在 AI 产品爆炸的今天，拥有各种本领的 AI 产品层出不穷，但 MetaGPT 的出现仍然显的格外耀眼，其可以实现只输入单一 prompt，就可以输出需求分析、需求文档、技术架构、最终代码等等产物，这相当于一个开发团队的输出成果，为何 MetaGPT 拥有此等本事，且听我娓娓道来。
MetaGPT 是一个多代理协同的元编程框架（META PROGRAMMING FOR MULTI-AGENT COLLABORATIVE FRAMEWORK），读起来感觉有些拗口？
那你需要首先了解一下什么是多代理的语言模型，这里先容我讲一个故事:
想必大家都用过 ChatGPT 或者和它类似的生成式 AI 程序，他就像一个知识丰富的老者，每当你向他进行提问时，或者换句话说向他输入一个 prompt 时，他都会用他渊博的知识对你进行解答，让我们带入一个场景，某一天你想让 ChatGPT 给你生成一份低脂健康菜谱，当你输入相应的提示词时，它给你返回了所需要的食材，但你突然发现有一道菜你不会做，这时，你又需要问它关于这道菜的制作流程，等你知道这道菜的制作流程后，你突然发现有一个食材你不知道哪里有卖，这时你还需要查找该食材的购买方法… …
看到这里，想必聪明的你一定想到了，既然 AI 懂得这么多，为什么还需要一次又一次的进行询问呢？它自己应该可以分饰多个角色，可以既是一个营养师，也是一个大厨，还可以是一个采购专家，而我们只需要提出一个需求，这些 AI 角色就可以各司其职帮我解决问题。
没错！这就是拥有多个代理的语言模型，像营养师、大厨、采购专家，它们就是一个个的代理，它们经过专属领域知识的训练，是各自领域的专家，重要的是他们之间懂得协作，可以合作解决问题。这就是 MetaGPT 要做的事情，只不过它专攻的是软件领域，培养的专家是产品经理，项目经理，架构师和开发工程师，就和现实的软件公司一样，他想通过这些 AI 专家来干掉软件公司！
说了这么多，接下来我们来了解一下 MetaGPT 是如何实现多代理间的协同的：
MetaGPT 的框架主要分为两个层级，分别是 基础组件层（Foundation Components Layer），协同层（Collaborations Layer），让我们对这两个层级分别进行介绍：
基础组件层（Foundation Components Layer）：基础组件，顾名思义，其是为上层提供基础能力的，包括 AI 代理的角色设置，代理角色可以执行的动作，代理角色们所处的环境以及共享的记忆等
协同层（Collaborations Layer）是 MetaGPT 的核心功能所在，包含其两大法宝分别为 封装工作流程（Encapsulating Workflows），知识共享（Knowledge Sharing）。
-
封装工作流程（Encapsulating Workflows）：
工作流是人们对从事工作协同的总结和提炼，是来自人类社会的智慧，我们可以将总结和提炼出的流程称作标准化操作流程（Standardized Operating Procedures），简称 SOPs。
对于标准化操作流程来说，我们需要关心的是任务拆解包含哪些流程，由哪些角色参与了流程，以及每一步流程的标准化输出是什么。
-
知识共享（Knowledge Sharing）：
可以理解为不同角色间存在着一个消息中心，他就像是这些角色的司令，在统领着他们，把控整个流程。
它负责实现不同角色的消息传递，并且也负责通知在当前流程轮到那个角色需要干活了。
在 MetaGPT 中每一个角色就相当于一个 AI 代理，你需要填写它的名称，职业，目标，以及对它的约束条件，角色构建完成后就会根据 SOPs 给它分配到相应的流程中，就可以让它开始上班了！
那么 MetaGPT 中软件开发的 SOPs 是什么样的呢？
对于用户输入的需求，首先由产品经理角色进行处理，该角色的标准化输出包括 ：
-
产品目标
-
用户故事
-
竟品分析
-
需求分析
-
需求池
这些标准化的输出内容会进入共享知识库，从而让下一节点的角色可以学习。接下来由架构师的角色进行架构设计，该角色的标准化输出包括：
-
程序调用图（时序图，类图）
-
程序文件列表
紧接着就由项目经理进行项目分析，该角色的标准化输出包括：
-
任务分析
-
任务列表
-
逻辑分析（即每个文件的作用）
完成角色的标准化输出后，就可以由工程师进行开发，这时，该角色的标准化输出为每一个文件的代码内容。最后一个步骤则是 QA 环节，测试工程师会 review 每一个文件的代码，最终输出程序代码本体。
从上述流程来看， MetaGPT 相当还原一个标准的程序开发流程，通过该流程串联其每一个 AI 代理角色进行工作，简直就像是一个程序生成车间！
说到这里你有没有很心动，也想试用一下 MetaGPT，当然没问题，MetaGPT 是完全开源的，你可以在Github Repo上来访问其使用方法，这里我只做一个简单的介绍
-
确保在你的环境中存在 node 和 npm，并且使用 npm 安装 mermaid-cli :
sudo npm install -g @mermaid-js/mermaid-cli-
确保你的环境中存在 python，并且版本为 v3.9;
-
克隆 MetaGPT 到本地服务器托管网，并且安装依赖:
git clone https://github.com/geekan/metagptcd metagptpip install -e.
-
设置你的 AI token，通常使用 ChatGPT 4.0 API token :
// config/config.yamlOPENAI_API_KEY: "your-openai-token"
-
现在你就可以尝试输入你的 prompt :
# Run the scriptpython startup.py "Write a cli snake game"
运行后代码以及相应的设计文件会生成在 workspace 目录下，接着就可以运行生成后的代码:
# workspace/your-projectpython main.py
就现阶段来说，MetaGPT还远远不能替换掉软件公司，因为软件开发是一个不断迭代改进的过程，而只通过一句话的 prompt 还是远远不能生成一个完整的软件，其还需要增加更多可以对程序进行设计的节点，例如反复的需求讨论，以及增加 ui 设计，数据库设计等流程，AI 自动化的程序设计还有很长的路要走。
但它的出现也向我们传递了一个信号，即：这是一个程序开发走向工业化的时代，而像 MetaGPT 这样的多代理协同编程框架必然将如同蒸汽机一样，带领我们打开新时代的大门。
那么，如何在变化中求生存，如何在颠覆中找到新风口呢？鼎道智联一直在探索新兴科技技术，并且，DingOS 智能操作系统也正在探索利用这些新兴技术，来实现“助天下人尽享智能物联服务”。如果你也认可我们的想法，欢迎关注我们加入鼎道生态~
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
相关推荐: 【2023云栖】大模型驱动DataWorks数据开发治理平台智能化升级
从数据到大模型应用，11 月 25 日，杭州源创会，共享开发小技巧 随着大模型掀起AI技术革新浪潮，大数据也进入了与AI深度结合的创新时期。2023年云栖大会上，阿里云DataWorks产品负责人田奇铣发布了DataWorks Copilot、DataWork…
