MetaGPT Actions基础框架之Action类解析

代码地址：github.com/FoundationA...

Action类解析

概述

Action类是MetaGPT框架中的核心组件，用于定义可执行动作，集成了LLM调用、上下文管理和动作节点执行功能，作为所有具体动作类的基类。

继承关系

SerializationMixin: 提供序列化能力，支持对象的持久化与传输
ContextMixin: 提供上下文管理功能，维护动作执行过程中的状态信息
BaseModel: 基于Pydantic的模型基类，提供数据验证和配置管理

核心配置

model_config : 使用ConfigDict(arbitrary_types_allowed=True)允许任意类型属性，适应复杂上下文场景

核心属性

属性名	类型	描述
name	str	动作名称，默认为类名（通过模型验证器自动设置）
i_context	Union $dict, CodingContext, str, None$	输入上下文，支持多种类型以适应不同动作场景（编码、测试、代码总结等）
prefix	str	LLM调用的系统提示前缀，通过`set_prefix`方法更新
desc	str	动作描述，用于技能管理器识别和分类
node	ActionNode	动作节点实例，定义具体执行逻辑和LLM交互模板
llm_name_or_type	Optional $str$	LLM模型名称或类型，对应`config2.yaml`中的模型配置

关键属性方法

prompt_schema: 获取配置中的提示词模板结构
project_name: 获取/设置当前项目名称（关联配置上下文）
project_path: 获取当前项目路径（关联配置上下文）

主要方法

方法名	说明
run(args, *kwargs)	动作执行入口方法，若存在`node`则调用`_run_action_node`，否则需子类实现
_aask(prompt, system_msgs)	异步调用LLM，自动附加`prefix`作为系统提示
_run_action_node(args, *kwargs)	处理历史消息上下文，调用`ActionNode.fill()`执行节点逻辑
set_prefix(prefix)	更新前缀并同步至LLM系统提示，若存在`node`则同步节点的LLM实例
override_context()	将`private_context`与`context`统一为同一对象，确保上下文一致性
str /repr	返回类名作为字符串表示，便于日志和调试

模型验证器逻辑

set_name_if_empty （前置验证）：若未提供name，自动将类名设为动作名称
_init_with_instruction （前置验证）：若传入instruction参数，自动创建ActionNode实例并赋值给node
_update_private_llm （后置验证）：根据llm_name_or_type从配置中加载LLM实例，继承成本管理器（cost_manager）

ActionNode集成

通过node属性关联ActionNode，实现基于模板的LLM交互
_run_action_node方法会将历史消息格式化为上下文，调用node.fill()完成具体内容生成
set_prefix方法同步更新LLM系统提示时，会同时更新node的LLM实例

使用示例

示例1：代码生成动作（WriteCode）

python 复制代码

class WriteCode(Action):
    name: str = "WriteCode"
    i_context: Document = Field(default_factory=Document)
    repo: Optional[ProjectRepo] = Field(default=None, exclude=True)
    input_args: Optional[BaseModel] = Field(default=None, exclude=True)

    async def run(self, *args, **kwargs) -> CodingContext:
        # 1. 加载上下文（设计文档、任务描述、历史代码等）
        coding_context = CodingContext.loads(self.i_context.content)
        
        # 2. 构建LLM提示词
        prompt = PROMPT_TEMPLATE.format(
            design=coding_context.design_doc.content,
            task=coding_context.task_doc.content,
            code=code_context,
            filename=self.i_context.filename
        )
        
        # 3. 调用LLM生成代码
        code = await self.write_code(prompt)
        
        # 4. 更新上下文并返回
        coding_context.code_doc.content = code
        return coding_context

关键实现点：

重写run方法实现代码生成逻辑
使用CodingContext管理编码相关上下文信息
通过模板构建提示词，调用_aask方法与LLM交互
支持增量开发和调试日志集成

示例2：需求分析动作（AnalyzeRequirementsRestrictions）

python 复制代码

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

    async def run(self, requirements, isinstance=INSTRUCTIONS, output_format=OUTPUT_FORMAT):
        # 1. 构建提示词（包含示例、需求和输出格式）
        prompt = ANALYZE_REQUIREMENTS.format(
            examples=EXAMPLES,
            requirements=requirements,
            instructions=isinstance,
            output_format=output_format
        )
        
        # 2. 调用LLM分析需求
        rsp = await self.llm.aask(prompt)
        return rsp

关键实现点：

轻量级实现，专注于需求分析单一职责
通过格式化字符串构建复杂提示词
直接使用llm.aask方法进行LLM调用
返回原始LLM响应结果

使用场景

作为所有具体动作（如WriteCode、AnalyzeRequirements）的基类
标准化LLM调用流程，统一上下文管理和消息处理机制
通过ActionNode实现可配置的动作逻辑，支持不同场景下的提示词模板复用