# MetaGPT 软件公司

## 概览

[MetaGPT](https://github.com/geekan/MetaGPT) 是一个多代理人工智能框架，模拟一个 **软件公司** —— 配备产品经理、架构师、工程师和 QA 工程师代理 —— 共同协作将一句话的想法变成一个功能完整的软件项目。MetaGPT 在 GitHub 上拥有 45K+ 星，是推动 AI 驱动软件开发的最具创新性的方法之一。

与单一编码代理不同，MetaGPT 模仿真实的团队工作流程。当你给它像“用 Python 构建一个贪吃蛇游戏”这样的任务时，它会：

1. **产品经理** —— 撰写产品需求文档（PRD）
2. **架构师** —— 设计系统架构和技术栈
3. **项目经理** —— 拆解任务并进行分配
4. **工程师** —— 为各个组件编写实际可运行的代码
5. **QA 工程师** —— 编写单元测试并验证实现

结果是一个包含代码、文档和测试的完整项目目录——由系统自主生成。

**主要功能：**

* **完整的软件生命周期** —— 从需求到可运行代码，一条命令搞定
* **基于角色的代理** —— 具有明确职责的专业化代理
* **文档生成** —— 自动生成 PRD、系统设计、API 规范
* **多语言支持** —— 支持 Python、Node.js、Go 等
* **数据解释器** —— 自主进行数据分析和可视化的代理
* **增量开发** —— 向现有项目添加功能
* **人工交互模式** —— 在关键阶段暂停以供人工审查

**为什么为 MetaGPT 选择 Clore.ai？**

MetaGPT 本身基于 CPU，但 Clore.ai 提供了关键优势：

* **长时间运行任务** —— MetaGPT 生成可能需要 10–60 分钟；专用服务器可以处理这些任务而不会超时
* **本地 LLM 后端** —— 使用 Ollama 或 vLLM 可消除大型项目的按令牌 API 成本
* **成本控制** —— 以 $0.20–0.35/小时 的费用运行，大规模 MetaGPT 会话比调用 GPT-4o API 更便宜
* **隔离环境** —— 生成的代码在受控的服务器环境中运行
* **团队协作** —— 在开发团队之间共享一个 MetaGPT 服务器端点

***

## 要求

MetaGPT 协调 LLM 的 API 调用 —— 只有在运行本地 LLM 后端时才需要 GPU。

| 配置                                 | GPU     | 显存    | 内存    | 存储     | 预计价格            |
| ---------------------------------- | ------- | ----- | ----- | ------ | --------------- |
| **MetaGPT + OpenAI/Anthropic API** | 无       | —     | 4 GB  | 20 GB  | \~$0.03–0.08/小时 |
| **+ Ollama（Qwen2.5-Coder 7B）**     | 速度      | 24 GB | 16 GB | 40 GB  | \~$0.20/小时      |
| **+ Ollama（DeepSeek Coder 33B）**   | 512x512 | 24 GB | 32 GB | 60 GB  | \~$0.35/小时      |
| **+ vLLM（Qwen2.5-Coder 32B）**      | 512x512 | 24 GB | 32 GB | 80 GB  | \~$0.35/小时      |
| **+ vLLM（Llama 3.1 70B）**          | 4 小时会话  | 80 GB | 64 GB | 100 GB | \~$1.10/小时      |

> **建议：** MetaGPT 在连贯的多步骤推理上高度依赖模型质量。对于复杂项目，请使用 GPT-4o 或 Claude Sonnet 3.5 的 API，或在本地使用 Qwen2.5-Coder-32B / DeepSeek-Coder-V2。请参阅 [GPU 比较指南](/guides/guides_v2-zh/ru-men/gpu-comparison.md).

**Clore.ai 服务器上的软件要求：**

* Docker 引擎（所有 Clore.ai 镜像预装）
* NVIDIA 容器工具包（仅针对本地 LLM 选项）
* 20+ GB 可用磁盘空间（MetaGPT 镜像 + 生成的项目文件）
* 出站互联网访问（用于拉取 Docker 镜像和访问 LLM API）

***

## 快速开始

### 第 1 步：连接到你的 Clore.ai 服务器

在上预订服务器 [Clore.ai 市场](https://clore.ai):

* 仅 API 模式：任意 ≥4 GB 内存的服务器
* 本地 LLM 模式：≥24 GB 显存的 GPU

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

### 第 2 步：拉取 MetaGPT Docker 镜像

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

> MetaGPT 镜像约为 \~3 GB。首次拉取可能需要 2–5 分钟。

### 第 3 步：设置配置

MetaGPT 需要一个包含您 LLM API 凭证的 YAML 配置文件：

```bash
# 创建目录
mkdir -p /opt/metagpt/{config,workspace}

# 从镜像中提取默认配置模板
docker run --rm metagpt/metagpt:latest \
  cat /app/metagpt/config/config2.yaml \
  > /opt/metagpt/config/config2.yaml

# 查看配置
cat /opt/metagpt/config/config2.yaml
```

### 第 4 步：配置您的 LLM 提供商

编辑配置文件：

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

**对于 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
```

**对于 Anthropic（Claude）：**

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

repair_llm_output: true
```

**对于本地 Ollama（参见 GPU 部分）：**

```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
```

### 第 5 步：运行您的第一个 MetaGPT 项目

```bash
# 生成一个贪吃蛇游戏（经典演示）
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 "Create a snake game with Python"
```

观察代理的工作：您将依次看到 PRD 生成、系统设计、代码编写和测试。根据您使用的 LLM，预计需时 5–15 分钟。

### 第 6 步：查看输出

```bash
ls -la /opt/metagpt/workspace/
# 您将看到以项目命名的目录

find /opt/metagpt/workspace -type f | head -30
# 列出所有生成的文件：.py、.md、requirements.txt、tests/ 等
```

***

## 配置

### 完整配置参考

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

# 主要 LLM 配置
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            # 值越低，代码生成越确定性
  max_token: 4096

# MetaGPT 行为设置
repair_llm_output: true       # 自动修复格式错误的 LLM 响应
max_auto_summarize_code: 1    # 代码摘要迭代次数（0 = 禁用）
max_project_auto_run: 5       # 最大自动执行周期数

# 项目设置
project_name: ""              # 可选：覆盖生成的项目名称
inc: false                    # 增量模式（添加到现有项目）
reqa_file: ""                 # 在特定文件上运行 QA

# 成本跟踪
max_budget: 10.0              # 最大支出（仅限 API 调用）
```

### 以交互模式运行

如需更多控制，可在 MetaGPT 中启用人工审查检查点：

```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 "Build a REST API for a todo list app with FastAPI" \
  --human-review
```

使用 `--human-review`，MetaGPT 会在 PRD 和系统设计阶段之后暂停，允许您在工程开始前提供反馈。

### 增量开发（向现有项目添加功能）

```bash
# 在现有项目上继续开发
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 "Add user authentication to the existing todo API" \
  --project-path /app/metagpt/workspace/my-project \
  --inc
```

### 运行数据解释器

MetaGPT 包含一个用于数据分析的专用数据解释器代理：

```bash
# 交互式 Python 数据分析
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 \
    "Analyze /data/sales.csv and find top-performing products, create visualization"
```

### 用于持久化部署的 Docker Compose

```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
    # 注意：MetaGPT 是基于任务的，而不是一个常驻服务。
    # 使用 'docker compose run metagpt metagpt "your task"' 来执行任务
    entrypoint: ["bash"]
```

```bash
# 通过 docker-compose 运行任务
docker compose -f /opt/metagpt/docker-compose.yml \
  run --rm metagpt \
  metagpt "Create a Flask web app with user registration"
```

***

## GPU 加速（本地 LLM 集成）

### MetaGPT + Ollama

使用本地编码模型可完全免费运行 MetaGPT（无需 API 成本）：

```bash
# 第 1 步：使用 GPU 启动 Ollama
docker run -d \
  --name ollama \
  --gpus all \
  --restart unless-stopped \
  -p 11434:11434 \
  -v ollama-models:/root/.ollama \
  ollama/ollama:latest

# 第 2 步：拉取高质量的编码模型
# 适用于 RTX 3090/4090（24 GB 显存）：
docker exec ollama ollama pull qwen2.5-coder:32b      # 最适合代码
docker exec ollama ollama pull deepseek-coder-v2:16b  # 替代选项
# 适用于较小 GPU（8–16 GB 显存）：
docker exec ollama ollama pull qwen2.5-coder:7b
docker exec ollama ollama pull codellama:13b

# 第 3 步：为 Ollama 配置 MetaGPT
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

# 第 4 步：以 host 网络运行 MetaGPT 以便访问 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 "Create a Python CLI tool for file organization"
```

> 参见完整的 [Ollama 指南](/guides/guides_v2-zh/yu-yan-mo-xing/ollama.md) 以获取模型设置和 GPU 优化说明。

### MetaGPT + vLLM（高吞吐）

针对大型复杂项目以获得最大令牌吞吐量：

```bash
# 第 1 步：使用编码模型启动 vLLM
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

# 等待模型加载
until curl -s http://localhost:8000/health | grep -q ok; do
  echo "Waiting for vLLM..."; sleep 10
done

# 第 2 步：为 vLLM 配置 MetaGPT
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

# 第 3 步：运行 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 "Build a complete e-commerce backend with FastAPI and PostgreSQL"
```

> 参见 [vLLM 指南](/guides/guides_v2-zh/yu-yan-mo-xing/vllm.md) 有关量化选项和多 GPU 设置的说明。

### 按任务推荐的模型

| 任务类型  | A100                           | 最小显存  | 注意事项         |
| ----- | ------------------------------ | ----- | ------------ |
| 简单脚本  | `qwen2.5-coder:7b`             | 8 GB  | 快速，适合 CLI 工具 |
| 中型项目  | `qwen2.5-coder:14b`            | 12 GB | 良好平衡         |
| 复杂系统  | `qwen2.5-coder:32b`            | 24 GB | 最佳本地选项       |
| 大型代码库 | `gpt-4o` / `claude-3-5-sonnet` | API   | 在复杂 PRD 上最可靠 |

> **提示：** 本地模型在代码生成方面表现良好，但有时在复杂的架构推理上会遇到困难。对于生产级的 PRD 和系统设计，建议在规划阶段使用 GPT-4o 或 Claude，而使用本地模型来生成代码。

***

## 提示与最佳实践

### 1. 编写有效的任务提示

MetaGPT 的性能在很大程度上取决于您初始提示的质量：

```
✅ 良好的提示：
"使用 FastAPI 创建一个 Python REST API 来管理图书馆目录。
功能：添加/搜索/删除书籍，使用 JWT 的用户认证， 
SQLite 数据库，OpenAPI 文档。目标：具备测试的生产就绪状态。"

"用 Python 构建一个 CLI 数据管道工具，读取 CSV 文件，
执行统计分析，并使用 matplotlib 输出图表。"

❌ 含糊的提示：
"制作一个网页应用"
"用 Python 做点什么"
```

### 2. 在运行前估算 API 成本

```bash
# MetaGPT 每个项目会处理大量令牌：
# - 简单脚本：~50K 令牌（使用 GPT-4o 约 $0.25）
# - 中型 Web 应用：~200K 令牌（使用 GPT-4o 约 $1.00）
# - 复杂系统：~500K+ 令牌（使用 GPT-4o 约 $2.50+）

# 在配置中设置预算限制：
# max_budget: 2.0  # 花费 $2 后停止
```

### 3. 首先审查生成的 PRD

使用 `--human-review` 对于重要项目尤其如此。PRD 阶段是锁定需求的环节——在此处发现问题相比在代码生成后修改可以节省大量令牌成本。

### 4. 测试生成的代码

MetaGPT 会生成单元测试，但请务必验证：

```bash
# 进入生成的项目
cd /opt/metagpt/workspace/<your-project>

# 安装依赖
pip install -r requirements.txt

# 运行生成的测试
pytest tests/ -v

# 尝试运行主应用
python main.py
```

### 5. 使用版本控制

```bash
# 在工作区初始化 git
cd /opt/metagpt/workspace
git init
git add .
git commit -m "Initial MetaGPT generation"

# 每次迭代后
git add .
git commit -m "MetaGPT: Added authentication feature"
```

### 6. 批量运行多个项目

在 Clore.ai 上一夜之间运行多个项目以获得最大价值：

```bash
#!/bin/bash
# /opt/metagpt/batch-run.sh
PROJECTS=(
  "Create a URL shortener service with Python and Redis"
  "Build a Markdown to PDF converter CLI tool"
  "Create a REST API for a blog with comments and tags"
)

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

***

## # 使用固定种子以获得一致结果

### 镜像拉取失败

```bash
# 如果触及 Docker Hub 速率限制
docker login  # 使用您的 Docker Hub 帐户登录
docker pull metagpt/metagpt:latest

# 检查可用磁盘空间
df -h
# MetaGPT 镜像约为 ~3 GB；工作区可能增长到数 GB
```

### 配置文件未找到

```bash
# 验证路径映射是否正确
docker run --rm \
  -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \
  metagpt/metagpt:latest \
  ls -la /app/metagpt/config/

# 还要验证您的 YAML 是否有效
python3 -c "import yaml; yaml.safe_load(open('/opt/metagpt/config/config2.yaml'))"
```

### LLM API 认证错误

```bash
# 单独测试您的 API 密钥
curl https://api.openai.com/v1/models \
  -H "Authorization: Bearer sk-your-key"

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

# 常见问题：
# - 密钥复制时带有额外空白字符
# - 密钥已过期或配额已用尽
# - 配置中的 api_type 错误（例如 "openai" 与 "anthropic"）
```

### 容器中 Ollama 连接被拒绝

```bash
# 验证 Ollama 是否正在运行
docker ps | grep ollama
curl http://localhost:11434/api/tags

# 从 MetaGPT 容器角度进行测试
docker run --rm \
  --add-host host.docker.internal:host-gateway \
  metagpt/metagpt:latest \
  curl http://host.docker.internal:11434/api/tags

# 如果仍然失败，请检查 Ollama 日志
docker logs ollama --tail 20
```

### 生成挂起或超时

```bash
# 检查 LLM 是否确实在响应
# 添加调试日志以查看哪个代理卡住
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 "Simple task" 2>&1 | tee /opt/metagpt/logs/debug.log

# 常见原因：
# - 本地模型太慢（尝试更小的量化模型）
# - API 限流（添加延迟或切换等级）
# - 模型上下文窗口超限（减少 max_auto_summarize_code）
```

### 磁盘空间不足

```bash
# 生成的项目可能很大；清理旧项目
du -sh /opt/metagpt/workspace/*
rm -rf /opt/metagpt/workspace/old-project/

# 还要清理 Docker 构建缓存
docker system prune -f

# 检查总体使用情况
df -h /opt/metagpt/
```

### “修复 LLM 输出” 循环

```bash
# 如果 MetaGPT 因格式错误的 LLM 输出而不断重试：
# 1. 试用更强的模型（GPT-4o、Claude Sonnet）
# 2. 降低 temperature（设置为 0.0 以获得确定性）
# 3. 禁用修复（如果使用的是强大的模型）：
#    repair_llm_output: false
```

***

## 延伸阅读

* [MetaGPT GitHub 仓库](https://github.com/geekan/MetaGPT) —— 源代码、示例、路线图
* [MetaGPT 文档](https://docs.deepwisdom.ai/main/en/) —— 官方文档、配置参考、教程
* [MetaGPT Discord](https://discord.gg/DYn29wFk9z) —— 社区支持、用例、模型技巧
* [Docker Hub: metagpt/metagpt](https://hub.docker.com/r/metagpt/metagpt) —— 可用的镜像标签
* [Clore.ai 上的 Ollama](/guides/guides_v2-zh/yu-yan-mo-xing/ollama.md) —— 运行本地 LLM 以免费为 MetaGPT 提供算力
* [Clore.ai 上的 vLLM](/guides/guides_v2-zh/yu-yan-mo-xing/vllm.md) —— 用于大规模 MetaGPT 的高吞吐本地 LLM
* [GPU 比较指南](/guides/guides_v2-zh/ru-men/gpu-comparison.md) — 为你的工作负载选择合适的 Clore.ai GPU
* [SWE-bench 排行榜](https://www.swebench.com) —— 基准测试多代理编码框架
* [MetaGPT 论文](https://arxiv.org/abs/2308.00352) —— 原始研究：“MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework”


---

# Agent Instructions: 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:

```
GET https://docs.clore.ai/guides/guides_v2-zh/ai-ping-tai-yu-zhi-neng-ti/metagpt.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.