำงานได้ดี: การส่งต่อแบบมีโครงสร้างนี้เลียนแบบทีมผลิตภัณฑ์จริงและบังคับให้เกิดความชัดเจน คู่มือ IBM มีตัวอย่างเวิร์กโฟลว์ PRD หลายเอเจนต์ที่ใช้โมเดลท้องถิ่นซึ่งคุณสามารถทำตามได้
---
## ปัญหาทั่วไปและวิธีแก้ไข
- เอเจนต์วนลูปหรือหยุดนิ่ง
- ลดขอบเขตและเพิ่มสิ่งที่ต้องส่งมอบอย่างชัดเจน
- เพิ่มเวลาหมดและจำกัดขั้นตอน; เปิดใช้งานจุดตรวจสอบ
- ผลลัพธ์ยุ่งเหยิงหรือไม่มีโครงสร้าง
- บังคับใช้สคีม่า JSON/YAML; ใช้ prompt พร้อมตัวอย่างรูปแบบ
- เพิ่มเอเจนต์ “Formatter” ที่ทำหน้าที่ปกติผลลัพธ์
- โค้ดคุณภาพต่ำ
- ใช้โมเดลที่เน้นโค้ด (เช่น DeepSeek‑Coder ท้องถิ่น หรือโมเดลคลาวด์ตัวแรง) สำหรับวิศวกร
- เพิ่มเอเจนต์ Tester/Linter; รัน unit test อัตโนมัติ
- ค่าใช้จ่ายสูง
- ใช้โมเดลท้องถิ่นสำหรับร่าง; ส่งไปยังโมเดลระดับพรีเมียมเฉพาะขั้นตอนสุดท้าย
- จำกัดหน้าต่างบริบท; แยกส่วนสิ่งประดิษฐ์และดึงข้อมูลตามต้องการ
- ไม่ตรงกับโมเดล
- ปรับแต่งโมเดลตามบทบาท (เช่น การให้เหตุผล, การเขียนโค้ด, หรือการแก้ไข) และตั้งอุณหภูมิ
ภาพรวมอิสระเน้นจุดแข็งของ MetaGPT ในการสร้างโค้ดและวิธีหลีกเลี่ยงปัญหาด้วย prompt และเครื่องมือที่ดีขึ้น
---
## เจาะลึก: แพทเทิร์นขั้นสูง
- Retrieval‑Augmented Generation (RAG)
- ให้องค์ความรู้ของโครงการ เช่น PRD, การออกแบบ, และโค้ดที่ผ่านมา ให้กับทีม
- ให้ PM/สถาปนิกดึงบริบทที่เกี่ยวข้องก่อนเขียน
- การกระทำแบบ Toolformer
- อนุญาตให้วิศวกรรันคำสั่งเชลล์ สร้างไฟล์ และรันทดสอบ
- โครงการหลายผู้เช่า
- รันหลายทีมพร้อมกันเพื่อสำรวจทางเลือกแบบ A/B
- ควบคุมแบบมีมนุษย์เข้าเกี่ยวข้อง
- ใส่ขั้นตอนอนุมัติ (เช่น PRD → ตรวจสอบโดยมนุษย์ → ดำเนินการต่อ)
- ระบบประเมินผล
- ให้คะแนนอัตโนมัติ (เช่น linting, test coverage, คะแนนความอ่านง่าย) แล้วฟีดกลับไปยังเอเจนต์โค้ช
---
## กรณีใช้งานจริงที่คุณสามารถสร้างสัปดาห์นี้
- การระดมไอเดียสตาร์ทอัพ → PRD → เว็บไซต์ต้นแบบ
- เครื่องมือข้อมูลภายใน มาพร้อม CLI และเอกสาร
- การออกแบบ API พร้อมไลบรารีไคลเอนต์หลากหลายภาษา
- เวิร์กโฟลว์ QA ที่สร้างเทสต์จากตั๋ว Jira
- เครื่องมือสร้างบล็อกเทคนิคพร้อมตัวอย่างโค้ดและแผนภาพ
บทความจากชุมชนแสดงให้เห็นความสามารถของ MetaGPT ในการเปลี่ยนอินพุตน้อยให้เป็นสิ่งประดิษฐ์ที่มีโครงสร้างและคุณภาพสูงได้อย่างรวดเร็ว โดยเฉพาะงานทางด้านวิศวกรรมและผลิตภัณฑ์
---
## แน่นอน: เร่งไอเดียและการวนซ้ำด้วย [Sider.AI](https://sider.ai)
น่าสนใจว่า หากคุณกำลังร่าง prompt, ตรวจสอบสิ่งประดิษฐ์ หรือวนซ้ำสเปก ผู้ช่วยที่หลากหลายอย่าง [Sider.AI](https://sider.ai) สามารถช่วยให้คุณโพรโทไทป์บรีฟ, เปรียบเทียบทางเลือก, และปรับแต่งผลลัพธ์ก่อนส่งต่อให้ MetaGPT โดยเฉพาะอย่างยิ่งดีสำหรับการระดมไอเดีย user stories, acceptance criteria, และ test cases ที่เอเจนต์ของคุณสามารถใช้ได้ ลองสำรวจ [Sider.AI](https://sider.ai) ได้ที่ https://sider.ai./
---
## แผนปฏิบัติการ: 60 นาทีถัดไปของคุณ
- 10 นาที: ติดตั้ง MetaGPT และตั้งค่า LLM ของคุณ (ท้องถิ่นหรือคลาวด์)
- 15 นาที: สร้างทีม 4 บทบาท (PM, สถาปนิก, วิศวกร, QA) และรันโครงการเล็กๆ
- 15 นาที: เพิ่มสคีม่าสำหรับ PRD/ออกแบบ และจุดตรวจสอบ Reviewer
- 20 นาที: เปลี่ยนโมเดลตามบทบาท; เพิ่มเครื่องมือรันเทสต์สำหรับวิศวกร/QA
ส่งมอบสิ่งประดิษฐ์ชิ้นแรกวันนี้ ทำซ้ำในวันพรุ่งนี้
---
## ประเด็นสำคัญ
- MetaGPT ช่วยให้คุณสคริปต์ทีมเอเจนต์เฉพาะด้านที่ทำงานร่วมกันบนงานที่ซับซ้อนได้
- ความสำเร็จขึ้นกับ prompt ที่มีโครงสร้าง, ผลลัพธ์ที่ชัดเจน, และจุดตรวจสอบ
- ผสมผสานโมเดลท้องถิ่นและคลาวด์เพื่อบาลานซ์ค่าใช้จ่าย, ความเป็นส่วนตัว, และคุณภาพ
- เริ่มจาก pipeline เล็กๆ (PRD → ออกแบบ → โค้ด → ทดสอบ) แล้วขยายสู่เครื่องมือที่ซับซ้อนและการกำกับดูแล
สำหรับบริบทเพิ่มเติมและตัวอย่างฝึกปฏิบัติ ดูคำแนะนำและบทเรียนเหล่านี้
### คำถามที่พบบ่อย
Q1: MetaGPT คืออะไร และทำงานอย่างไร?
MetaGPT คือเฟรมเวิร์กแบบหลายเอเจนต์ที่เอเจนต์ตามบทบาท (PM, สถาปนิก, วิศวกร, QA) ร่วมมือกันสร้างผลลัพธ์ที่มีโครงสร้าง เช่น PRD, การออกแบบ และโค้ด โดยจัดการงาน ประสานบริบท และเปิดโอกาสให้คุณเลือกใช้ LLM ท้องถิ่นหรือคลาวด์สำหรับแต่ละบทบาท
Q2: ฉันจะติดตั้งและตั้งค่า MetaGPT ได้อย่างไร?
ติดตั้งผ่าน pip หรือจากซอร์สโค้ด, ตั้งค่า LLM ของคุณ (OpenAI, Anthropic หรือท้องถิ่นผ่าน Ollama), และกำหนดตัวแปรสภาพแวดล้อมสำหรับการเข้าถึงโมเดล จากนั้นกำหนดเอเจนต์ สร้างทีม และรันงานเพื่อสร้างสิ่งประดิษฐ์เช่น PRD และโค้ด
Q3: ฉันใช้ MetaGPT กับ LLM ท้องถิ่นอย่าง DeepSeek หรือ Llama ได้ไหม?
ได้ โดยใช้ Ollama คุณสามารถรันโมเดลเช่น DeepSeek‑Coder หรือ Llama ท้องถิ่นและชี้ MetaGPT ไปยัง endpoint ท้องถิ่น วิธีนี้ช่วยลดค่าใช้จ่ายและเพิ่มความเป็นส่วนตัวสำหรับโครงการที่มีข้อมูลเซนซิทีฟ
Q4: แนวทางปฏิบัติที่ดีที่สุดสำหรับ prompt ใน MetaGPT คืออะไร?
ใช้บรีฟแบบมีโครงสร้างที่มีวัตถุประสงค์, ผู้ใช้, ข้อจำกัด, ตัวชี้วัดความสำเร็จ, และสิ่งที่ต้องส่งมอบ กำหนดมอบหมายงานที่ชัดเจนให้แต่ละเอเจนต์ และใช้รูปแบบผลลัพธ์ตามสคีม่า (เช่น JSON/YAML) เพื่อลดความกำกวม
Q5: ฉันจะป้องกันไม่ให้เอเจนต์วนลูปหรือสร้างโค้ดคุณภาพต่ำได้อย่างไร?
เพิ่มจำกัดขั้นตอนและจุดตรวจสอบ, บังคับใช้สคีม่าในการออกผลลัพธ์, ใช้โมเดลเฉพาะสำหรับแต่ละบทบาท (เช่น โมเดลที่เน้นเหตุผลสำหรับสถาปนิก, โมเดลเน้นโค้ดสำหรับวิศวกร) รวมถึงเพิ่มเอเจนต์ Tester/Linter และรัน unit test อัตโนมัติ
}