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 — 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

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.

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:

• Только для API: любой сервер с ≥4 ГБ ОЗУ

• Для локальной LLM: GPU с ≥24 ГБ VRAM

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

Шаг 2: Скачайте Docker-образ MetaGPT

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:

# 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:

nano /opt/metagpt/config/config2.yaml

Для OpenAI (GPT-4o):

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):

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):

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

# 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

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

# /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:

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)

# 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:

# 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

# /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"]

# 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:

# 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 для настройки моделей и оптимизации GPU.

MetaGPT + vLLM (высокая пропускная способность)

Для максимальной пропускной способности токенов в больших, сложных проектах:

# 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 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

# 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:

# 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

# 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:

#!/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

# 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

# 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

# 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

# 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

# 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

# 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»

# 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 — исходный код, примеры, дорожная карта

• Документация MetaGPT — официальная документация, справка по конфигурации, руководства

• Discord MetaGPT — поддержка сообщества, варианты использования, советы по моделям

• Docker Hub: metagpt/metagpt — Доступные теги образов

• Ollama на Clore.ai — Запускайте локальные LLM, чтобы бесплатно использовать MetaGPT

• vLLM на Clore.ai — Высокопроизводительная локальная LLM для MetaGPT в масштабном применении

• Руководство по сравнению GPU — Выберите подходящий GPU Clore.ai для вашей нагрузки

• Таблица лидеров SWE-bench — Сравнивайте мультиагентные фреймворки для программирования

• Статья MetaGPT — Оригинальное исследование: "MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework"