MetaGPT
把一句软件需求编排为多角色协作的软件开发流程。
按维度查看评分与理由
证据显示：README 要求用户配置 API 密钥，但未说明最小权限原则；测试配置包含模拟密钥，但未说明生产环境处理；依赖列表包含多个包，但未提供安全审计；存在外部网络调用（如搜索、API），但未明确用户确认机制；未提供回滚机制；来源归属仅通过 README 中的作者和联系方式体现。扣分原因：缺少用户确认、数据流透明度和回滚机制。
证据显示：README 和测试配置一致，但依赖版本固定，可能影响可用性；失败消息未在文档中明确。扣分原因：依赖可用性未充分保证，失败消息不明确。
证据显示：README 提供了多种使用场景（CLI、库、Data Interpreter），但能力边界未明确；触发精度未详细说明；环境要求（Python 版本、Node、pnpm）已列出。扣分原因：能力边界和触发精度描述不足。
证据显示：README 结构清晰，安装说明详细，有示例和 FAQ 链接，但已知限制未明确；版本变更日志未提供；维护责任通过联系邮箱和 Discord 体现。扣分原因：已知限制和版本变更日志缺失。
证据显示：输出为代码仓库，可用性高；边际价值明显（多智能体框架）；成本效益未详细说明。扣分原因：成本效益分析不足。
证据显示：README 中的声明部分有论文引用，但未提供具体证据；跨来源验证不足；事实与推断未明确区分。扣分原因：声明可追溯性不足，事实与推断混淆。
- 依赖版本固定，可能影响安全更新和兼容性。
- 测试配置包含模拟密钥，但生产环境密钥管理未说明。
- 外部网络调用（如搜索、API）可能涉及数据外发，需用户确认。
这个 Agent 能做什么，适合哪些场景？
MetaGPT 是一个面向软件开发的多智能体框架，将一句需求交给产品经理、架构师、项目经理和工程师等角色协作处理。它以“Code = SOP(Team)”为核心理念，将标准作业流程应用于由 LLM 组成的团队。框架可生成用户故事、竞品分析、需求、数据结构、API 和文档等产物，并可通过 CLI 在 ./workspace 创建项目仓库。除命令行外，它还提供 Python 库接口，包括 generate_repo 和 ProjectRepo。仓库还提供 DataInterpreter 角色，可通过异步 Python 调用执行数据分析任务并包含图表。
用户可运行 metagpt "Create a 2048 game" 提交自然语言需求；MetaGPT 按其软件公司角色与 SOP 处理需求，并在 ./workspace 创建仓库。Python 中可调用 metagpt.software_company.generate_repo("Create a 2048 game")，获得 ProjectRepo 并打印项目结构。运行前可用 metagpt --init-config 创建 ~/.metagpt/config2.yaml，在其中设置 llm.api_type、model、base_url 和 api_key。数据任务可实例化 metagpt.roles.di.data_interpreter.DataInterpreter，再以 await di.run(...) 运行分析请求。
- 独立开发者只有一句“创建 2048 游戏”的产品想法，希望先生成一个位于本地 workspace 的项目仓库。
- 产品负责人需要把简短需求展开为用户故事、需求、数据结构、API 和文档等软件交付物。
- 团队想试验由产品经理、架构师、项目经理和工程师角色共同执行的软件开发 SOP。
- Python 开发者希望在自己的程序中调用
generate_repo，并通过ProjectRepo检查生成的项目结构。 - 数据分析人员希望用
DataInterpreter对 sklearn Iris 数据集执行分析并请求包含图表的结果。
这个 Agent 有哪些优点和局限？
- 将产品经理、架构师、项目经理和工程师等明确角色编排进软件公司式流程，而非只提供单一生成调用。
- 同一自然语言需求可面向用户故事、竞品分析、需求、数据结构、API、文档和项目仓库等多类产物。
- 同时提供
metagptCLI、generate_repo/ProjectRepoPython 接口，以及DataInterpreter示例。 - 配置示例明确支持 OpenAI，并列出 Azure、Ollama、Groq 等可选
api_type。
- 运行环境限定为 Python 3.9 至低于 3.12，且实际使用前还需要 Node.js 与 pnpm。
- 必须配置模型服务的
api_key、模型和端点；README 未提供模型调用成本或费用估算。 - 默认 CLI 工作流会在
./workspace创建项目仓库，并会在用户目录创建或读取~/.metagpt/config2.yaml。 - README 的软件公司架构图注明“Gradually Implementing”，未逐项说明所有角色流程的实现完整度。
如何安装或部署这个 Agent？
需要 Python 3.9 或更高版本、但低于 3.12，并在实际使用前安装 Node.js 和 pnpm。
安装：
pip install --upgrade metagpt初始化配置：
metagpt --init-config编辑 ~/.metagpt/config2.yaml，至少填写：
llm.api_type: "openai"
llm.model: "gpt-4-turbo"
llm.base_url: "https://api.openai.com/v1"
llm.api_key: "YOUR_API_KEY"README 还列出 Azure、Ollama、Groq 等 api_type 选项。
如何使用这个 Agent？
配置完成后，执行：
metagpt "Create a 2048 game"该命令会在 ./workspace 创建仓库。作为 Python 库使用时：
from metagpt.software_company import generate_repo
repo = generate_repo("Create a 2048 game")
print(repo)数据分析场景可创建 DataInterpreter() 并在异步函数中调用 await di.run("Run data analysis on sklearn Iris dataset, include a plot")。
常见问题
需要哪类模型凭据？
~/.metagpt/config2.yaml 中填写 api_key、model 与 base_url。README 还列出 Azure、Ollama、Groq 等 api_type 选项。它会写入本机哪些位置？
metagpt --init-config 会创建 ~/.metagpt/config2.yaml；示例 CLI 会在 ./workspace 创建项目仓库。能否嵌入已有 Python 程序？
generate_repo 和 ProjectRepo 的库调用方式，也给出了异步调用 DataInterpreter.run 的示例。