当前位置：首页 > news >正文

使用MetaGPT 创建智能体（2）多智能体

news 来源：原创 2025/8/14 16:10:37

在这里插入图片描述

先给上个文章使用MetaGPT 创建智能体（1）入门打个补丁：

补丁1： MeteGTP中Role和Action的关联和区别？这是这两天再使用MetaGPT时候心中的疑问，这里做个记录

Role（角色）和 Action（动作）是MetaGPT中的两个重要概念和对象，Role顾名思义也就是角色，这Role子类中表示一个独立的功能模块，一个Role里面调用多个Action；Action（动作）具体任务中的最小操作单元。

举个例子的话就是，一个讲师（Role），如果要讲课的话就需要备课（Action），开始讲课（Action），上课期间还有提问（Action），最后由多个讲师（Role）来完成整个学生上课的这个功能。

补丁2：安装volcengine-python-sdk[ark]~=1.0.94报错

Could not build wheels for volcengine-python-sdk, which is required to install pyproject.toml-based projects

由于 Windows 系统有最长路径限制，导致安装失败，按照以下方式设置：

按下 Win+R ，输入 regedit 打开注册表编辑器。
设置 \HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem 路径下的变量 LongPathsEnabled 为 1

再蹭个热度：

deepseek前段时间爆火，这里写个怎么在MetaGPT中使用deepseek（本地启动版），使用的话也很方便，第一启动ollama里面的deepseek模型，打开控制台，输入

ollama run deepseek-r1

等待模型下载运行就好，修改config2.yaml配置文件

llm:api_type: "ollama"  # or azure / ollama / groq etc.model: "deepseek-r1"  # or gpt-3.5-turbobase_url: "http://localhost:11434/api"  # or forward url / other llm urlapi_key: "ollama"

然后就可以使用了，有一说一确实不错。

正文

多智能体指的就是创建多个智能体去进行执行任务，这也是实际业务中的常用处理。

多个智能体的使用大致3步，

1、定义多个Role，Action

2、Role中定义_watch监听相关Action

3、使用Team对象加入多个Role启动

在 MetaGPT 多智能体框架中，Team 对象是协调和管理多个智能体（Agent）协作的核心组件。它的作用类似于一个“虚拟团队”，负责组织智能体之间的交互、任务分配、通信协调，以及整体协作流程的控制。

Team 的核心作用

多智能体协作的容器
Team 作为多个智能体的容器，集中管理智能体的生命周期（创建、销毁）、状态监控和资源分配。
任务分配与调度
将复杂任务拆解为子任务，并根据智能体的角色（Role）和能力（Skill）动态分配任务，确保高效协作。
通信与协调
管理智能体之间的通信（如消息传递、事件触发），避免冲突并确保信息同步。例如，在自动化客服系统中，协调“用户意图识别”和“工单生成”两个智能体的协作。
环境管理
提供共享的上下文环境（如全局数据、知识库），使智能体可以访问统一的信息源，避免重复计算或数据不一致。
容错与恢复
监控智能体运行状态，处理异常（如任务超时、逻辑错误），并触发恢复机制（如重试任务、切换备用智能体）。

代码

创建Role1和对应的Action1，第一个Role需要接收用户传来的指令，所以_watch监听用户UserRequirement消息，因为需要具体操作所以也不用重写_act函数（全部代码在最下面）

def parse_code(rsp):# r 定义原始字符串，忽略其中的所有转义字符pattern = r"```python(.*)```"match = re.search(pattern, rsp, re.DOTALL)code_text = match.group(1) if match else rspreturn code_textclass Action1(Action):name:str = "Action1"PROMPT_TEMPLATE:str = """ 编写一个python函数，可以 {instruction} """async def run(self, instruction: str):prompt = self.PROMPT_TEMPLATE.format(instruction=instruction)# 令 LLM 赋予这个动作能力rsp = await self._aask(prompt)# 解析返回内容code_text = parse_code(rsp)return code_text# 角色
class Role1(Role):name:str = "Role1"profile:str = "Role1"def __init__(self, **kwargs):super().__init__(**kwargs)self._watch([UserRequirement])  # 监听来自用户或其他智能体的重要上游消息self.set_actions([Action1])

编写Role2和Action2，因为需要等待Action的执行内容，所以_watch监听Action1

class Action2(Action):name:str = "Action2"PROMPT_TEMPLATE:str = """ 上下文：｛context｝ 假设您已导入给定函数，则使用pytest为其编写{k}个单元测试。 """async def run(self, context: str, k:int=3):prompt = self.PROMPT_TEMPLATE.format(context=context, k=k)rsp = await self._aask(prompt)code_text = parse_code(rsp)return code_textclass Role2(Role):name:str = "Role2"profile:str = "Role2"def __init__(self, **kwargs):super().__init__(**kwargs)self.set_actions([Action2])self._watch([Action1])  # 监听来自用户或其他智能体的重要上游消息async def _act(self) -> Message:todo = self.rc.todocontext = self.get_memories() # 查找消息code_text = await todo.run(context, k=5) # 这里开始执行Action2的处理# role 消息角色# cause_by 专门用于追踪消息的触发来源，建立消息与动作（Action）之间的关联msg = Message(content=code_text, role=self.profile, cause_by=type(todo))return msg

最后Role3，Action3，监听Action2，监听是可以监听多个Action的

class Action3(Action):name:str = "Action3"PROMPT_TEMPLATE:str = """ 上下文：｛context｝ 审查测试用例并提供一条关键意见： """async def run(self, context: str):prompt = self.PROMPT_TEMPLATE.format(context=context)rsp = await self._aask(prompt)return rspclass Role3(Role):name:str = "Role3"profile:str = "Role3"def __init__(self, **kwargs):super().__init__(**kwargs)self.set_actions([Action3])self._watch([Action2])

最后是运行，运行时创建Team对象，添加角色，然后运行

# 运行函数
async def main(idea:str,investment:float,n_round:int):# MetaGPT中的团队team = Team()# 添加角色team.hire([Role1(),Role2(),Role3()])# 注入资源 invest 属性用于设定或表示团队对某个任务或目标的资源投入程度team.invest(investment=investment)team.run_project(idea) # 启动团队协作流程await team.run(n_round=n_round)if __name__ == '__main__':asyncio.run(main('计算列表乘积的函数', 3.0, 3))

三个智能体

Role1，执行Action1，监听用户输入；

Role2，监听Action1，执行Action2；

Role3，监听Action2，执行Action3；

这就是多个智能体的合作使用，重点总结的话就是，监听_watch其他人，Team运行。

最后是全部代码

import asyncio
import refrom metagpt.actions import Action, UserRequirement
from metagpt.roles import Role
from metagpt.schema import Message
from metagpt.team import Team# 多个智能体案例
def parse_code(rsp):# r 定义原始字符串，忽略其中的所有转义字符pattern = r"```python(.*)```"match = re.search(pattern, rsp, re.DOTALL)code_text = match.group(1) if match else rspreturn code_textclass Action1(Action):name:str = "Action1"PROMPT_TEMPLATE:str = """ 编写一个python函数，可以 {instruction} """async def run(self, instruction: str):prompt = self.PROMPT_TEMPLATE.format(instruction=instruction)# 令 LLM 赋予这个动作能力rsp = await self._aask(prompt)# 解析返回内容code_text = parse_code(rsp)return code_text# 角色
class Role1(Role):name:str = "Role1"profile:str = "Role1"def __init__(self, **kwargs):super().__init__(**kwargs)self._watch([UserRequirement])  # 监听来自用户或其他智能体的重要上游消息self.set_actions([Action1])class Action2(Action):name:str = "Action2"PROMPT_TEMPLATE:str = """ 上下文：｛context｝ 假设您已导入给定函数，则使用pytest为其编写{k}个单元测试。 """async def run(self, context: str, k:int=3):prompt = self.PROMPT_TEMPLATE.format(context=context, k=k)rsp = await self._aask(prompt)code_text = parse_code(rsp)return code_textclass Role2(Role):name:str = "Role2"profile:str = "Role2"def __init__(self, **kwargs):super().__init__(**kwargs)self.set_actions([Action2])self._watch([Action1])  # 监听来自用户或其他智能体的重要上游消息async def _act(self) -> Message:todo = self.rc.todocontext = self.get_memories() # 查找消息code_text = await todo.run(context, k=5) # 这里开始执行Action2的处理# role 消息角色# cause_by 专门用于追踪消息的触发来源，建立消息与动作（Action）之间的关联msg = Message(content=code_text, role=self.profile, cause_by=type(todo))return msgclass Action3(Action):name:str = "Action3"PROMPT_TEMPLATE:str = """ 上下文：｛context｝ 审查测试用例并提供一条关键意见： """async def run(self, context: str):prompt = self.PROMPT_TEMPLATE.format(context=context)rsp = await self._aask(prompt)return rspclass Role3(Role):name:str = "Role3"profile:str = "Role3"def __init__(self, **kwargs):super().__init__(**kwargs)self.set_actions([Action3])self._watch([Action2])# 运行函数
async def main(idea:str,investment:float,n_round:int):# MetaGPT中的团队team = Team()# 添加角色team.hire([Role1(),Role2(),Role3()])# 注入资源，invest 属性用于设定或表示团队对某个任务或目标的资源投入程度team.invest(investment=investment)team.run_project(idea) # 启动团队协作流程await team.run(n_round=n_round)if __name__ == '__main__':# fire.Fire(main) 快速将 Python 对象（如函数、类、模块）转换为命令行接口（CLI）# main('编写一个计算列表乘积的函数', 3.0, 5)asyncio.run(main('计算列表乘积的函数', 2.0, 3))

正文

代码

相关文章：