MetaGPT
类别：开源智能体框架 ｜ 更新时间：2026-07
1. 基础信息
| 项目 | 内容 |
|---|---|
| 开发商/维护方 | FoundationAgents（深势科技） |
| 是否开源 | 是 |
| 开源协议 | MIT |
| 官方网站 | https://github.com/FoundationAgents/MetaGPT |
| GitHub 地址 | https://github.com/FoundationAgents/MetaGPT |
| 核心语言 | Python |
| 定价模式 | 开源免费；调用模型产生的 API 费用由使用者承担 |
| 适用人群 | 软件快速原型开发者、研究团队、教学场景 |
2. 核心设计思想
MetaGPT 将软件工程方法论（SOP，标准作业流程）注入多智能体协作：虚拟团队包含产品经理、架构师、工程师、QA 等角色，每个角色按岗位说明书（角色定义、动作、输出格式）工作，信息通过结构化产物（PRD、设计文档、代码、测试用例）在角色间流转。
其核心洞察是"软件开发是流程化生产"：把知识工作拆解为可检验的中间交付物，比让单个 Agent 自由发挥更可靠。因此单条提示词即可触发整条流水线，产出结构化软件交付物，尤其 MVP 规格生成能力强。它与 AutoGPT 的"开放式自由循环"形成鲜明对照------MetaGPT 押注流程纪律，AutoGPT 押注自主探索。
3. 特性
- 模拟完整软件公司：PM/架构师/工程师/QA 等多角色
- SOP 流水线式协作，交付物逐级校验
- 单提示词生成需求分析、设计、代码与测试用例
- 角色消息总线与结构化产出，信息可追溯
- 内置代码执行与测试反馈回路
- Data Interpreter 支持数据驱动的分析与可视化任务
- 支持多类模型接入与自定义角色
- 中文社区活跃，中文文档完善
- 适合快速生成 MVP 规格与项目脚手架
4. 典型模式
- 一句话生成 MVP：输入需求描述，自动产出 PRD、设计、代码与测试，适合快速验证想法
- 项目脚手架生成：自动搭建目录结构与核心代码骨架，适合初创团队与外包早期交付
- 数据解析与研究：Data Interpreter 执行数据分析、图表生成，适合研究场景
5. 关键对比
| 维度 | MetaGPT | AutoGPT | CrewAI |
|---|---|---|---|
| 编排范式 | 软件公司流水线 | 开放式循环 | 角色任务协作 |
| 领域专长 | 软件开发交付 | 通用自主探索 | 通用内容协作 |
| 输出形态 | 结构化交付物 | 不确定 | 任务成果 |
| 最佳场景 | MVP/规格生成 | 实验研究 | 内容/报告 |
目标是"从需求到软件交付物"时 MetaGPT 优势明显；通用任务或内容协作场景则选 AutoGPT 或 CrewAI。注意简单任务上 MetaGPT 属于"杀鸡用牛刀"，成本与复杂度偏高。
6. 优缺点
优点
- MVP 规格生成能力强；交付物结构化、可评审；流程可预测、可审计；概念独特，社区认可度高
缺点
- 简单任务上成本高、流程重；token 消耗大；深度定制流水线难度高；对复杂真实项目的产出质量仍有限
7. 落地组合方案
方案：MetaGPT + GPT-4 级模型 + 本地 Git 仓库 + 人工评审，适合快速原型、课程教学与软件外包早期交付，项目规模以小型 MVP 为主。步骤：1) 配置角色与模型接入；2) 输入需求提示词启动流水线；3) 对 PRD 与设计产物进行人工评审把关；4) 以生成的代码与测试为脚手架，进入常规开发流程迭代。
8. 安装步骤
MetaGPT 为 Python 库，通过 pip 安装：
bash
pip install metagpt或源码安装（便于跟进最新版本）：
bash
git clone https://github.com/FoundationAgents/MetaGPT.git
cd MetaGPT
pip install -e .配置模型：设置环境变量 OPENAI_API_KEY（或通过 metagpt --config 指定兼容 API，如 DeepSeek/GLM）。验证安装：
bash
metagpt --help9. 登录与模型配置
MetaGPT 是开源 Python 框架，无账号登录、无订阅；只需配置模型 API（OpenAI 或任意 OpenAI 兼容端点如 DeepSeek / GLM / Qwen，也可接入本地 Ollama）。
9.1 无账号登录说明
- 开源框架形态，没有注册与登录流程；
pip install metagpt后即可编码使用。 - 只消耗所配置模型厂商的 API 额度；框架本身免费。
- 多角色流水线 Token 消耗较大，建议选低价模型并合理设置投资上限（investment）。
9.2 方式一：第三方厂商 API Key（OpenAI 兼容）
通过环境变量或 config2.yaml 配置：
bash
# DeepSeek（深度求索）
export OPENAI_API_KEY=sk-xxxxxxxx
export OPENAI_BASE_URL=https://api.deepseek.com/v1
# GLM（智谱清言，OpenAI 兼容地址）
export OPENAI_API_KEY=xxxxxxxx.yyyyyyyy
export OPENAI_BASE_URL=https://open.bigmodel.cn/api/paas/v4
# Qwen（阿里云百炼）
export OPENAI_API_KEY=sk-xxxxxxxx
export OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1config2.yaml（项目根目录，metagpt --init-config 生成）：
yaml
llm:
api_type: openai # openai / anthropic / azure 等
model: deepseek-chat
base_url: https://api.deepseek.com/v1
api_key: sk-xxxxxxxx
temperature: 0.79.3 方式二：Anthropic / 本地 Ollama
bash
# Anthropic Claude
export ANTHROPIC_API_KEY=sk-ant-xxxxxxxx
yaml
# config2.yaml 切换 Anthropic
llm:
api_type: anthropic
model: claude-sonnet-4-5
api_key: sk-ant-xxxxxxxx
yaml
# config2.yaml 切换本地 Ollama
llm:
api_type: openai
model: qwen2.5:7b
base_url: http://localhost:11434/v1
api_key: ollama9.4 各厂商 Key 获取入口
| 厂商 | 模型示例 | Key 获取入口 |
|---|---|---|
| DeepSeek | deepseek-chat / deepseek-reasoner | platform.deepseek.com |
| 智谱 GLM | glm-4.5 / glm-4.5-air | open.bigmodel.cn |
| 阿里云百炼 | qwen-max / qwen3 | bailian.console.aliyun.com |
| 硅基流动 | 各家开源模型聚合 | cloud.siliconflow.cn |
| OpenAI | gpt-4o / o3 | platform.openai.com |
| Anthropic | claude-sonnet-4-5 | console.anthropic.com |
| Ollama | 本地任意开源模型 | 无需 Key |
提示：MetaGPT 的 PM/架构师/工程师/QA 多角色会串行调用模型，Token 消耗比单 Agent 高数倍，务必在
Team(investment=...)或配置中设置预算上限，防止流水线失控。
10. 简单示例
示例一：一行命令从需求生成项目（PM/架构师/工程师/QA 流水线自动产出 PRD、设计与代码）：
bash
metagpt "写一个命令行待办事项管理应用"产物输出到 workspace 目录，含需求文档、设计文档与可运行代码。
方式二：Python 方式自定义团队：
python
import asyncio
from metagpt.team import Team
from metagpt.roles import ProductManager, Architect, ProjectManager, Engineer
async def main():
team = Team(
members=[ProductManager(), Architect(), ProjectManager(), Engineer()],
investment=10.0, # 最大 token 投资
idea="写一个命令行待办事项管理应用",
)
await team.run_project()
await team.run()
asyncio.run(main())示例二：让 MetaGPT 生成一个 HTML 小游戏（贪吃蛇）------一行命令触发软件公司流水线：
bash
metagpt "用 HTML + CSS + JavaScript 写一个贪吃蛇小游戏：单文件，方向键控制，显示得分，输出到 workspace 目录"流水线执行：产品经理产出需求文档 → 架构师设计页面结构 → 工程师编写 snake.html 代码（画布 + 游戏循环 + 键盘事件 + 计分逻辑）→ QA 检查代码完整性 → 产物输出到 workspace 目录。
完成后在 workspace 中找到生成的 snake.html，浏览器双击打开即可试玩。想加功能（如"增加音效""加重新开始按钮"）修改需求描述重新运行，各角色会按新 PRD 迭代更新代码；或用 Python 方式指定团队并设置 investment 预算上限控制消耗。
说明：本示例按第 9 章配置的模型计费；多角色流水线消耗 Token 较多，建议用低价模型（DeepSeek / GLM）并设置投资上限。