MetaGPT

一句话定位

一个把”软件公司 SOP 标准作业流程”固化进多智能体协作的 Python 框架，信条是 Code = SOP(Team)：给不同 LLM 角色（产品经理/架构师/项目经理/工程师/数据分析师）分派职责，靠共享 Environment 消息池 + cause_by 订阅路由 + 结构化文档接力（ActionNode），把”一行需求”流水线化为 PRD→设计→任务→代码→测试的产物。

设计理念 / 顶层架构

MetaGPT 的核心范式是 multi-agent 流水线 + 显式 SOP，而非自由放养的 agent 群聊。设计取舍：

• Code = SOP(Team)：把人类软件公司的标准作业流程”物化”为代码——每个 Role 绑定有序的 Action 序列与”关注的上游产物”，角色之间不直接对话，而是把结构化文档（PRD、API 设计、任务清单）丢进环境消息池，下游角色按 cause_by 订阅自动接力。
• 三大原语 Role / Action / Team：Action 是最小工作单元（一次 LLM 调用 + 结构化输出）；Role 是有状态的 agent，内含 _observe → _think → _act 循环和私有记忆；Team 持有 Environment 与预算（investment），驱动多轮 run。
• 消息驱动 + 发布订阅：Environment 是中央消息池（publish_message 按 member_addrs 地址路由），每个 Role 有私有 MessageQueue 缓冲；_observe 用 rc.watch（订阅的 Action 集合）过滤感兴趣的消息——这是”谁干完什么、谁接着干”的解耦机制。
• 结构化输出即契约：ActionNode 用 schema + format 约束把 LLM 输出钉成可解析的结构化文档（含 auto/human review 自修订），让角色间传递的是强类型产物而非散文。
• 两代角色并存：经典 Role（state-machine，三种 react_mode：react/by_order/plan_and_act）+ 新一代 RoleZero（metagpt/roles/di/role_zero.py，工具化 ReAct，LLM 直接输出命令列表，max_react_loop=50），后者由 MGXEnv + TeamLeader 做动态编排。
• 入口 API：from metagpt.software_company import generate_repo，或 Team().hire([...]).run(idea=...)；CLI metagpt "Create a 2048 game"。

最小示例（取自 README）：

from metagpt.software_company import generate_repo
from metagpt.utils.project_repo import ProjectRepo

repo: ProjectRepo = generate_repo("Create a 2048 game")  # 一行需求 → 整个软件公司 SOP
print(repo)  # 打印生成的 repo 结构与文件（PRD / 设计 / 代码 / 测试）

# 等价的库用法（generate_repo 内部）：
# company = Team(context=ctx)
# company.hire([TeamLeader(), ProductManager(), Architect(), Engineer2(), DataAnalyst()])
# company.invest(investment=3.0)               # 设预算，超支抛 NoMoneyException
# asyncio.run(company.run(n_round=5, idea="Create a 2048 game"))

组件实现（横向逐项）

设计权衡与特性

• SOP 即护城河 vs 自由编排：与 AutoGen / CrewAI 的”agent 自由对话/委派”不同，MetaGPT 把流程”焊死”在角色的 Action 序列与 cause_by 订阅里——可复现性、产物质量高（论文核心卖点），代价是流程僵化、加新角色/改流程要动代码。
• 消息池 + cause_by 订阅的解耦：角色互不持有引用，全靠环境广播 + 标签过滤，天然支持并发（asyncio.gather）与可观测（Environment.history 全留痕）。但调试需理解 RFC 116/113 风格的路由（member_addrs/send_to/MESSAGE_ROUTE_*）。
• 结构化输出（ActionNode）是关键工程：把”LLM 写散文”约束成”填表式结构化文档 + 自动/人工 review 重填”，这是多角色能稳定接力的前提，也是 MetaGPT 区别于 prompt-chain 玩具的核心。
• 新旧两套并行的张力：经典 Role（state-machine + by_order SOP）正被 RoleZero/MGXEnv/TeamLeader（工具化 ReAct + 动态路由，对应 MGX 产品）逐步取代——generate_repo 默认已 use_mgx=True 且雇 TeamLeader/Engineer2/DataAnalyst。两套抽象并存，阅读源码时容易混淆哪条路径生效。
• 预算治理：investment + CostManager 把”花多少钱”做成一等公民（超支抛异常停机），在多 agent 易失控烧钱的场景下是务实设计。
• 重依赖：requirements 含 faiss/lancedb/playwright/llama-index(rag extra)/tiktoken 等；RAG/向量记忆、浏览器工具、Data Interpreter 各带一坨可选依赖。
• 待确认：①经典 Role.long_term_memory 在 RoleContext 中被注释禁用（默认只用短期 Memory），长期向量记忆需显式接 LongTermMemory；②stars 为约数（README 未标注精确值）。

关联

• component-taxonomy · single-vs-multi-agent · multi-agent-orchestration
• 同范式（multi-agent 编排）：autogen · crewai · 源码：agents-example/metagpt/