【AI的未来 - AI Agent系列】【MetaGPT】0. 你的第一个MetaGPT程序

简介: 【AI的未来 - AI Agent系列】【MetaGPT】0. 你的第一个MetaGPT程序

《MetaGPT智能体开发入门》开课,跟着课程,学习MetaGPT智能体开发。

0. 安装MetaGPT

请确保你的系统已安装Python 3.9+。你可以通过以下命令进行检查:

python3 --version

下面是具体的安装命令:

  • 安装命令
pip install metagpt
  • 如果想安装特定版本
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple metagpt==0.5.2
  • 如果想更新最新的版本和使用最新功能
pip install git+https://github.com/geekan/MetaGPT
  • 想看源代码,使用源代码
git clone https://github.com/geekan/MetaGPT.git
cd /your/path/to/MetaGPT
pip install -e .

1. 配置MetaGPT

这里使用OpenAI API,所以你首先需要有一个OpenAI的Key。

配置的内容包括三个:

  • OPENAI_API_KEY:你的OpenAI Key
  • OPENAI_API_MODEL:将要使用的大模型,例如“gpt-3.5-turbo”
  • OPENAI_API_BASE:服务地址,如果用中转服务,必填

下面将配置的内容加入工程中。MetaGPT官方提供的配置方式有3种:

  • 环境变量
  • config/key.yaml
  • config/config.yaml

MetaGPT将会按照下述优先级来读取你的配置:config/key.yaml > config/config.yaml > environment variable

我这里使用环境变量的方式。

(1)创建一个工程目录 MyMetaGPT,用VSCode打开

(2)新建一个.env文件,将以上配置填加到该文件中

在Python文件(MetaGPT_test.py)中将该.env文件设置的内容加载到环境变量中:

# 加载 .env 到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
• 1
• 2
• 3

2. 运行第一个MetaGPT程序

我们将创建一个多智能体团队,根据我们的一句话需求编写一个二十一点的游戏软件。

(1)导入已实现的角色

import asyncio
from metagpt.roles import (
    Architect,
    Engineer,
    ProductManager,
    ProjectManager,
)
from metagpt.team import Team

(2)初始化公司团队,配置对应的智能体,设置对应的预算以及提供一个写一个小游戏的需求。

async def startup(idea: str):
    company = Team()
    company.hire(
        [
            ProductManager(),
            Architect(),
            ProjectManager(),
            Engineer(),
        ]
    )
    company.invest(investment=3.0)
    company.start_project(idea=idea)
    await company.run(n_round=5)

(3)运行

asyncio.run(startup(idea="write a cli blackjack game")) # blackjack: 二十一点

运行成功后,可以看到输出结果:

  • 运行过程

  • 运行结束之后在工程目录下会出现一个workspace文件夹,里面就是生成的游戏代码

3. 让我们来看下它写出来的程序怎么样

运行它生成的main.py文件,可以运行成功,然后跟它玩21点游戏,我输了。

功能还是很强大的,整个过程我们只输入了一句话“write a cli blackjack game”。

4. 运行时可能遇到的问题

(1)MetaGPT中用的OpenAI接口好像是<1.0,所以不要安装>1.0的版本,否则无法运行。这就需要Anaconda这样的虚拟环境进行环境隔离,以避免影响到你需要使用openai > 1.0接口的其它项目运行。

(2)运行过程中报错如下,可参考这篇文章解决。

未完待续,请看下篇文章:【AI的未来 - AI Agent系列】【MetaGPT】1. AI Agent如何重构世界

相关文章
|
4天前
|
人工智能 API 决策智能
swarm Agent框架入门指南:构建与编排多智能体系统的利器 | AI应用开发
Swarm是OpenAI在2024年10月12日宣布开源的一个实验性质的多智能体编排框架。其核心目标是让智能体之间的协调和执行变得更轻量级、更容易控制和测试。Swarm框架的主要特性包括轻量化、易于使用和高度可定制性,非常适合处理大量独立的功能和指令。【10月更文挑战第15天】
46 6
|
25天前
|
Python 机器学习/深度学习 人工智能
手把手教你从零开始构建并训练你的第一个强化学习智能体:深入浅出Agent项目实战,带你体验编程与AI结合的乐趣
【10月更文挑战第1天】本文通过构建一个简单的强化学习环境,演示了如何创建和训练智能体以完成特定任务。我们使用Python、OpenAI Gym和PyTorch搭建了一个基础的智能体,使其学会在CartPole-v1环境中保持杆子不倒。文中详细介绍了环境设置、神经网络构建及训练过程。此实战案例有助于理解智能体的工作原理及基本训练方法,为更复杂应用奠定基础。首先需安装必要库: ```bash pip install gym torch ``` 接着定义环境并与之交互,实现智能体的训练。通过多个回合的试错学习,智能体逐步优化其策略。这一过程虽从基础做起,但为后续研究提供了良好起点。
82 4
手把手教你从零开始构建并训练你的第一个强化学习智能体:深入浅出Agent项目实战,带你体验编程与AI结合的乐趣
|
21天前
|
机器学习/深度学习 人工智能 算法
打造你的超级Agent智能体——在虚拟迷宫中智斗未知,解锁AI进化之谜的惊心动魄之旅!
【10月更文挑战第5天】本文介绍了一个基于强化学习的Agent智能体项目实战,通过控制Agent在迷宫环境中找到出口来完成特定任务。文章详细描述了环境定义、Agent行为及Q-learning算法的实现。使用Python和OpenAI Gym框架搭建迷宫环境,并通过训练得到的Q-table测试Agent表现。此项目展示了构建智能体的基本要素,适合初学者理解Agent概念及其实现方法。
61 9
|
18天前
|
人工智能 算法 决策智能
面向软件工程的AI智能体最新进展,复旦、南洋理工、UIUC联合发布全面综述
【10月更文挑战第9天】近年来,基于大型语言模型(LLM)的智能体在软件工程领域展现出显著成效。复旦大学、南洋理工大学和伊利诺伊大学厄巴纳-香槟分校的研究人员联合发布综述,分析了106篇论文,探讨了这些智能体在需求工程、代码生成、静态代码检查、测试、调试及端到端软件开发中的应用。尽管表现出色,但这些智能体仍面临复杂性、性能瓶颈和人机协作等挑战。
45 1
|
2月前
|
人工智能 JSON 数据格式
RAG+Agent人工智能平台:RAGflow实现GraphRA知识库问答,打造极致多模态问答与AI编排流体验
【9月更文挑战第6天】RAG+Agent人工智能平台:RAGflow实现GraphRA知识库问答,打造极致多模态问答与AI编排流体验
RAG+Agent人工智能平台:RAGflow实现GraphRA知识库问答,打造极致多模态问答与AI编排流体验
|
2月前
|
人工智能 自然语言处理 API
深入浅出 LangChain 与智能 Agent:构建下一代 AI 助手
我们小时候都玩过乐高积木。通过堆砌各种颜色和形状的积木,我们可以构建出城堡、飞机、甚至整个城市。现在,想象一下如果有一个数字世界的乐高,我们可以用这样的“积木”来构建智能程序,这些程序能够阅读、理解和撰写文本,甚至与我们对话。这就是大型语言模型(LLM)能够做到的,比如 GPT-4,它就像是一套庞大的乐高积木套装,等待我们来发掘和搭建。
|
25天前
|
机器学习/深度学习 人工智能 PyTorch
【AI系统】AI 系统与程序代码关系
在人工智能领域,系统与程序代码间的关系错综复杂。AI系统的设计需高效代码支撑,而代码优化与执行又受制于系统设计。本文剖析二者间的互动及其对AI进步的关键作用,涵盖AI训练流程、经典模型LeNet5实现、底层算子与系统问题,并探讨如何通过高效代码与系统优化推动AI技术革新,提升模型性能。欢迎访问昇腾社区获取更多AI学习资源与实践机会。
33 0
|
2月前
|
人工智能
AI工具:Gnomic智能体
AI工具:Gnomic智能体
36 0
|
3天前
|
机器学习/深度学习 人工智能 供应链
AI技术在医疗领域的应用与未来展望###
本文深入探讨了人工智能(AI)技术在医疗领域的多种应用及其带来的革命性变化,从疾病诊断、治疗方案优化到患者管理等方面进行了详细阐述。通过具体案例和数据分析,展示了AI如何提高医疗服务效率、降低成本并改善患者体验。同时,文章也讨论了AI技术在医疗领域面临的挑战和未来发展趋势,为行业从业者和研究人员提供参考。 ###
|
3天前
|
机器学习/深度学习 人工智能 算法
AI技术在医疗领域的应用与挑战
【10月更文挑战第21天】 本文探讨了人工智能(AI)在医疗领域的多种应用,包括疾病诊断、治疗方案推荐、药物研发和患者管理等。通过分析这些应用案例,我们可以看到AI技术如何提高医疗服务的效率和准确性。然而,AI在医疗领域的广泛应用也面临诸多挑战,如数据隐私保护、算法透明度和伦理问题。本文旨在为读者提供一个全面的视角,了解AI技术在医疗领域的潜力和面临的困难。

热门文章

最新文章