MetaGPT-打卡day01

MetaGPT是一个基于大型语言模型（LLMs）的多智能体协作框架。它利用SOP（Standard Operating Procedures，标准作业程序）来协调基于大语言模型的多智能体系统，从而实现元编程技术。该框架使用智能体模拟了一个虚拟软件团队，包含产品经理、架构师、项目经理、工程师、质量工程师等角色，并引入SOP成为框架的虚拟软件团队的开发流程。

安装部署

MetaGPT提供了两种部署方式：pip本地部署和docker部署。
这里使用pip进行了安装：
 

# 创建虚拟环境
conda create -n py39 python=3.9
conda activate py39
# clone项目到本地
git clone https://github.com/geekan/MetaGPT.git
cd /your/path/to/MetaGPT
pip install -e .

项目提供了一些例子，比如贪吃蛇展示MetaGPT的设计理念，即每个项目都可以抽象为一个标准流程（SOP），不同的角色负责项目的不同方面，组成一个项目组共同完成任务。

尝试

除了OpenAI外，MetaGPT还支持国内的智谱、讯飞星火等。这里使用智谱的开放平台，目前平台会提供大概200万的测试用的额度。基本可以满足学习需求。

【默认安装后的版本是0.6.0，直接使用的话，发现会失败，后来看到文档上说，目前需要使用0.5.2的版本，将版本回退后，便可以执行成功】

‍⁢⁤‬‌‌​⁤‍‌⁢⁤‬⁡‬⁢​⁣⁤​‌⁡‌⁢​⁡⁢​⁢‌‌‌⁡​‌​⁣⁢⁡⁤​‌‍适配其他国产模型 - 飞书云文档 (feishu.cn)

# 可导入任何角色，初始化它，用一个开始的消息运行它，完成！
import os

os.environ["ZHIPUAI_API_KEY"] = "申请的KEY"

import asyncio
import re
import subprocess

import fire

from metagpt.actions import Action
from metagpt.logs import logger
from metagpt.roles.role import Role, RoleReactMode
from metagpt.schema import Message


class SimpleWriteCode(Action):
    PROMPT_TEMPLATE: str = """
    Write a python function that can {instruction} and provide two runnnable test cases.
    Return ```python your_code_here ``` with NO other texts,
    your code:
    """

    name: str = "SimpleWriteCode"

    async def run(self, instruction: str):
        prompt = self.PROMPT_TEMPLATE.format(instruction=instruction)

        rsp = await self._aask(prompt)

        code_text = SimpleWriteCode.parse_code(rsp)

        return code_text

    @staticmethod
    def parse_code(rsp):
        pattern = r"```python(.*)```"
        match = re.search(pattern, rsp, re.DOTALL)
        code_text = match.group(1) if match else rsp
        return code_text


class SimpleRunCode(Action):
    name: str = "SimpleRunCode"

    async def run(self, code_text: str):
        result = subprocess.run(["python3", "-c", code_text], capture_output=True, text=True)
        code_result = result.stdout
        logger.info(f"{code_result=}")
        return code_result


class SimpleCoder(Role):
    name: str = "Alice"
    profile: str = "SimpleCoder"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self._init_actions([SimpleWriteCode])

    async def _act(self) -> Message:
        logger.info(f"{self._setting}: to do {self._rc.todo}({self._rc.todo.name})")
        todo = self._rc.todo  # todo will be SimpleWriteCode()

        msg = self.get_memories(k=1)[0]  # find the most recent messages
        code_text = await todo.run(msg.content)
        msg = Message(content=code_text, role=self.profile, cause_by=type(todo))

        return msg


class RunnableCoder(Role):
    name: str = "Alice"
    profile: str = "RunnableCoder"

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self._init_actions([SimpleWriteCode, SimpleRunCode])
        self._set_react_mode(react_mode=RoleReactMode.BY_ORDER.value)

    async def _act(self) -> Message:
        logger.info(f"{self._setting}: to do {self._rc.todo}({self._rc.todo.name})")
        # By choosing the Action by order under the hood
        # todo will be first SimpleWriteCode() then SimpleRunCode()
        todo = self._rc.todo

        msg = self.get_memories(k=1)[0]  # find the most k recent messages
        result = await todo.run(msg.content)

        msg = Message(content=result, role=self.profile, cause_by=type(todo))
        self._rc.memory.add(msg)
        return msg


def main(msg="创建一个定时将目录下文件推送到某FTP的程序，每次推送完成后，将已经推送的文件迁移到其他目录进行备份，备份的文件保留2天"):
    # role = SimpleCoder()
    role = RunnableCoder()
    logger.info(msg)
    result = asyncio.run(role.run(msg))
    logger.info(result)


if __name__ == "__main__":
    fire.Fire(main)

关于智能体

智能体 = LLM+观察+思考+行动+记忆

可能对于程序员来说，我觉得可以用更加简单的方式去理解这个概念。所谓的智能体，有些像我们借助大模型的能力，模拟出多个角色，当我们提出一个问题后，可以通过这些角色分工合作来解决。然后，metagpt的功能，更像是让我们简化定义操作角色的方式。这样可以让我们可以通过相对简单的方式，模拟出N个角色，让智能体来解决问题。

通过Demo的体验，总的感觉来说是很不错的~

让我们快乐的折腾吧~

过程中的一些困惑

其实周围的人，对于大模型的态度差异很大，有的人觉得大模型不太靠谱，还需要继续发展；有的人觉得，大模型是未来的一个热点~~

嗯，对于我来说，整体来说是比较看好大模型的，但是使用过程中，也遇到了一些困惑。

• 效率问题：目前测试的时候，也就执行了五六次代码，就消费了6~7w的token。消耗感觉还是挺大的，感觉如果是个人的话，有些消费不起。。在单位部署了ChatGLM3B，但是在家没法这么玩。
• 高度的依赖LLM： 大模型的好坏，其实直接影响了后面的一切。个人其实没法很好的去开发定义大模型底层的东西，而且要求的能力也很高。
• 有些任务很复杂，并不是很容易解决。对于需要多个步骤的任务，每一个决策，都会影响后面的决策，最终可能直接影响整个决策的质量，智能体在这方面，可能并不是很容易解决。而且，有的任务，并不是需要每个过程都完美，还是需要从全局去考虑的。
• ~~