利用MetaGPT 创建智能体（2）多智能体
https://i-blog.csdnimg.cn/direct/33e4999cb99c4ba9b6a9ee104b0e8d26.png先给上个文章利用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？这是这两天再利用MetaGPT时候心中的疑问，这里做个记录
Role（脚色）和 Action（动作）是MetaGPT中的两个紧张概念和对象，Role顾名思义也就是脚色，这Role子类中表示一个独立的功能模块，一个Role内里调用多个Action；Action（动作）详细使命中的最小操纵单位。
举个例子的话就是，一个讲师（Role），如果要授课的话就需要备课（Action），开始授课（Action），上课期间还有提问（Action），末了由多个讲师（Role）来完成整个学生上课的这个功能。
补丁2： 安装volcengine-python-sdk~=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中利用deepseek（当地启动版），利用的话也很方便，第一启动ollama内里的deepseek模子，打开控制台，输入
ollama run deepseek-r1
等候模子下载运行就好，修改config2.yaml配置文件
llm:
api_type: "ollama"# or azure / ollama / groq etc.
model: "deepseek-r1"# or gpt-3.5-turbo
base_url: "http://localhost:11434/api"# or forward url / other llm url
api_key: "ollama"
然后就可以利用了，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使命，这也是实际业务中的常用处理。
多个智能体的利用大致3步，
1、定义多个Role，Action
2、Role中定义_watch监听相关Action
3、利用Team对象到场多个Role启动
在 MetaGPT 多智能体框架中，Team 对象是和谐和管理多个智能体（Agent）协作的焦点组件。它的作用雷同于一个“假造团队”，负责组织智能体之间的交互、使命分配、通信和谐，以及团体协作流程的控制。
Team 的焦点作用
[*]多智能体协作的容器
Team 作为多个智能体的容器，会合管理智能体的生命周期（创建、烧毁）、状态监控和资源分配。
[*]使命分配与调度
将复杂使命拆解为子使命，并根据智能体的脚色（Role）和能力（Skill）动态分配使命，确保高效协作。
[*]通信与和谐
管理智能体之间的通信（如消息通报、事故触发），避免辩说并确保信息同步。比方，在主动化客服系统中，和谐“用户意图辨认”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，处理非常（如使命超时、逻辑错误），并触发恢复机制（如重试使命、切换备用智能体）。
代码
创建Role1和对应的Action1，第一个Role需要吸收用户传来的指令，以是_watch监听用户UserRequirement消息，因为需要详细操纵以是也不用重写_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 rsp
return code_text
class 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()# 监听来自用户或其他智能体的重要上游消息
self.set_actions()
编写Role2和Action2，因为需要等候Action的执行内容，以是_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_text
class Role2(Role):
name:str = "Role2"
profile:str = "Role2"
def __init__(self, **kwargs):
super().__init__(**kwargs)
self.set_actions()
self._watch()# 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.todo
context = 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
末了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 rsp
class Role3(Role):
name:str = "Role3"
profile:str = "Role3"
def __init__(self, **kwargs):
super().__init__(**kwargs)
self.set_actions()
self._watch()
末了是运行，运行时创建Team对象，添加脚色，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利用，重点总结的话就是，监听_watch其他人，Team运行。
末了是全部代码
import asyncioimport refrom metagpt.actions import Action, UserRequirementfrom metagpt.roles import Rolefrom metagpt.schema import Messagefrom 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 rsp
return code_text
class 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()# 监听来自用户或其他智能体的重要上游消息
self.set_actions()
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_text
class Role2(Role):
name:str = "Role2"
profile:str = "Role2"
def __init__(self, **kwargs):
super().__init__(**kwargs)
self.set_actions()
self._watch()# 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.todo
context = 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
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 rsp
class Role3(Role):
name:str = "Role3"
profile:str = "Role3"
def __init__(self, **kwargs):
super().__init__(**kwargs)
self.set_actions()
self._watch()
# 运行函数async def main(idea:str, investment:float, n_round:int): # MetaGPT中的团队 team = Team() # 添加脚色 team.hire([ Role1(), Role2(), Role3() ]) # 注入资源，invest 属性用于设定或表示团队对某个使命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))
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]