基于MetaGPT的智能体理论与实践-Task01

Task01: MetaGPT环境配置

学习教程:https://github.com/datawhalechina/hugging-multi-agent

1 环境准备

1.1 安装python3.9+

通过:python3 --version, 查看此python版本为3.10.3

1.2 下载MetaGPT

开始,借用清华镜像,拉取metagpt==0.6.6,失败。

然后直接用pip install metagpt==0.6.6 进行下载与安装。

1.3 获取MetaGPT仓库源码

首先git clone命令获取源码

bash 复制代码
git clone https://github.com/geekan/MetaGPT.git

然后进入 MetaGPT 目录

bash 复制代码
cd MetaGPT/

最后安装该仓库环境依赖

bash 复制代码
pip install -e .

2 配置MetaGPT

下面使用ZHIPUAI为例,来MetaGPT

首先,需要在https://open.bigmodel.cn/ 获取智谱的api_key。

然后使用config.yaml文件进行配置。

在MetaGPT/config/ 文件下,创建config.yaml文件,然后在文件中,添加如下配置信息。

bash 复制代码
llm:
  api_type: "zhipuai"  
  model: "glm-3-turbo"  
  base_url: "https://open.bigmodel.cn/api/paas/v4/chat/completions"  
  api_key: "your api_key"

3 DEMO测试

异步相关的代码在ipython或者notebook环境下,asyncio.run(xxx)得改成await xxx

eg:asyncio.run(main())需要改成await main()

代码中创建了两个角色,分别代表民主党候选人Alex和共和党候选人Bob。他们将在一个名为"US election live broadcast"的环境中进行对话。您的代码还定义了两个动作,分别是"AlexSay"和"BobSay",以及一个团队,其中包括了这两个角色。目标是模拟两位候选人在直播环境中就气候变化这一话题进行对话。这将有助于模拟候选人在现实选举中的表现和对话。

python 复制代码
import asyncio

from metagpt.actions import Action
from metagpt.environment import Environment
from metagpt.roles import Role
from metagpt.team import Team

action1 = Action(name="AlexSay", instruction="Express your opinion with emotion and don't repeat it")
action2 = Action(name="BobSay", instruction="Express your opinion with emotion and don't repeat it")
alex = Role(name="Alex", profile="Democratic candidate", goal="Win the election", actions=[action1], watch=[action2])
bob = Role(name="Bob", profile="Republican candidate", goal="Win the election", actions=[action2], watch=[action1])
env = Environment(desc="US election live broadcast")
team = Team(investment=10.0, env=env, roles=[alex, bob])

asyncio.run(team.run(idea="Topic: climate change. Under 80 words per message.", send_to="Alex", n_round=5))

由于,这里使用的notebook,所以把上面代码最后一行改成:

python 复制代码
await team.run(idea="Topic: climate change. Under 80 words per message.", send_to="Alex", n_round=5)
相关推荐
@小匠3 小时前
Read Frog:一款开源的 AI 驱动浏览器语言学习扩展
人工智能·学习
网教盟人才服务平台6 小时前
“方班预备班盾立方人才培养计划”正式启动!
大数据·人工智能
芯智工坊6 小时前
第15章 Mosquitto生产环境部署实践
人工智能·mqtt·开源
菜菜艾6 小时前
基于llama.cpp部署私有大模型
linux·运维·服务器·人工智能·ai·云计算·ai编程
TDengine (老段)6 小时前
TDengine IDMP 可视化 —— 分享
大数据·数据库·人工智能·时序数据库·tdengine·涛思数据·时序数据
小真zzz6 小时前
搜极星:第三方多平台中立GEO洞察专家全面解析
人工智能·搜索引擎·seo·geo·中立·第三方平台
GreenTea7 小时前
从 Claw-Code 看 AI 驱动的大型项目开发:2 人 + 10 个自治 Agent 如何产出 48K 行 Rust 代码
前端·人工智能·后端
火山引擎开发者社区7 小时前
秒级创建实例,火山引擎 Milvus Serverless 让 AI Agent 开发更快更省
人工智能
冬奇Lab7 小时前
一天一个开源项目(第72篇):everything-claude-code - 最系统化的 Claude Code 增强框架
人工智能·开源·资讯