AI创想

标题: 使用MetaGPT 创建智能体（2）多智能体 [打印本页]

---

作者: AI小编    时间: 8 小时前
标题: 使用MetaGPT 创建智能体（2）多智能体
作者：CSDN博客

(, 下载次数: 0)

上传

点击文件名下载附件

先给上个文章使用MetaGPT 创建智能体（1）入门打个补丁：
补丁1： MeteGTP中Role和Action的关联和区别？这是这两天再使用MetaGPT时候心中的疑问，这里做个记录
Role（角色）和 Action（动作）是MetaGPT中的两个重要概念和对象，Role顾名思义也就是角色，这Role子类中表示一个独立的功能模块，一个Role里面调用多个Action；Action（动作）具体任务中的最小操作单元。
举个例子的话就是，一个讲师（Role），如果要讲课的话就需要备课（Action），开始讲课（Action），上课期间还有提问（Action），最后由多个讲师（Role）来完成整个学生上课的这个功能。
<hr>补丁2： 安装volcengine-python-sdk[ark]~=1.0.94报错

1. Could not build wheels for volcengine-python-sdk, which is required to install pyproject.toml-based projects

复制代码

由于 Windows 系统有最长路径限制，导致安装失败，按照以下方式设置：
<hr>

按下 Win+R ，输入 regedit 打开注册表编辑器。
设置 \HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem 路径下的变量 LongPathsEnabled 为 1

<hr><hr>再蹭个热度：
deepseek前段时间爆火，这里写个怎么在MetaGPT中使用deepseek（本地启动版），使用的话也很方便，第一启动ollama里面的deepseek模型，打开控制台，输入

1. ollama run deepseek-r1

复制代码

等待模型下载运行就好，修改config2.yaml配置文件

1. llm:
2.   api_type: "ollama"  # or azure / ollama / groq etc.
3.   model: "deepseek-r1"  # or gpt-3.5-turbo
4.   base_url: "http://localhost:11434/api"  # or forward url / other llm url
5.   api_key: "ollama"

复制代码

然后就可以使用了，有一说一确实不错。
<hr><hr>正文

<hr>多智能体指的就是创建多个智能体去进行执行任务，这也是实际业务中的常用处理。
多个智能体的使用大致3步，
1、定义多个Role，Action
2、Role中定义_watch监听相关Action
3、使用Team对象加入多个Role启动
<hr>在 MetaGPT 多智能体框架中，Team 对象是协调和管理多个智能体（Agent）协作的核心组件。它的作用类似于一个“虚拟团队”，负责组织智能体之间的交互、任务分配、通信协调，以及整体协作流程的控制。
Team 的核心作用

多智能体协作的容器
Team 作为多个智能体的容器，集中管理智能体的生命周期（创建、销毁）、状态监控和资源分配。任务分配与调度
将复杂任务拆解为子任务，并根据智能体的角色（Role）和能力（Skill）动态分配任务，确保高效协作。通信与协调
管理智能体之间的通信（如消息传递、事件触发），避免冲突并确保信息同步。例如，在自动化客服系统中，协调“用户意图识别”和“工单生成”两个智能体的协作。环境管理
提供共享的上下文环境（如全局数据、知识库），使智能体可以访问统一的信息源，避免重复计算或数据不一致。容错与恢复
监控智能体运行状态，处理异常（如任务超时、逻辑错误），并触发恢复机制（如重试任务、切换备用智能体）。

代码

创建Role1和对应的Action1，第一个Role需要接收用户传来的指令，所以_watch监听用户UserRequirement消息，因为需要具体操作所以也不用重写_act函数（全部代码在最下面）

1. defparse_code(rsp):# r 定义原始字符串，忽略其中的所有转义字符
2.     pattern =r"```python(.*)```"
3.     match = re.search(pattern, rsp, re.DOTALL)
4.     code_text = match.group(1)if match else rsp
5.     return code_text
7. classAction1(Action):
8.     name:str="Action1"
9.     PROMPT_TEMPLATE:str=""" 编写一个python函数，可以 {instruction} """asyncdefrun(self, instruction:str):
10.         prompt = self.PROMPT_TEMPLATE.format(instruction=instruction)# 令 LLM 赋予这个动作能力
11.         rsp =await self._aask(prompt)# 解析返回内容
12.         code_text = parse_code(rsp)return code_text
14. # 角色classRole1(Role):
15.     name:str="Role1"
16.     profile:str="Role1"def__init__(self,**kwargs):super().__init__(**kwargs)
17.         self._watch([UserRequirement])# 监听来自用户或其他智能体的重要上游消息
18.         self.set_actions([Action1]

复制代码

原文地址：https://blog.csdn.net/lihao1107156171/article/details/147337437

---

欢迎光临 AI创想 (http://llms-ai.com/)

Powered by Discuz! X3.4