MetaGPT 完整攻略：从新手到高手

MetaGPT 完整使用攻略：从零到一搭建你的AI软件公司

一、是什么与适合谁

MetaGPT 是一个由华人团队开源的多智能体协作框架，它的核心理念是“模拟一家软件公司”。在这个框架里，你可以设定产品经理、架构师、项目经理、工程师等多个AI角色，它们通过分工协作，从一句话的需求描述开始，自动生成需求文档、设计文档、任务列表，甚至直接输出代码。

适合人群：

• 独立开发者与创业者：想快速验证产品想法，或需要自动化生成原型代码。
• AI应用开发者：希望探索多Agent协作模式，构建复杂自动化工作流。
• 技术学习者：想理解大模型如何模拟人类团队协作流程。
• 企业内部创新团队：需要快速产出技术方案文档或代码骨架。

二、阶段学习路径

第1天：快速上手与基础体验

目标： 跑通第一个Demo，理解“一句话生成软件”的过程。

1. 环境准备

   • 确保Python 3.9+环境，建议使用虚拟环境（conda create -n metagpt python=3.9）。
   • 安装MetaGPT：pip install metagpt。
   • 配置API密钥：在~/.metagpt/config2.yaml中填入你的OpenAI API Key（或兼容的国产大模型API，如通义千问、DeepSeek）。注意：请使用国内合法途径获取API服务，不要使用任何非法代理工具。

2. 第一个项目：生成贪吃蛇游戏
   在终端运行：

   metagpt "写一个贪吃蛇游戏，使用pygame"
   

   观察输出：你会看到“产品经理”写PRD，“架构师”画技术设计，“工程师”生成代码。最终在workspace目录下找到可运行的snake_game.py。

3. 关键理解

   • 框架默认使用增量模式：每次运行会复用已有文档，只生成新代码。
   • 查看logs文件夹中的对话记录，理解Agent之间的协作逻辑。

第1周：深度定制与项目实战

目标： 掌握参数调优，完成一个中等复杂度项目。

1. 控制输出质量

   • 修改config2.yaml中的max_tokens（建议4096+）和temperature（0.3-0.7之间，越低越稳定）。
   • 设置n_rounds控制协作轮次（默认5轮，复杂任务可增至10轮）。

2. 项目实战：生成一个待办事项Web应用
   使用更具体的需求：

   metagpt "创建一个Flask待办事项应用，支持用户注册、登录、增删改查任务，使用SQLite数据库，前端用Bootstrap"
   

   如果生成的代码有bug，可以在需求中追加“请修复登录功能中的CSRF漏洞”，MetaGPT会重新分析并修复。

3. 国产模型适配
   如果你使用国产大模型（如智谱GLM、百度文心），在配置文件中将api_type改为"openai"（兼容格式），并填入对应的API地址和密钥。注意：国产模型在复杂推理任务上可能不如GPT-4，但基础文档生成和简单代码已足够。

进阶：工作流自定义与多项目并行

目标： 构建自己的Agent角色和工作流。

1. 自定义角色
   在metagpt/roles/下创建新角色，例如“测试工程师”：

   from metagpt.roles import Role
   class Tester(Role):
       name: str = "Tester"
       profile: str = "Test Engineer"
       def __init__(self, **kwargs):
           super().__init__(**kwargs)
           self.set_actions([WriteTestCases, ExecuteTests])
   

2. 串联多个项目
   使用Team类创建流水线：一个项目输出作为另一个项目的输入。例如：先让MetaGPT生成API文档，再让另一个团队根据文档生成前端代码。

3. 集成外部工具
   通过ActionNode调用Git、Docker等工具。例如：在代码生成后自动运行pytest并反馈结果给“工程师”角色进行修复。

三、核心优势

• 开源中文友好：社区活跃，文档有中文版，国产大模型适配性好。
• 软件公司模拟：独特的角色分工（PM、架构师、工程师）让输出结构更完整，尤其适合生成技术文档。
• 增量迭代：支持基于已有代码进行修改，而非每次都从头生成。
• 可扩展性：角色、动作、工作流均可自定义，适合深度二次开发。

四、现实短板

• 复杂任务质量不稳定：当需求超过200行代码时，生成的代码可能包含逻辑错误或未处理边界情况，需要人工介入调试。
• 与CrewAI功能重叠：两者都做多Agent编排，但MetaGPT更偏软件工程场景，CrewAI更通用。如果你的需求不涉及文档生成，CrewAI可能更轻量。
• 依赖大模型能力：底层模型的质量直接决定输出效果，国产模型在复杂推理上仍落后GPT-4。

五、价格规划

• 基础免费层：MetaGPT本身完全开源免费，所有代码在GitHub可获取。
• API成本：按使用量计费。以GPT-4为例，生成一个中等Web应用约消耗10-20万token（约0.3-0.6美元）。如果使用国产模型（如DeepSeek-V2），成本可降至0.01美元左右。
• 企业级方案：可私有化部署，使用开源模型（如Qwen2-72B）在本地GPU运行，但需要至少48GB显存。

六、不合适怎么办

如果你发现MetaGPT不适合你的场景，可以考虑以下替代方案：

• 轻量代码生成：直接使用Cursor、GitHub Copilot等AI编程助手，无需配置多Agent。
• 通用工作流编排：尝试Dify、Coze等低代码平台，拖拽式构建AI工作流。
• 文档生成：使用ChatGPT或Claude直接生成PRD/设计文档，再手动拆解任务。
• 本地化部署：如果API成本敏感，可以部署Ollama+Open WebUI，搭配本地模型进行简单代码生成。

一句话总结：MetaGPT适合需要“从需求到代码全流程自动化”且愿意投入学习成本的用户；如果只是写几个函数，或者需要更稳定的输出，建议选择更轻量的工具。