MetaGPT 5个硬核使用技巧：让多Agent协作真正落地

MetaGPT作为华人开源的明星项目，把软件公司模拟玩出了新高度。但很多朋友装完跑个demo就吃灰了，其实这玩意儿藏着不少能提升实际生产力的骚操作。今天分享5个我自己踩坑后总结的实用技巧，全是真刀真枪能用的。

技巧1：用「角色裁剪」解决长对话Token爆炸

MetaGPT默认会拉起产品经理、架构师、工程师等全套角色，但实际写个小脚本根本不需要这么大阵仗。核心思路是只保留2-3个关键角色。

具体操作：
在config.yaml里设置ROLES_PATH，或者直接在启动命令加参数：

python startup.py --idea "写一个批量重命名PDF的Python脚本" --roles "ProductManager,Engineer"

这样砍掉QA和架构师后，Token消耗直接降60%，而且响应速度快了不止一倍。适合个人开发者快速验证想法，而不是非要搞个完整SOP。

场景举例：你要写个自动化表格处理工具，让PM和Engineer两个角色来回对线就够，架构师反而会过度设计。

技巧2：用「增量需求」替代全量重跑

很多人遇到需求变更就重新跑一遍完整流程，结果历史对话全丢，Agent还得从头理解上下文。正确做法是用--incremental参数做增量迭代。

实战用法：
第一次跑完生成代码后，如果想加个日志功能，别重启：

python startup.py --incremental "给所有函数加上logging.debug输出"

MetaGPT会基于上次的对话历史继续推进，PM会先评估改动影响，工程师直接改对应模块。比全量重跑省至少70%时间，而且代码风格保持统一。

注意：增量模式需要保持工作目录不变，别清空workspace文件夹。

技巧3：用「中文Prompt模板」驯服Agent的英文输出

MetaGPT底层模型默认倾向英文，但很多中文用户发现生成的文档夹杂中英文、甚至变量名都用拼音。解决方案是自定义Prompt模板。

操作步骤：

1. 在项目根目录创建prompts/zh_prompts.yaml
2. 写入：

product_manager:
  system: "你是一位资深中文产品经理，所有输出必须使用简体中文，技术名词保留英文原词"
  user: "请用中文描述{idea}的功能需求"
engineer:
  system: "代码注释用中文，变量名用英文，函数名用snake_case"

3. 启动时指定模板：--prompts prompts/zh_prompts.yaml

这样生成的PRD、接口文档全是地道中文，代码注释也不会出现“this_is_一个变量”这种鬼畜写法。

技巧4：用「断点续跑」拯救跑了一半崩掉的会话

MetaGPT跑长任务时，经常因为API超时或模型抽风卡死在某个角色对话。别慌，有救。

保命操作：
找到workspace目录下的.metagpt文件夹，里面有个session.json文件。把最后几行status: "running"改成status: "pending"，然后重新执行：

python startup.py --resume

MetaGPT会从最后一个未完成的任务节点继续，不会丢失之前生成的代码和文档。实测能救回80%的崩溃场景。

进阶用法：如果某个Agent回复太啰嗦，直接手动改session.json里的message字段，删掉废话再resume，相当于你手动给Agent喂了正确方向。

技巧5：用「沙盒模式」防止Agent乱改文件

默认情况下，MetaGPT的工程师Agent会直接修改workspace里的文件，万一它把核心逻辑删了，哭都来不及。必须开沙盒。

配置方法：
在config.yaml里加一行：

sandbox: true

开启后，所有文件修改都会先写入workspace/sandbox/目录，只有你确认后才同步到正式目录。配合--diff参数还能看到每次改动的对比：

python startup.py --sandbox --diff

这样Agent删代码、改配置时，你能像Git diff一样审查每行改动，再决定是否合并。适合多人协作或生产环境使用，避免AI手滑。

---

这5个技巧用熟了，MetaGPT就不再是玩具，而是能帮你省下大量重复劳动的实战工具。记住，多Agent框架的精髓不是让AI自己嗨，而是你作为人类在关键节点把控方向。下次跑项目时，试试裁剪角色、增量迭代、开沙盒，你会发现效率直接翻倍。