Agent(智能体)和 MetaGPT，一句话实现整个需求应用代码

前面 2 篇文章，我们使用文生文、文生图和文生音频三个大模型共同实现了图文并茂的儿童绘本故事和绘本故事音频需求：

1. 第一篇 根据主题生成儿童绘本故事：GLM-4-Flash 大模型 API 免费了，手把手构建“儿童绘本”应用实战（附源码）
2. 第二篇 根据儿童绘本故事生成长音频：ChatTTS 长音频合成和本地部署 2 种方式，让你的“儿童绘本”发声的实战教程（文末有福利）

友情提示：第二篇有送书活动，活动还在继续，欢迎大家参与~

我们可以看出，儿童绘本故事的整个流程如下：

在整个流程中，其实我们核心就做了 2 件事：设定主题明确需求、编排整个流程让应用跑起来。而其他的包括构思文案、故事内容、图片生成、长音频合并等，其实都是围绕大模型不同阶段的交付物（构思和故事内容）进一步的交付物，即我们的需求目标。

假如我们有一个基于大模型的程序，它能准确地理解我们的需求内涵，然后进一步把需求拆分成小任务，最终组织整个任务的流程和依赖，并执行达成我们的需求目标。那么这个应用就是我们常说的大模型Agent（或者叫智能体）：大模型 Agent 是基于大语音模型（LLM）之上构建的、具备环境感知、自主理解、决策制定和执行能力的智能体。

大模型 Agent 能够模拟独立思考过程、调用各类工具，逐步达成我们的需求目标。从我们应用架构设计上讲，大模型 Agent 从原来面向过程的架构（如：儿童绘本应用）转变为面向目标的架构（提交需求后静待结果），它可以实现复杂的目标任务。

一般来说，大模型 Agent 主要由四个部分组成：规划、记忆、工具和行动，分别负责任务拆解与策略评估、信息存储与回忆、环境感知与决策辅助、和将思维转换为实际行动。

我们还是以儿童绘本故事应用来举例：

1. 规划（Planning）：我们通过儿童绘本故事主题，期望大模型给我们生成一本儿童绘本故事；那么大模型 Agent 需要准确识别我们的意图，然后进行任务拆分（包括：构思、故事内容、插图、音频等），制定整个处理流程。
2. 记录（Memory）：包括我们的主题、构思、故事等内容，分为短期记忆和长期记忆；短期记忆主要是上下文信息，包括多轮对话（如：绘本故事是面向多大年龄、插入风格等）；长期记忆可能包括用户特征，需要使用特征数据库存储。
3. 工具（Tools）：包括 API 调用、图片存储等，是 Agent 执行决策的辅助手段。
4. 行动（Action）：将规划、记忆转化为具体输出过程，在这个过程中可能需要使用到不同的工具与外部环境交互。

接下来，老牛同学和大家看看，一些常见的大模型 Agent 框架和应用：

Agent 框架简单介绍

目前，开源和闭源大模型 Agent 可谓是百家争鸣、百花齐放：https://github.com/e2b-dev/awesome-ai-agents

根据业务需求复杂度和大模型 Agent 的实现方式的差异，目前 Agent 框架可以简单分为单 Agent 和多 Agent 框架。单 Agent 框架包括如：BabyAGI 和 AutoGPT 等。

接下来，老牛同学主要介绍一个多 Agent 框架：MetaGPT，它是一个国内研发开源的多 Agent 框架（https://github.com/geekan/MetaGPT）

MetaGPT以软件公司方式组成多个 Agent，实现了一个软件公司的全过程与精心调配的标准流程；它的目的是根据老板的一句话需求，完成一个软件研发整体流程（包括：用户故事、竞品分析、需求、数据结构 API 等）；内部多个 Agent 划分为多个角色（包括：产品经理、架构师、项目经理、研发工程师等），他们按照标准流程实现业务需求。

MetaGPT 多智能体框架应用

接下来，我们来当一回老板：我们输入一句话需求，让MetaGPT实现我们的目标。

【第一步：MetaGPT环境准备】

工欲善其事，必先利其器，我们通过Miniconda管理 Python 虚拟环境，Miniconda的安装和使用可以参考老牛同学之前的文章：大模型应用研发基础环境配置（Miniconda、Python、Jupyter Lab、Ollama 等）

# Python虚拟环境名：MetaGPT，版本号：3.10
conda create --name MetaGPT python=3.10 -y# 激活虚拟环境
conda activate MetaGPT

【第二步：安装MetaGPT依赖】

我们可以安装MetaGPT的稳定版本和最新的研发版本（老牛同学使用的是稳定版本）：

• 稳定版本：pip install metagpt
• 研发版本：pip install --upgrade git+https://github.com/geekan/MetaGPT.git

如果我们想保留MetaGPT画的设计图（如：类图、序列图等），那么还需要安装 Node.js 包：sudo npm install -g @mermaid-js/mermaid-cli

【第三步：配置MetaGPT大模型】

前面已经介绍，大模型 Agent 是基于大模型的，因此我们需要配置一下MetaGPT的大语言模型。

我们可以通过命令初始化配置文件：metagpt --init-config

默认情况下，MetaGPT自动创建默认配置文件：~/.metapgt/config2.yaml

我们修改这个配置文件，配置我们自己的大语言模型信息（老牛同学使用的是 Ollama，其它的配置类同）：

llm:api_type: "ollama"model: "qwen2:7b"base_url: "http://127.0.0.1:11434/api"api_key: "EMPTY"

有关 Ollama 详细介绍和使用，参见老牛同学之前的文章，本文不在赘述：Ollama 完整教程：本地 LLM 管理、WebUI 对话、Python/Java 客户端 API 应用

【第四步：当老板，提供一句话需求，静候结果】

老牛同学之前使用大模型，一步一步通过 Prompt 提示词，完成了消消乐小游戏研发：AI 已来，我与 AI 一起用 Python 编写了一个消消乐小游戏

今天老牛同学想玩一玩贪吃蛇小游戏，体验一下当老板的乐趣，需求就一句话：write a cli snake game

(MetaGPT) $ metagpt "write a cli snake game"

接下来，我们就开始等待了，在MetaGPT实现需求的标准流程中，我们也可以看到它的每一步的输出：

首先，名为 Alice 的产品经理登场：他根据老板的需求，产出产品需求文档

有了 PRD，接下来是名为 Bob 的架构师来了：他根据需求文档，完成产品架构设计

接下来，名为 Eve 的项目经理上场：他根据架构设计，整理研发任务

有了研发任务，进行排期锁定资源，研发工程师开始研发了：

代码研发完成，就需要进行代码 Review 了：

其它研发的截图，老牛同学就省略了。经过多轮的研发任务和 CR，终于完成了整个需求，可以把代码、文件等存档：

最后，我们就可以看到最终的产出物了：

• 代码源文件目录：./workspace/cli_snake_game/cli_snake_game

(MetaGPT) $ tree
├── food.py
├── game.py
├── main.py
└── snake.py

• 项目实现文档目录：./workspace/cli_snake_game/docs
• 项目实现资源目录：./workspace/cli_snake_game/resources

我们运行一下小游戏：python main.py

可以看到，还真能跑起来了，可是有 Bug（如：蛇吃食物自动退出，蛇撞墙异常退出）：

至此，MetaGPT按照标准流程，确实帮我们完成了项目，可是我们当老板的并没有享受到什么乐趣，因为我们还得去改 Bug！

最后，(多)大模型 Agent 到底能解决什么问题？

上面MetaGPT帮我们写了一个有 Bug 的程序，这肯定不是我们所期望的，分析其背后原因，其实也并不是大模型 Agent 的错：

我们可以查看MetaGPT源代码：https://github.com/geekan/MetaGPT/tree/main/metagpt/roles

期核心逻辑都在role.py文件中：https://github.com/geekan/MetaGPT/blob/main/metagpt/roles/role.py

它的核心还是通过 Prompt 提示词和大模型进行交互，大模型产出质量的好坏，决定了需求结构的优劣！

那么，大模型 Agent 到底在什么场景能更有优势呢？首先能肯定的是：那些底层大模型擅长的领域！

• 复杂问题场景，大模型的初衷就是用来解决复杂问题的
• 需要多角色交互场景（如：游戏故事生成、素材生成），内容生成，部分工作提效（如：项目代码框架等）

vLLM CPU 和 GPU 模式署和推理 Qwen2 等大语言模型详细教程

基于 Qwen2/Lllama3 等大模型，部署团队私有化 RAG 知识库系统的详细教程（Docker+AnythingLLM）

使用 Llama3/Qwen2 等开源大模型，部署团队私有化 Code Copilot 和使用教程

基于 Qwen2 大模型微调技术详细教程（LoRA 参数高效微调和 SwanLab 可视化监控）

MiniCPM-V 2.6 面壁“小钢炮”，多图、视频理解多模态模型，部署和推理实战教程