> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-ru/platformy-i-agenty-ii/metagpt.md).

# Компания ИИ MetaGPT

Разверните MetaGPT на Clore.ai — запустите полностью автономную многоагентную компанию по разработке ИИ на доступных GPU-облачных серверах, чтобы генерировать полные кодовые базы, PRD, архитектурные проекты и QA-тесты из одного

## Обзор

[MetaGPT](https://github.com/geekan/MetaGPT) — это многоагентный ИИ-фреймворк, который имитирует **софтверную компанию** — со всеми агентами: Product Manager, Architect, Engineer и QA Engineer — которые совместно превращают идею в одну фразу в полностью функциональный программный проект. Имея более 45 тыс. звёзд на GitHub, MetaGPT — один из самых инновационных подходов к разработке ПО с использованием ИИ.

В отличие от одного агента для программирования, MetaGPT отражает реальные рабочие процессы команды. Когда вы даёте ему задачу вроде «Создайте игру Snake на Python», он:

1. **Product Manager** — Пишет документ с требованиями к продукту (PRD)
2. **Architect** — Проектирует архитектуру системы и технологический стек
3. **Project Manager** — Разбивает задачи и распределяет их
4. **Инженеры** — Пишут реальный рабочий код для каждого компонента
5. **QA Engineer** — Пишет модульные тесты и проверяет реализацию

Результат — полный каталог проекта с кодом, документацией и тестами — сгенерированный автономно.

**Ключевые возможности:**

* **Полный жизненный цикл разработки ПО** — От требований до рабочего кода за одну команду
* **Агенты на основе ролей** — Специализированные агенты с различными обязанностями
* **Генерация документов** — Автоматически создаёт PRD, системные проекты, спецификации API
* **Поддержка нескольких языков** — Python, Node.js, Go и другие
* **Интерпретатор данных** — Автономный агент для анализа и визуализации данных
* **Инкрементальная разработка** — Добавляйте функции в существующие проекты
* **Режим взаимодействия с человеком** — Приостанавливается для проверки человеком на ключевых этапах

**Почему Clore.ai для MetaGPT?**

Сам MetaGPT работает на CPU, но Clore.ai даёт важные преимущества:

* **Длительные задачи** — Генерация в MetaGPT может занимать 10–60 минут; выделенные серверы справляются с этим без таймаутов
* **Локальный бэкенд LLM** — Используйте Ollama или vLLM, чтобы исключить затраты на API за токен при больших проектах
* **Контроль затрат** — При цене $0.20–0.35/час вы можете запускать длительные сессии MetaGPT дешевле, чем API-вызовы GPT-4o
* **Изолированная среда** — Сгенерированный код выполняется в контролируемой серверной среде
* **Командная работа** — Делитесь конечной точкой сервера MetaGPT между членами команды разработки

***

## Требования

MetaGPT координирует вызовы API LLM — GPU нужен только если вы используете локальный бэкенд LLM.

| Конфигурация                       | GPU        | VRAM  | ОЗУ   | Хранилище | Ориентировочная цена                        |
| ---------------------------------- | ---------- | ----- | ----- | --------- | ------------------------------------------- |
| **MetaGPT + OpenAI/Anthropic API** | Нет        | —     | 4 ГБ  | 20 ГБ     | \~$0.03–0.08/час                            |
| **+ Ollama (Qwen2.5-Coder 7B)**    | RTX 3090   | 24 ГБ | 16 ГБ | 40 ГБ     | $0.07–0.21/ч                                |
| **+ Ollama (DeepSeek Coder 33B)**  | RTX 4090   | 24 ГБ | 32 ГБ | 60 ГБ     | $0.14–0.42/ч                                |
| **+ vLLM (Qwen2.5-Coder 32B)**     | RTX 4090   | 24 ГБ | 32 ГБ | 80 ГБ     | $0.14–0.42/ч                                |
| **+ vLLM (Llama 3.1 70B)**         | A100 80 ГБ | 80 ГБ | 64 ГБ | 100 ГБ    | [голое железо](https://clore.ai/bare-metal) |

> **Рекомендация:** MetaGPT сильно зависит от качества модели для связного многошагового рассуждения. Для сложных проектов используйте API GPT-4o или Claude Sonnet 3.5, либо локально Qwen2.5-Coder-32B / DeepSeek-Coder-V2. См. [Руководство по сравнению GPU](/guides/guides_v2-ru/nachalo-raboty/gpu-comparison.md).

**Требования к ПО на сервере Clore.ai:**

* Docker Engine (предустановлен на всех образах Clore.ai)
* NVIDIA Container Toolkit (только для варианта с локальной LLM)
* 20+ ГБ свободного места на диске (образ MetaGPT + сгенерированные файлы проекта)
* Исходящий доступ в интернет (для загрузки Docker-образов и обращения к API LLM)

***

## Быстрый старт

### Шаг 1: Подключитесь к своему серверу Clore.ai

Забронируйте сервер на [маркетплейс Clore.ai](https://clore.ai):

* Только для API: любой сервер с ≥4 ГБ ОЗУ
* Для локальной LLM: GPU с ≥24 ГБ VRAM

```bash
ssh root@<server-ip> -p <ssh-port>
```

### Шаг 2: Скачайте Docker-образ MetaGPT

```bash
docker pull metagpt/metagpt:latest
```

> Образ MetaGPT занимает около 3 ГБ. При первой загрузке это может занять 2–5 минут.

### Шаг 3: Настройте конфигурацию

MetaGPT требует YAML-файл конфигурации с вашими учётными данными API LLM:

```bash
# Создайте каталоги
mkdir -p /opt/metagpt/{config,workspace}

# Извлечь шаблон конфигурации по умолчанию из образа
docker run --rm metagpt/metagpt:latest \
  cat /app/metagpt/config/config2.yaml \
  > /opt/metagpt/config/config2.yaml

# Просмотреть конфигурацию
cat /opt/metagpt/config/config2.yaml
```

### Шаг 4: Настройте своего поставщика LLM

Отредактируйте файл конфигурации:

```bash
nano /opt/metagpt/config/config2.yaml
```

**Для OpenAI (GPT-4o):**

```yaml
llm:
  api_type: "openai"
  model: "gpt-4o"
  base_url: "https://api.openai.com/v1"
  api_key: "sk-your-openai-key-here"

repair_llm_output: true
max_auto_summarize_code: 1
```

**Для Anthropic (Claude):**

```yaml
llm:
  api_type: "anthropic"
  model: "claude-3-5-sonnet-20241022"
  api_key: "sk-ant-your-key-here"

repair_llm_output: true
```

**Для локального Ollama (см. раздел о GPU):**

```yaml
llm:
  api_type: "ollama"
  model: "ollama/qwen2.5-coder:32b"
  base_url: "http://host.docker.internal:11434"
  api_key: "ollama"

repair_llm_output: true
```

### Шаг 5: Запустите свой первый проект MetaGPT

```bash
# Сгенерировать игру Snake (классический демо-пример)
docker run --rm --privileged \
  -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \
  -v /opt/metagpt/workspace:/app/metagpt/workspace \
  metagpt/metagpt:latest \
  metagpt "Создайте игру Snake на Python"
```

Наблюдайте за работой агентов: вы увидите поочерёдную генерацию PRD, проектирование системы, написание кода и тестирование. Ожидайте 5–15 минут в зависимости от вашей LLM.

### Шаг 6: Посмотрите результат

```bash
ls -la /opt/metagpt/workspace/
# Вы увидите каталог, названный по вашему проекту

find /opt/metagpt/workspace -type f | head -30
# Показывает все сгенерированные файлы: .py, .md, requirements.txt, tests/
```

***

## Конфигурация

### Полная справка по конфигурации

```yaml
# /opt/metagpt/config/config2.yaml

# Основная конфигурация LLM
llm:
  api_type: "openai"          # openai | anthropic | ollama | azure | gemini
  model: "gpt-4o"
  base_url: "https://api.openai.com/v1"
  api_key: "your-api-key"
  temperature: 0.0            # Ниже = более детерминированная генерация кода
  max_token: 4096

# Настройки поведения MetaGPT
repair_llm_output: true       # Автоматически исправлять некорректные ответы LLM
max_auto_summarize_code: 1    # Итерации суммаризации кода (0 = отключено)
max_project_auto_run: 5       # Максимальное число циклов автоисполнения

# Настройки проекта
project_name: ""              # Необязательно: переопределить сгенерированное имя проекта
inc: false                    # Режим инкрементальной разработки (добавление к существующему проекту)
reqa_file: ""                 # Запустить QA для конкретного файла

# Учёт затрат
max_budget: 10.0              # Максимум $ к расходованию (только вызовы API)
```

### Работа в интерактивном режиме

Для большего контроля запускайте MetaGPT с контрольными точками для проверки человеком:

```bash
docker run --rm -it --privileged \
  -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \
  -v /opt/metagpt/workspace:/app/metagpt/workspace \
  metagpt/metagpt:latest \
  metagpt "Создайте REST API для todo-list приложения с FastAPI" \
  --human-review
```

С `--human-review`, MetaGPT приостанавливается после этапов PRD и проектирования системы, позволяя вам дать обратную связь до начала разработки.

### Инкрементальная разработка (добавление к существующему проекту)

```bash
# Продолжить разработку существующего проекта
docker run --rm -it --privileged \
  -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \
  -v /opt/metagpt/workspace:/app/metagpt/workspace \
  -v /opt/metagpt/workspace/my-project:/app/metagpt/workspace/my-project \
  metagpt/metagpt:latest \
  metagpt "Добавьте аутентификацию пользователей в существующий todo API" \
  --project-path /app/metagpt/workspace/my-project \
  --inc
```

### Запуск интерпретатора данных

MetaGPT включает специализированного агента Data Interpreter для анализа данных:

```bash
# Интерактивный анализ данных на Python
docker run --rm -it --privileged \
  -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \
  -v /opt/metagpt/workspace:/app/metagpt/workspace \
  -v /path/to/your/data:/data:ro \
  metagpt/metagpt:latest \
  python -m metagpt.roles.di.data_interpreter \
    "Проанализируйте /data/sales.csv, найдите товары с лучшими показателями и создайте визуализацию"
```

### Docker Compose для постоянной настройки

```yaml
# /opt/metagpt/docker-compose.yml
version: "3.9"

services:
  metagpt:
    image: metagpt/metagpt:latest
    privileged: true
    volumes:
      - /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml:ro
      - /opt/metagpt/workspace:/app/metagpt/workspace
      - /opt/metagpt/logs:/app/metagpt/logs
    environment:
      - PYTHONUNBUFFERED=1
    stdin_open: true
    tty: true
    # Примечание: MetaGPT работает по принципу задач, а не как постоянный сервис.
    # Используйте 'docker compose run metagpt metagpt "ваша задача"' для выполнения
    entrypoint: ["bash"]
```

```bash
# Запустить задачу через docker-compose
docker compose -f /opt/metagpt/docker-compose.yml \
  run --rm metagpt \
  metagpt "Создайте Flask-веб-приложение с регистрацией пользователей"
```

***

## Ускорение на GPU (интеграция локальной LLM)

### MetaGPT + Ollama

Запускайте MetaGPT полностью бесплатно (без затрат на API), используя локальную модель для программирования:

```bash
# Шаг 1: Запустите Ollama с GPU
docker run -d \
  --name ollama \\
  --gpus all \
  --restart unless-stopped \
  -p 11434:11434 \\
  -v ollama-models:/root/.ollama \\
  ollama/ollama:latest

# Шаг 2: Скачайте качественную модель для программирования
# Для RTX 3090/4090 (24 ГБ VRAM):
docker exec ollama ollama pull qwen2.5-coder:32b      # Лучший вариант для кода
docker exec ollama ollama pull deepseek-coder-v2:16b  # Альтернатива
# Для более слабых GPU (8–16 ГБ VRAM):
docker exec ollama ollama pull qwen2.5-coder:7b
docker exec ollama ollama pull codellama:13b

# Шаг 3: Настройте MetaGPT для Ollama
cat > /opt/metagpt/config/config2.yaml << 'EOF'
llm:
  api_type: "ollama"
  model: "ollama/qwen2.5-coder:32b"
  base_url: "http://host.docker.internal:11434"
  api_key: "ollama"
  temperature: 0.0
  max_token: 4096

repair_llm_output: true
max_auto_summarize_code: 0
EOF

# Шаг 4: Запустите MetaGPT с сетевым режимом host для доступа к Ollama
docker run --rm --privileged \
  --add-host host.docker.internal:host-gateway \\
  -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \
  -v /opt/metagpt/workspace:/app/metagpt/workspace \
  metagpt/metagpt:latest \
  metagpt "Создайте CLI-инструмент на Python для организации файлов"
```

> Смотрите полное [руководство по Ollama](/guides/guides_v2-ru/yazykovye-modeli/ollama.md) для настройки моделей и оптимизации GPU.

### MetaGPT + vLLM (высокая пропускная способность)

Для максимальной пропускной способности токенов в больших, сложных проектах:

```bash
# Шаг 1: Запустите vLLM с моделью для программирования
docker run -d \
  --name vllm \\
  --gpus all \
  --restart unless-stopped \
  -p 8000:8000 \\
  --ipc=host \\
  vllm/vllm-openai:latest \\
  --model Qwen/Qwen2.5-Coder-32B-Instruct \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.90

# Подождать загрузки модели
until curl -s http://localhost:8000/health | grep -q ok; do
  echo "Ожидание vLLM..."; sleep 10
done

# Шаг 2: Настройте MetaGPT для vLLM
cat > /opt/metagpt/config/config2.yaml << 'EOF'
llm:
  api_type: "openai"
  model: "Qwen/Qwen2.5-Coder-32B-Instruct"
  base_url: "http://host.docker.internal:8000/v1"
  api_key: "none"
  temperature: 0.0
  max_token: 8192

repair_llm_output: true
EOF

# Шаг 3: Запустите MetaGPT
docker run --rm --privileged \
  --add-host host.docker.internal:host-gateway \\
  -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \
  -v /opt/metagpt/workspace:/app/metagpt/workspace \
  metagpt/metagpt:latest \
  metagpt "Создайте полноценный backend для e-commerce с FastAPI и PostgreSQL"
```

> См. [руководство по vLLM](/guides/guides_v2-ru/yazykovye-modeli/vllm.md) для вариантов квантизации и конфигураций с несколькими GPU.

### Рекомендуемые модели по задачам

| Тип задачи               | Модель                         | Мин. VRAM | Примечания                          |
| ------------------------ | ------------------------------ | --------- | ----------------------------------- |
| Простые скрипты          | `qwen2.5-coder:7b`             | 8 ГБ      | Быстро, хорошо для CLI-инструментов |
| Проекты среднего размера | `qwen2.5-coder:14b`            | 12 ГБ     | Хороший баланс                      |
| Сложные системы          | `qwen2.5-coder:32b`            | 24 ГБ     | Лучшая локальная опция              |
| Крупные кодовые базы     | `gpt-4o` / `claude-3-5-sonnet` | API       | Наиболее надёжно для сложных PRD    |

> **Совет:** Локальные модели хорошо подходят для генерации кода, но иногда испытывают трудности со сложным архитектурным рассуждением. Для PRD и проектирования систем производственного уровня рассмотрите использование GPT-4o или Claude на этапе планирования и локальной модели для генерации кода.

***

## Советы и лучшие практики

### 1. Пишите эффективные задачи-подсказки

Производительность MetaGPT сильно зависит от качества вашей начальной подсказки:

```
✅ Хорошие подсказки:
"Создайте REST API на Python с использованием FastAPI, который управляет каталогом библиотеки.
Функции: добавление/поиск/удаление книг, аутентификация пользователей с JWT, 
База данных SQLite, документация OpenAPI. Цель: готово к продакшену, с тестами."

"Создайте CLI-инструмент конвейера данных на Python, который читает CSV-файлы,
выполняет статистический анализ и выводит графики с использованием matplotlib."

❌ Размытые подсказки:
"Сделайте веб-приложение"
"Создайте что-нибудь на Python"
```

### 2. Оцените стоимость API перед запуском

```bash
# MetaGPT обрабатывает много токенов на проект:
# - Простой скрипт: ~50 тыс. токенов (~$0.25 с GPT-4o)
# - Веб-приложение среднего размера: ~200 тыс. токенов (~$1.00 с GPT-4o)
# - Сложная система: ~500 тыс.+ токенов (~$2.50+ с GPT-4o)

# Установите лимит бюджета в конфигурации:
# max_budget: 2.0  # Остановиться после расходования $2
```

### 3. Сначала проверьте сгенерированный PRD

Используйте `--human-review` для важных проектов. Этап PRD — это место, где требования фиксируются; выявление проблем здесь экономит значительные затраты токенов по сравнению с исправлениями после генерации кода.

### 4. Тестируйте сгенерированный код

MetaGPT генерирует модульные тесты, но всегда проверяйте:

```bash
# Перейти к сгенерированному проекту
cd /opt/metagpt/workspace/<your-project>

# Установить зависимости
pip install -r requirements.txt

# Запустить сгенерированные тесты
pytest tests/ -v

# Попробовать запустить основное приложение
python main.py
```

### 5. Используйте систему контроля версий

```bash
# Инициализировать git в рабочем пространстве
cd /opt/metagpt/workspace
git init
git add .
git commit -m "Initial MetaGPT generation"

# После каждой итерации
git add .
git commit -m "MetaGPT: Added authentication feature"
```

### 6. Пакетный запуск нескольких проектов

Запускайте несколько проектов ночью на Clore.ai для максимальной выгоды:

```bash
#!/bin/bash
# /opt/metagpt/batch-run.sh
PROJECTS=(
  "Создайте сервис сокращения URL на Python и Redis"
  "Создайте CLI-инструмент для конвертации Markdown в PDF"
  "Создайте REST API для блога с комментариями и тегами"
)

for project in "${PROJECTS[@]}"; do
  echo "Запуск: $project"
  docker run --rm --privileged \
    -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \
    -v /opt/metagpt/workspace:/app/metagpt/workspace \
    metagpt/metagpt:latest \
    metagpt "$project"
  echo "Завершено: $project"
done
```

***

## Устранение неполадок

### Сбой загрузки образа

```bash
# Если достигнут лимит Docker Hub
docker login  # Войдите в свою учётную запись Docker Hub
docker pull metagpt/metagpt:latest

# Проверьте доступное место на диске
df -h
# Образ MetaGPT занимает около 3 ГБ; рабочее пространство может вырасти до нескольких ГБ
```

### Файл конфигурации не найден

```bash
# Проверьте, что сопоставление путей корректно
docker run --rm \
  -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \
  metagpt/metagpt:latest \
  ls -la /app/metagpt/config/

# Также убедитесь, что ваш YAML корректен
python3 -c "import yaml; yaml.safe_load(open('/opt/metagpt/config/config2.yaml'))"
```

### Ошибка аутентификации API LLM

```bash
# Независимо проверьте свой API-ключ
curl https://api.openai.com/v1/models \
  -H "Authorization: Bearer sk-your-key"

# Для Anthropic:
curl https://api.anthropic.com/v1/models \
  -H "x-api-key: sk-ant-your-key" \
  -H "anthropic-version: 2023-06-01"

# Типичные проблемы:
# - Ключ скопирован с лишними пробелами
# - Срок действия ключа истёк или превышена квота
# - Неверный api_type в конфигурации (например, "openai" вместо "anthropic")
```

### Ollama: отказано в соединении из контейнера

```bash
# Убедитесь, что Ollama запущена
docker ps | grep ollama
curl http://localhost:11434/api/tags

# Проверьте с точки зрения контейнера MetaGPT
docker run --rm \
  --add-host host.docker.internal:host-gateway \\
  metagpt/metagpt:latest \
  curl http://host.docker.internal:11434/api/tags

# Если всё ещё не работает, проверьте логи Ollama
docker logs ollama --tail 20
```

### Генерация зависает или истекает по тайм-ауту

```bash
# Проверьте, действительно ли LLM отвечает
# Добавьте отладочное логирование, чтобы увидеть, какой агент завис
docker run --rm --privileged \
  -e PYTHONUNBUFFERED=1 \
  -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \
  -v /opt/metagpt/workspace:/app/metagpt/workspace \
  metagpt/metagpt:latest \
  metagpt "Простая задача" 2>&1 | tee /opt/metagpt/logs/debug.log

# Распространённые причины:
# - Локальная модель слишком медленная (попробуйте меньшую квантизованную модель)
# - Ограничение скорости API (добавьте задержки или смените тариф)
# - Превышено окно контекста модели (уменьшите max_auto_summarize_code)
```

### Недостаточно места на диске

```bash
# Сгенерированные проекты могут быть большими; удаляйте старые
du -sh /opt/metagpt/workspace/*
rm -rf /opt/metagpt/workspace/old-project/

# Также очистите кэш сборки Docker
docker system prune -f

# Проверьте общее использование
df -h /opt/metagpt/
```

### Циклы «Repair LLM Output»

```bash
# Если MetaGPT постоянно повторяет попытки из-за некорректного вывода LLM:
# 1. Попробуйте более мощную модель (GPT-4o, Claude Sonnet)
# 2. Уменьшите temperature (установите 0.0 для детерминизма)
# 3. Отключите исправление (если используете мощную модель):
#    repair_llm_output: false
```

***

## Дополнительное чтение

* [GitHub-репозиторий MetaGPT](https://github.com/geekan/MetaGPT) — исходный код, примеры, дорожная карта
* [Документация MetaGPT](https://docs.deepwisdom.ai/main/en/) — официальная документация, справка по конфигурации, руководства
* [Discord MetaGPT](https://discord.gg/DYn29wFk9z) — поддержка сообщества, варианты использования, советы по моделям
* [Docker Hub: metagpt/metagpt](https://hub.docker.com/r/metagpt/metagpt) — Доступные теги образов
* [Ollama на Clore.ai](/guides/guides_v2-ru/yazykovye-modeli/ollama.md) — Запускайте локальные LLM, чтобы бесплатно использовать MetaGPT
* [vLLM на Clore.ai](/guides/guides_v2-ru/yazykovye-modeli/vllm.md) — Высокопроизводительная локальная LLM для MetaGPT в масштабном применении
* [Руководство по сравнению GPU](/guides/guides_v2-ru/nachalo-raboty/gpu-comparison.md) — Выберите подходящий GPU Clore.ai для вашей нагрузки
* [Таблица лидеров SWE-bench](https://www.swebench.com) — Сравнивайте мультиагентные фреймворки для программирования
* [Статья MetaGPT](https://arxiv.org/abs/2308.00352) — Оригинальное исследование: "MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework"


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-ru/platformy-i-agenty-ii/metagpt.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.