MetaGPT 软件公司

在 Clore.ai 上部署 MetaGPT——在经济实惠的 GPU 云服务器上运行一个完全自主的多智能体 AI 软件公司，从单个……生成完整代码库、PRD、架构设计和 QA 测试

概览

MetaGPT 是一个多智能体 AI 框架，模拟一家 软件公司 ——配备产品经理、架构师、工程师和 QA 工程师智能体——所有智能体协同工作，将一句话的想法转化为一个完全可运行的软件项目。MetaGPT 在 GitHub 上拥有 45K+ 星标，是 AI 驱动软件开发最具创新性的方案之一。

不同于单一编码智能体，MetaGPT 模拟真实团队的工作流程。当你给它一个类似“用 Python 构建一个贪吃蛇游戏”的任务时，它会：

1. 产品经理 ——编写产品需求文档（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 ——为每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

最终结果是一个完整的项目目录，包含代码、文档和测试——由系统自动生成。

关键能力：

• 完整的软件生命周期 ——从需求到可运行代码，一条命令完成

• 基于角色的智能体 ——职责各不相同的专用智能体

• 文档生成 ——自动生成 PRD、系统设计、API 规范

• 多语言支持 ——Python、Node.js、Go 等

• 数据解释器 ——自动化数据分析与可视化智能体

• 增量开发 ——为现有项目添加功能

• 人机交互模式 ——在关键阶段暂停，供人工审核

为什么 MetaGPT 选择 Clore.ai？

MetaGPT 本身是基于 CPU 的，但 Clore.ai 提供了关键优势：

• 长时间运行的任务 ——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，消除大型项目按 token 计费的 API 成本

• 成本控制 ——以每小时 $0.20–0.35 的价格，运行大量 MetaGPT 会话比调用 GPT-4o API 更便宜

• 隔离环境 ——生成的代码在受控服务器环境中运行

• 团队协作 ——在开发团队中共享一个 MetaGPT 服务器端点

---

需求

MetaGPT 负责协调 LLM API 调用——只有在你运行本地 LLM 后端时才需要 GPU。

配置	GPU	显存	内存	存储	预估价格
MetaGPT + OpenAI/Anthropic API	无	—	4 GB	20 GB	约 $0.03–0.08/小时
+ Ollama（Qwen2.5-Coder 7B）	RTX 3090	24 GB	16 GB	40 GB	$0.07–0.21/小时
+ Ollama（DeepSeek Coder 33B）	RTX 4090	24 GB	32 GB	60 GB	$0.14–0.42/小时
+ vLLM（Qwen2.5-Coder 32B）	RTX 4090	24 GB	32 GB	80 GB	$0.14–0.42/小时
+ vLLM（Llama 3.1 70B）	A100 80GB	80 GB	64 GB	100 GB	裸机

推荐： MetaGPT 在很大程度上依赖模型质量来实现连贯的多步推理。对于复杂项目，请使用 GPT-4o 或 Claude Sonnet 3.5 API，或者在本地使用 Qwen2.5-Coder-32B / DeepSeek-Coder-V2。参见 GPU 比较指南.

Clore.ai 服务器上的软件要求：

• Docker Engine（所有 Clore.ai 镜像均已预装）

• NVIDIA Container Toolkit（仅适用于本地 LLM 方案）

• 20+ GB 可用磁盘空间（MetaGPT 镜像 + 生成的项目文件）

• 可访问外网（用于拉取 Docker 镜像和连接 LLM API）

---

快速开始

步骤 1：连接到你的 Clore.ai 服务器

在以下平台预订服务器 Clore.ai 市场:

• 仅 API 模式：任意 ≥4 GB 内存的服务器

• 本地 LLM：配备 ≥24 GB VRAM 的 GPU

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

步骤 2：拉取 MetaGPT Docker 镜像

docker pull metagpt/metagpt:latest

MetaGPT 镜像约为 3 GB。首次拉取可能需要 2–5 分钟。

步骤 3：设置配置

MetaGPT 需要一个包含你的 LLM API 凭据的 YAML 配置文件：

# 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

步骤 4：配置你的 LLM 提供商

编辑配置文件：

nano /opt/metagpt/config/config2.yaml

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

Anthropic（Claude）：

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

repair_llm_output: true

本地 Ollama（见 GPU 部分）：

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

repair_llm_output: true

步骤 5：运行你的第一个 MetaGPT 项目

# 生成一个贪吃蛇游戏（经典示例）
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"

观察智能体的工作过程：你会依次看到 PRD 生成、系统设计、代码编写和测试。根据你的 LLM，预计需要 5–15 分钟。

步骤 6：查看输出

ls -la /opt/metagpt/workspace/
# 你会看到一个以你的项目命名的目录

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

---

配置

完整配置参考

# /opt/metagpt/config/config2.yaml

# 主 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            # 越低 = 代码生成越确定
  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       # 最大自动执行轮数

# 项目设置
project_name: ""              # 可选：覆盖生成的项目名称
inc: false                    # 增量模式（向现有项目添加内容）
reqa_file: ""                 # 对特定文件运行 QA

# 成本跟踪
max_budget: 10.0              # 最多花费金额（仅 API 调用）

交互模式运行

如需更多控制，请在带有人审检查点的情况下运行 MetaGPT：

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时，MetaGPT 会在 PRD 和系统设计阶段后暂停，允许你在工程开发开始前提供反馈。

增量开发（添加到现有项目）

# 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 内置了一个用于数据分析的专用数据解释器智能体：

# 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 \
    "分析 /data/sales.csv，找出表现最佳的产品，并创建可视化"

用于持久化设置的 Docker Compose

# /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，不是一个持久化服务。
    # 使用 'docker compose run metagpt metagpt "your task"' 来执行
    entrypoint: ["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，完全免费运行 MetaGPT（无 API 成本）：

# 步骤 1：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

# 步骤 2：拉取高质量编码模型
# 适用于 RTX 3090/4090（24 GB VRAM）：
docker exec ollama ollama pull qwen2.5-coder:32b      # 最适合代码
docker exec ollama ollama pull deepseek-coder-v2:16b  # 替代方案
# 适用于较小 GPU（8–16 GB VRAM）：
docker exec ollama ollama pull qwen2.5-coder:7b
docker exec ollama ollama pull codellama:13b

# 步骤 3：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

# 步骤 4：使用 host 网络运行 MetaGPT，以访问 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"

查看完整的 Ollama 指南 用于模型设置和 GPU 优化。

MetaGPT + vLLM（高吞吐）

适用于大型、复杂项目的最大 token 吞吐量：

# 步骤 1：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

# 步骤 2：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

# 步骤 3：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"

请参阅 vLLM 指南 用于量化选项和多 GPU 配置。

按任务推荐的模型

任务类型	模型	最低显存	备注
简单脚本	qwen2.5-coder:7b	8 GB	速度快，适合 CLI 工具
中等规模项目	qwen2.5-coder:14b	12 GB	平衡性好
复杂系统	qwen2.5-coder:32b	24 GB	最佳本地方案
大型代码库	gpt-4o / claude-3-5-sonnet	API	对复杂 PRD 最可靠

提示： 本地模型在代码生成方面表现良好，但有时难以应对复杂的架构推理。对于生产级别的 PRD 和系统设计，建议在规划阶段使用 GPT-4o 或 Claude，在代码生成阶段使用本地模型。

---

提示与最佳实践

1. 编写有效的任务提示词

MetaGPT 的表现很大程度上取决于你最初提示词的质量：

✅ 好的提示词：
"使用 FastAPI 创建一个 Python REST API 来管理图书馆目录。
功能：添加/搜索/删除图书，使用 JWT 进行用户认证， 
SQLite 数据库，OpenAPI 文档。目标：带测试、可投入生产。"

"构建一个 Python 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。"

❌ 模糊的提示词：
"做一个网页应用"
"用 Python 做点什么"

2. 在运行前估算 API 成本

# MetaGPT 每个项目会处理大量 token：
# - 简单脚本：约 50K token（使用 GPT-4o 约 $0.25）
# - 中等 web 应用：约 200K token（使用 GPT-4o 约 $1.00）
# - 复杂系统：约 500K+ token（使用 GPT-4o 约 $2.50+）

# 在配置中设置预算上限：
# max_budget: 2.0  # 花费 $2 后停止

3. 先审查生成的 PRD

使用 --human-review 适用于重要项目。PRD 阶段是需求锁定的地方——在这里发现问题，比在代码生成后再修改能节省大量 token 成本。

4. 测试生成的代码

MetaGPT 会生成单元测试，但务必验证：

# 进入生成的项目目录
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

# 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 上连夜运行多个项目，以获得最大价值：

#!/bin/bash
# /opt/metagpt/batch-run.sh
PROJECTS=(
  "使用 Python 和 Redis 创建一个短链接服务"
  "构建一个将 Markdown 转换为 PDF 的 CLI 工具"
  "为带评论和标签的博客创建一个 REST API"
)

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

---

故障排查

镜像拉取失败

# 如果遇到 Docker Hub 限流
docker login  # 使用你的 Docker Hub 账号登录
docker pull metagpt/metagpt:latest

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

未找到配置文件

# 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/

# 同时验证你的 YAML 是否有效
python3 -c "import yaml; yaml.safe_load(open('/opt/metagpt/config/config2.yaml'))"

LLM API 身份验证错误

# 独立测试你的 API 密钥
curl https://api.openai.com/v1/models \
  -H "Authorization: Bearer sk-your-key"

# 对 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：
# - 密钥复制时带有多余空白
# - 密钥已过期或配额已用尽
# - 配置中的 api_type 错误（例如 "openai" 与 "anthropic"）

容器连接 Ollama 被拒绝

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

# 从 MetaGPT 容器视角测试
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，查看 Ollama 日志
docker logs ollama --tail 20

生成卡住或超时

# 检查 LLM 是否真的有响应
# 添加调试日志以查看哪个智能体卡住了
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（添加延迟或切换套餐）
# - 模型上下文窗口超出（降低 max_auto_summarize_code）

磁盘空间不足

# 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/

# 同时清理 Docker 构建缓存
docker system prune -f

# 检查总占用
df -h /opt/metagpt/

“修复 LLM 输出” 循环

# 如果 MetaGPT 因 LLM 输出格式错误而不断重试：
# 1. 尝试更强大的模型（GPT-4o、Claude Sonnet）
# 2. 降低 temperature（设为 0.0 以获得确定性）
# 3. 禁用修复（如果使用的是能力足够强的模型）：
#    repair_llm_output: false

---

延伸阅读

• MetaGPT GitHub 仓库 ——源代码、示例、路线图

• MetaGPT 文档 ——官方文档、配置参考、教程

• MetaGPT Discord ——社区支持、使用案例、模型技巧

• Docker Hub：metagpt/metagpt — 可用镜像标签

• Clore.ai 上的 Ollama — 运行本地 LLM，为 MetaGPT 提供免费动力

• Clore.ai 上的 vLLM — 面向大规模 MetaGPT 的高吞吐本地 LLM

• GPU 比较指南 — 为你的工作负载选择合适的 Clore.ai GPU

• SWE-bench 排行榜 — 多智能体编码框架基准测试

• MetaGPT 论文 — 原创研究：“MetaGPT：面向多智能体协作框架的元编程”