第15章 MetaGPT 实战：SOP 驱动的 AI 软件公司
一个产品经理 + 一个架构师 + 一个工程师 + 一个测试，四个人开个会，代码就写完了。MetaGPT 就是把这套流程 AI 化。
我是怕浪猫，上一章聊了 CrewAI 的角色驱动团队，今天来搞 MetaGPT——SOP 驱动的多智能体软件公司。核心卖点：用标准化的软件工程流程（SOP），让 AI 团队像真实软件公司一样运作。
15.1 MetaGPT 核心理念：SOP 驱动的多智能体
MetaGPT 是什么？
MetaGPT 是一个 SOP（标准作业程序）驱动的多智能体协作框架，核心理念是"让 AI 遵循真实软件公司的运作流程"。
真实软件公司的软件开发流程：
需求分析 → 产品设计 → 架构设计 → 代码实现 → 代码审查 → 测试 → 部署
↓ ↓ ↓ ↓ ↓ ↓ ↓
产品经理 产品设计师 架构师 工程师 代码审查 测试工程师 运维工程师MetaGPT 把这个流程映射为 AI Agent 角色，每个角色有自己的 SOP 和输出规范。
和 CrewAI 对比
| 维度 | MetaGPT | CrewAI |
|---|---|---|
| 驱动方式 | SOP驱动 | 角色任务驱动 |
| 流程 | 固定的软件工程流程 | 灵活可定制 |
| 角色 | 预定义（PM/Arch/Engineer等） | 自定义 |
| 输出规范 | 严格的文档格式 | 自由格式 |
| 适合场景 | 软件开发 | 通用协作 |
MetaGPT 的核心价值不是"多Agent协作"，而是"把软件工程的最佳实践编码为SOP"。每个角色该做什么、输出什么格式，都有规范。
15.2 角色定义与 SOP 规范
内置角色
| 角色 | 职责 | 输出 |
|---|---|---|
| ProductManager | 需求分析、PRD撰写 | PRD文档 |
| Architect | 架构设计、技术选型 | 架构设计文档 |
| Engineer | 代码实现 | 源代码文件 |
| QaEngineer | 测试用例设计 | 测试代码 |
| CodeReviewer | 代码审查 | 审查意见 |
自定义角色
python
from metagpt.roles import Role
from metagpt.actions import Action
class DataAnalyst(Role):
"""数据分析师角色"""
def __init__(self):
super().__init__(
name="DataAnalyst",
profile="数据分析师",
goal="从数据中发现洞察",
constraints="确保数据准确性和分析逻辑"
)
async def _act(self):
"""执行数据分析任务"""
# 1. 理解需求
requirement = self.rc.memory.get_by_action(DataRequirement)
# 2. 数据分析
analysis_result = await self.analyze_data(requirement)
# 3. 生成报告
report = await self.generate_report(analysis_result)
return reportSOP 规范示例（PRD文档）
markdown
# PRD：用户需求分析
## 1. 背景与目标
- 背景：[描述问题背景]
- 目标：[描述要达成的目标]
## 2. 用户故事
- 作为[用户角色]，我希望[功能]，以便[价值]
## 3. 功能需求
- [功能1描述]
- [功能2描述]
## 4. 非功能需求
- 性能：[指标]
- 安全：[要求]
## 5. 验收标准
- [标准1]
- [标准2]15.3 软件开发全流程实战
完整流程
python
import asyncio
from metagpt.team import Team
from metagpt.roles import (
ProductManager,
Architect,
Engineer,
QaEngineer
)
async def develop_software(requirement: str):
"""完整的软件开发流程"""
# 1. 创建团队
team = Team()
# 2. 添加角色
team.hire([
ProductManager(),
Architect(),
Engineer(n_borg=3), # 3个工程师并行
QaEngineer()
])
# 3. 设置投资（预算）
team.invest(150.0) # 投入150美元预算
# 4. 启动项目
await team.run(requirement)
# 5. 获取结果
return team.env.history
# 运行
if __name__ == "__main__":
requirement = "开发一个在线待办事项管理应用，支持创建、编辑、删除任务，支持任务分类和截止日期提醒。"
asyncio.run(develop_software(requirement))执行流程
用户输入需求
↓
[ProductManager] 分析需求，输出PRD
↓
[Architect] 设计架构，输出架构文档
↓
[Engineer x3] 并行实现代码
↓
[QaEngineer] 编写测试用例
↓
[CodeReviewer] 代码审查
↓
输出完整项目代码 + 文档 + 测试15.4 文档驱动的开发模式
为什么是"文档驱动"？
MetaGPT 强调"文档先行"——每个角色的输出都是一份标准化文档，下一个角色基于文档继续工作。
优势：
- 可追溯：每个决策都有文档记录
- 可审查：人类可以随时介入审查文档
- 可复用：文档可以作为知识库
文档链条
需求 → PRD → 架构设计 → 接口设计 → 代码 → 测试用例
↓ ↓ ↓ ↓ ↓ ↓
PM PM+Arch Arch Engineer Engineer QA查看生成的文档
python
from metagpt.utils.file import read_file
# 读取生成的PRD
prd = read_file("workspace/requirement_prd.md")
print(prd)
# 读取架构设计
arch = read_file("workspace/system_design.md")
print(arch)15.5 实战：自动生成 Web 应用
场景
用 MetaGPT 自动生成一个完整的 Todo List Web 应用。
python
from metagpt.team import Team
from metagpt.roles import ProductManager, Architect, Engineer, QaEngineer
async def generate_todo_app():
requirement = """
开发一个在线待办事项管理应用：
功能需求：
1. 用户注册和登录
2. 创建、编辑、删除待办事项
3. 待办事项分类（工作/生活/学习）
4. 设置截止日期和提醒
5. 标记完成状态
技术栈要求：
- 前端：React + TypeScript
- 后端：FastAPI + PostgreSQL
- 部署：Docker + Nginx
"""
team = Team()
team.hire([
ProductManager(),
Architect(),
Engineer(n_borg=3),
QaEngineer()
])
team.invest(200.0)
await team.run(requirement)
print("项目生成完成！查看 workspace/ 目录")
# 执行
import asyncio
asyncio.run(generate_todo_app())生成的项目结构
workspace/
├── requirement_prd.md # PRD文档
├── system_design.md # 架构设计
├── api_design.md # API设计
├── frontend/ # 前端代码
│ ├── src/
│ ├── package.json
│ └── README.md
├── backend/ # 后端代码
│ ├── app/
│ ├── tests/
│ └── README.md
└── docker-compose.yml # 部署配置15.6 实战：数据分析和可视化项目
场景
用 MetaGPT 生成一个数据分析项目。
python
from metagpt.roles import DataAnalyst, DataEngineer, DataVisualizationEngineer
from metagpt.team import Team
async def generate_data_analysis_project():
requirement = """
分析某电商平台的用户行为数据，生成可视化报告：
分析目标：
1. 用户活跃度分析（日活、周活、月活）
2. 用户留存分析（次日留存、7日留存、30日留存）
3. 用户行为路径分析
4. 商品转化率分析
数据来源：用户行为日志（CSV格式）
输出：Jupyter Notebook + 可视化图表 + 分析报告
"""
team = Team()
team.hire([
DataAnalyst(),
DataEngineer(),
DataVisualizationEngineer()
])
team.invest(100.0)
await team.run(requirement)
import asyncio
asyncio.run(generate_data_analysis_project())15.7 MetaGPT 高级应用
自定义 Action
python
from metagpt.actions import Action
class WriteUnitTest(Action):
"""编写单元测试的Action"""
async def run(self, code: str):
prompt = f"""
为以下代码编写完整的单元测试：
{code}
要求：
1. 使用pytest框架
2. 覆盖所有边界条件
3. Mock外部依赖
"""
response = await self.llm.aask(prompt)
return response
# 将Action分配给角色
engineer = Engineer(actions=[WriteUnitTest])多项目并行
python
import asyncio
from metagpt.team import Team
async def parallel_projects():
tasks = []
requirements = [
"开发一个博客系统",
"开发一个电商后台",
"开发一个任务管理系统"
]
for req in requirements:
team = Team()
team.hire([ProductManager(), Architect(), Engineer()])
tasks.append(team.run(req))
# 并行执行
await asyncio.gather(*tasks)15.8 最佳实践与注意事项
5个必知技巧
- 需求要详细：MetaGPT 的输入质量直接决定输出质量
- 预算要充足：LLM 调用次数多，预算不够会中途停止
- 审查中间文档：PRD和架构设计要人工审查
- 分步验证：先跑通简单需求，再逐步增加复杂度
- 代码要Review：生成的代码不一定能直接运行
常见问题
| 问题 | 原因 | 解决方案 |
|---|---|---|
| 生成代码无法运行 | LLM 幻觉 | 人工Review+修改 |
| 流程中途停止 | 预算不足 | 增加投资金额 |
| 输出不符合预期 | 需求描述不清晰 | 细化需求描述 |
| 架构设计不合理 | LLM 理解偏差 | 人工审查架构文档 |
MetaGPT 不是"一键生成生产级代码"的魔法，而是"把软件工程流程标准化并部分自动化"的工具。生成的代码需要人工审查和优化后才能用于生产。
本章小结
| 主题 | 核心要点 |
|---|---|
| SOP驱动 | 遵循真实软件工程流程，每个角色有标准输出 |
| 角色体系 | PM→Arch→Engineer→QA，完整软件公司映射 |
| 文档驱动 | PRD→架构→代码→测试，文档链条可追溯 |
| Web应用生成 | 自动生成前后端代码+文档+测试+部署配置 |
| 数据分析项目 | DataAnalyst+DataEngineer+Visualization |
| 高级应用 | 自定义Action、多项目并行 |
| 最佳实践 | 需求详细、预算充足、分步验证 |
觉得有用？收藏起来，下次直接照抄。
你用 MetaGPT 生成过什么项目？评论区分享你的经验。
关注怕浪猫，下期我们讲 MCP 协议——AI 与外部世界的标准接口，从概念到实战，打通 AI 应用的最后一公里。
系列进度 15/24
下章预告： 第16章我们将深入 MCP（Model Context Protocol），从协议原理到实战开发，帮你构建让 AI 真正能用的工具生态。