使用MetaGPT 创建智能体（2）多智能体

于 2025-04-18 17:35:40 发布
阅读量972 收藏 29
点赞数 21
文章标签： 人工智能 大模型 智能体
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lihao1107156171/article/details/147337437
版权

在这里插入图片描述

先给上个文章使用MetaGPT 创建智能体（1）入门打个补丁：

补丁1： MeteGTP中Role和Action的关联和区别？这是这两天再使用MetaGPT时候心中的疑问，这里做个记录

Role（角色）和 Action（动作）是MetaGPT中的两个重要概念和对象，Role顾名思义也就是角色，这Role子类中表示一个独立的功能模块，一个Role里面调用多个Action；Action（动作）具体任务中的最小操作单元。

举个例子的话就是，一个讲师（Role），如果要讲课的话就需要备课（Action），开始讲课（Action），上课期间还有提问（Action），最后由多个讲师（Role）来完成整个学生上课的这个功能。

补丁2： 安装volcengine-python-sdk[ark]~=1.0.94报错

Could not build wheels for volcengine-python-sdk, which is required to install pyproject.toml-based projects

由于 Windows 系统有最长路径限制，导致安装失败，按照以下方式设置：

  1. 按下 Win+R ，输入 regedit 打开注册表编辑器。

  2. 设置 \HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem 路径下的变量 LongPathsEnabled 为 1

再蹭个热度：

deepseek前段时间爆火，这里写个怎么在MetaGPT中使用deepseek（本地启动版），使用的话也很方便，第一启动ollama里面的deepseek模型，打开控制台，输入

ollama run deepseek-r1

等待模型下载运行就好，修改config2.yaml配置文件

llm:
  api_type: "ollama"  # or azure / ollama / groq etc.
  model: "deepseek-r1"  # or gpt-3.5-turbo
  base_url: "http://localhost:11434/api"  # or forward url / other llm url
  api_key: "ollama"

然后就可以使用了，有一说一确实不错。

正文

多智能体指的就是创建多个智能体去进行执行任务，这也是实际业务中的常用处理。

多个智能体的使用大致3步，

1、定义多个Role，Action

2、Role中定义_watch监听相关Action

3、使用Team对象加入多个Role启动

在 MetaGPT 多智能体框架中，Team 对象是协调和管理多个智能体（Agent）协作的核心组件。它的作用类似于一个“虚拟团队”，负责组织智能体之间的交互、任务分配、通信协调，以及整体协作流程的控制。

Team 的核心作用

  1. 多智能体协作的容器
    Team 作为多个智能体的容器，集中管理智能体的生命周期（创建、销毁）、状态监控和资源分配。
  2. 任务分配与调度
    将复杂任务拆解为子任务，并根据智能体的角色（Role）和能力（Skill）动态分配任务，确保高效协作。
  3. 通信与协调
    管理智能体之间的通信（如消息传递、事件触发），避免冲突并确保信息同步。例如，在自动化客服系统中，协调“用户意图识别”和“工单生成”两个智能体的协作。
  4. 环境管理
    提供共享的上下文环境（如全局数据、知识库），使智能体可以访问统一的信息源，避免重复计算或数据不一致。
  5. 容错与恢复
    监控智能体运行状态，处理异常（如任务超时、逻辑错误），并触发恢复机制（如重试任务、切换备用智能体）。

代码

创建Role1和对应的Action1，第一个Role需要接收用户传来的指令，所以_watch监听用户UserRequirement消息，因为需要具体操作所以也不用重写_act函数（全部代码在最下面）

def parse_code(rsp):
    # r 定义原始字符串，忽略其中的所有转义字符
    pattern = r"```python(.*)```"
    match = re.search(pattern, rsp, re.DOTALL)
    code_text = match.group(1) if match else rsp
    return code_text

class Action1(Action):
    name:str = "Action1"
    PROMPT_TEMPLATE:str = """ 编写一个python函数，可以 {instruction} """

    async def run(self, instruction: str):
        prompt = self.PROMPT_TEMPLATE.format(instruction=instruction)

        # 令 LLM 赋予这个动作能力
        rsp = await self._aask(prompt)
        # 解析返回内容
        code_text = parse_code(rsp)

        return code_text

# 角色
class Role1(Role):
    name:str = "Role1"
    profile:str = "Role1"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self._watch([UserRequirement])  # 监听来自用户或其他智能体的重要上游消息
        self.set_actions([Action1])

编写Role2和Action2，因为需要等待Action的执行内容，所以_watch监听Action1

class Action2(Action):
    name:str = "Action2"
    PROMPT_TEMPLATE:str = """ 
        上下文：｛context｝ 
        假设您已导入给定函数，则使用pytest为其编写{k}个单元测试。 
    """

    async def run(self, context: str, k:int=3):
        prompt = self.PROMPT_TEMPLATE.format(context=context, k=k)

        rsp = await self._aask(prompt)
        code_text = parse_code(rsp)

        return code_text

class Role2(Role):
    name:str = "Role2"
    profile:str = "Role2"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.set_actions([Action2])
        self._watch([Action1])  # 监听来自用户或其他智能体的重要上游消息

    async def _act(self) -> Message:
        todo = self.rc.todo
        context = self.get_memories() # 查找消息

        code_text = await todo.run(context, k=5) # 这里开始执行Action2的处理
        # role 消息角色
        # cause_by 专门用于追踪消息的触发来源，建立消息与动作（Action）之间的关联
        msg = Message(content=code_text, role=self.profile, cause_by=type(todo))

        return msg

最后Role3，Action3，监听Action2，监听是可以监听多个Action的

class Action3(Action):
    name:str = "Action3"
    PROMPT_TEMPLATE:str = """ 
        上下文：｛context｝ 
        审查测试用例并提供一条关键意见： 
    """

    async def run(self, context: str):
        prompt = self.PROMPT_TEMPLATE.format(context=context)
        rsp = await self._aask(prompt)
        return rsp

class Role3(Role):
    name:str = "Role3"
    profile:str = "Role3"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.set_actions([Action3])
        self._watch([Action2])

最后是运行，运行时创建Team对象，添加角色，然后运行

# 运行函数
async def main(idea:str,
               investment:float,
               n_round:int):
    # MetaGPT中的团队
    team = Team()
    # 添加角色
    team.hire([
        Role1(),
        Role2(),
        Role3()
    ])
    # 注入资源 invest 属性用于设定或表示团队对某个任务或目标的资源投入程度
    team.invest(investment=investment)
    team.run_project(idea) # 启动团队协作流程
    await team.run(n_round=n_round)

if __name__ == '__main__':
    asyncio.run(main('计算列表乘积的函数', 3.0, 3))

三个智能体

Role1，执行Action1，监听用户输入；

Role2，监听Action1，执行Action2；

Role3，监听Action2，执行Action3；

这就是多个智能体的合作使用，重点总结的话就是，监听_watch其他人，Team运行。

最后是全部代码

import asyncio
import re

from metagpt.actions import Action, UserRequirement
from metagpt.roles import Role
from metagpt.schema import Message
from metagpt.team import Team


# 多个智能体案例
def parse_code(rsp):
    # r 定义原始字符串，忽略其中的所有转义字符
    pattern = r"```python(.*)```"
    match = re.search(pattern, rsp, re.DOTALL)
    code_text = match.group(1) if match else rsp
    return code_text

class Action1(Action):
    name:str = "Action1"
    PROMPT_TEMPLATE:str = """ 编写一个python函数，可以 {instruction} """

    async def run(self, instruction: str):
        prompt = self.PROMPT_TEMPLATE.format(instruction=instruction)

        # 令 LLM 赋予这个动作能力
        rsp = await self._aask(prompt)
        # 解析返回内容
        code_text = parse_code(rsp)

        return code_text

# 角色
class Role1(Role):
    name:str = "Role1"
    profile:str = "Role1"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self._watch([UserRequirement])  # 监听来自用户或其他智能体的重要上游消息
        self.set_actions([Action1])

class Action2(Action):
    name:str = "Action2"
    PROMPT_TEMPLATE:str = """ 
        上下文：｛context｝ 
        假设您已导入给定函数，则使用pytest为其编写{k}个单元测试。 
    """

    async def run(self, context: str, k:int=3):
        prompt = self.PROMPT_TEMPLATE.format(context=context, k=k)

        rsp = await self._aask(prompt)
        code_text = parse_code(rsp)

        return code_text

class Role2(Role):
    name:str = "Role2"
    profile:str = "Role2"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.set_actions([Action2])
        self._watch([Action1])  # 监听来自用户或其他智能体的重要上游消息

    async def _act(self) -> Message:
        todo = self.rc.todo
        context = self.get_memories() # 查找消息

        code_text = await todo.run(context, k=5) # 这里开始执行Action2的处理
        # role 消息角色
        # cause_by 专门用于追踪消息的触发来源，建立消息与动作（Action）之间的关联
        msg = Message(content=code_text, role=self.profile, cause_by=type(todo))

        return msg

class Action3(Action):
    name:str = "Action3"
    PROMPT_TEMPLATE:str = """ 
        上下文：｛context｝ 
        审查测试用例并提供一条关键意见： 
    """

    async def run(self, context: str):
        prompt = self.PROMPT_TEMPLATE.format(context=context)
        rsp = await self._aask(prompt)
        return rsp

class Role3(Role):
    name:str = "Role3"
    profile:str = "Role3"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.set_actions([Action3])
        self._watch([Action2])


# 运行函数
async def main(idea:str,
               investment:float,
               n_round:int):
    # MetaGPT中的团队
    team = Team()
    # 添加角色
    team.hire([
        Role1(),
        Role2(),
        Role3()
    ])
    # 注入资源，invest 属性用于设定或表示团队对某个任务或目标的资源投入程度
    team.invest(investment=investment)
    team.run_project(idea) # 启动团队协作流程
    await team.run(n_round=n_round)



if __name__ == '__main__':
    # fire.Fire(main) 快速将 Python 对象（如函数、类、模块）转换为命令行接口（CLI）
    # main('编写一个计算列表乘积的函数', 3.0, 5)
    asyncio.run(main('计算列表乘积的函数', 2.0, 3))
【AI Agent系列】【MetaGPT多智能体学习】8. MetaGPT多智能体进阶练习 - 使用MetaGPT重构BabyAGI
同学小张的博客
03-06 1519
本文我们利用MetaGPT的多智能体实现框架，重构一遍 BabyAGI。从本文你可以更加了解MetaGPT的多智能体间的交互机制与数据流程。
MetaGPT 的核心概念：智能体与多智能体系统
步子哥的博客
06-19 509
MetaGPT 提供了一个框架，可以帮助你创建智能体并定义它们之间的交互关系。通过理解智能体和多智能体系统的概念，你可以更好地理解 MetaGPT 的工作原理，并构建更加复杂和智能的 AI 应用。进一步学习Agent 101MetaGPT 论文。
MetaGPT使用总结
金闪闪_Li的博客
11-12 3632
MetaGPT是基于ChatGPT的一个AI Agent应用，这个应用将LLM组成一个软件开发公司，并在公司中设置了老板、产品经理、架构师、项目经理、研发工程师、测试工程师等角色。用户只需输入一句话，告诉MetaGPT想要开发一个什么样的软件，它就会提供一个软件开发的全过程的标准作业程序（SOP），开发出一个可以直接运行的软件，还可以自动生成文档，开发可视化界面等功能
MetaGPT：文本转应用AI简化Web开发
everydaynews的博客
08-08 478
MetaGPT，一款全新的文本转应用生成器，在GitHub上引起了极大的关注。这款工具易于使用，用户可以在几分钟内构建Web应用程序。MetaGPT是在持续的生成式AI浪潮中于今年夏天发布的，已经在GitHub上获得了超过12,000颗星。这个工具由ChatGPT API提供支持，由构建文本转应用平台Pico的团队开发。MetaGPT与Pico不同，Pico无法访问ChatGPT API。MetaGPT构建微应用程序——专为特定任务或用例设计的应用程序。
MetaGPT 项目使用教程
gitblog_00324的博客
08-08 685
MetaGPT 项目使用教程 MetaGPT???? 多智能体框架：基于一行需求描述，生成产品需求文档（PRD）、设计、任务列表及代码仓库。项目地址:https://gitcode.com/gh_mirrors/me/MetaGPT 1. 项目的目录结构及介绍 MetaGPT 项目的目录结构如下： MetaGPT/ ├── config/ │ ├── config.yaml │ └── ......
使用MetaGPT 创建智能体（1）入门
最新发布
洒家
04-03 1240
智能体的创建运行
MetaGPT实践——一个简单的多任务Agent （BY_ORDER）
weixin_44880690的博客
05-17 1297
*此处的self.get_memories(k=1)[0]，是获取Role的最近的一条记忆，也就是带有用户下达的需求的那条Message。如果让SimpleCoder拥有运行python代码的能力，加上写好的测试用例，就可以验证自己写的代码是否正确了。_observe（观察，获取外部输入的信息，也即{action: action的输出}，将其和历史的query一起生成新的query作为智能体的新的输入“QUERY”，进入一个新的循环，直到行动输出正确的结果。新创建的进程与当前程序的进程相互独立，通过。
【大语言模型系列】利用MetaGPT框架自动开发一个游戏软件（完整教程）
数据杂坛
11-16 735
利用MetaGPT框架自动开发一个游戏软件（附完整教程）
【AI Agent系列】【MetaGPT多智能体学习】3. 开发一个简单的多智能体系统，兼看MetaGPT多智能体运行机制
同学小张的博客
02-29 2397
利用MetaGPT开发一个简单的多智能体系统，深入源码理解其背后的多智能体运行机制及支撑多智能体运行的关键组件。
模型智能体开发之metagpt-多智能体实践
冷萃美式的博客
05-01 1921
参照单智能体的测试case。
MetaGPT 智能体 101：打造你的第一个 AI 智能体
步子哥的博客
06-19 1078
在 MetaGPT 中，Action类是动作的抽象表示。你可以使用 LLM 来增强Action，只需调用self._aask函数即可。例如，我们想创建一个名为import reyour code:"""这段代码定义了一个名为的类，它继承自Action类。该类包含一个属性，用于定义提示词模板。run方法接受一个自然语言描述，并使用提示词模板生成一个提示词，然后调用_aask函数向 LLM 发送请求，并返回代码文本。在 MetaGPT 中，Role类是智能体的抽象表示。
MetaGPT入门（一）
01-16 2368
打开Anaconda Powershell Prompt命令窗口，输入下面命令，创建3.10版本的python解释器。3.安装metagpt，输入下面命令，以指定源形式，安装特定版本的metagpt。没有openai，练习用，国内api也行啊，用智谱的吧，一个月 有效，够练习的了。5、开始练习吧，按照第3章，编写实现一个单动作Agent。数量正好对上，本次练习完成，接着练习其他的吧！2.切换到创建的metagpt虚拟环境。本文在Win11操作系统下进行。虽然报错了，但是运行成功了。代码含义见上面开发文档。
【AI Agent教程】【MetaGPT】案例拆解：使用MetaGPT实现“狼人杀“游戏（2）- 整体流程解析中再看多智能体消息交互通路
同学小张的博客
04-27 1724
本文我们从游戏入口函数开始，详细过了一遍这个游戏的执行过程，各个角色之间怎么进行消息传递，怎么限制角色的发言，怎么限制角色的消息接收，怎么指定让角色发言
MetaGPT全面安装与配置指南
全世界的博客
06-27 5673
智能体（Agent）是指在计算机系统中能够独立执行任务的实体。智能体通常具备自主性、反应性、主动性和社交性等特征。在人工智能领域，智能体可以是一个软件程序，能够感知环境、做出决策并执行动作。智能体的概念广泛应用于各种领域，如机器人学、多智能体系统、人工智能等。感知：智能体能够从环境中获取信息。决策：基于感知到的信息，智能体能够做出决策。执行：智能体能够执行决策，对环境产生影响。智能体的应用范围非常广泛，从简单的自动化任务到复杂的人工智能系统，都可以看到智能体的身影。
如何用MetaGPT帮你写一个贪吃蛇的小游戏项目
【叫我姜同学】的个人博客
01-14 2350
MetaGPT是基于大型语言模型(LLMs)的多智能体写作框架，目前在Github开源，其Start数量也是比较高的，是一款非常不错的开源框架。下面将带你进入MetaGPT的大门，开启MetaGPT的体验之旅。首先是入门教程，如何安装及使用MetaGPT。
MetaGPT从0开始完成了一个小游戏程序？还能输出PRD/设计文档等材料！？
DeepWisdom的博客
07-07 816
周一，MetaGPT项目正式在Github上开源发布。不到一周，已经引来众多小伙伴的关注。项目交流群内已经有人用MetaGPT生成了曾经爆火的小游戏！
【MetaGPT系列】【MetaGPT完全实践宝典——如何定义单一行为&多行为Agent】
艰难困苦，玉汝于成。
07-22 2223
智能体：可以像人一样思考、计划拥有记忆甚至是情感，具备与环境、其他智能体以及和人类互动的能力，用公式来讲的话，智能体=大语言模型LLM+观察+思考+行动+记忆（使用LLM来构建Agent超酷的好吗！！！🎇）
metagpt框架学习 使用ai一键生成故事的插图
m0_74280155的博客
02-21 769
个人学习的笔记,简单的小程序,使用metagpt框架生成一个故事的插图。
MetaGPT多智能体小白入门教程-1
m0_46387163的博客
02-27 1019
MetaGPT多智能体入门学习
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值