上周和一个做AI架构的朋友聊天，他说了一句话让我想了很久：

“现在大家都在用LangChain、MetaGPT这些框架，但多数人只是调API，真遇到业务场景要定制，反而不会了。”

我问他为什么，他说：“因为不知道框架背后是怎么work的。”

所以我决定干一件事——手写一个Mini版本的MetaGPT，把多Agent协作的核心逻辑讲清楚。

一、MetaGPT到底干了什么？

先看一张图，理清MetaGPT的核心架构：

MetaGPT的核心理念就一句话：把软件工程的SOP（标准作业程序）注入到多Agent协作中。

传统做法是单个Agent从头写到尾，但MetaGPT的思路是——既然一个软件公司有产品经理、架构师、工程师、测试，为什么不让Agent也各司其职？

每个Agent只干自己最擅长的那件事，然后通过结构化输出串联起来。

二、核心架构拆解

MetaGPT的设计分两层：

2.1 基础组件层

• 环境（Environment）：Agent协作的工作空间和消息总线
• 记忆（Memory）：存储和检索历史消息
• 角色（Role）：封装专业技能和工作流程
• 行动（Action）：执行模块化的子任务
• 工具（Tool）：提供外部能力（搜索、计算等）

2.2 协作层

基础组件之上，MetaGPT提供了两种协作机制：

1. 知识共享（Knowledge Sharing）：Agent之间通过环境日志共享信息
2. 封装工作流（Encapsulated Workflow）：利用SOP将复杂任务拆解为子任务

关键设计思路：每个Agent的输出是标准化的结构化数据，下一个Agent可以直接解析使用。

三、手写Mini MetaGPT

下面我来写一个简化版的多Agent协作框架。完整代码不到200行，但能跑通"需求→代码"的完整流程。

3.1 基础定义

from pydantic import BaseModel, Fieldfrom typing importList, Optional, Dict, Anyfrom openai import OpenAIimport json# ============ 基础数据结构 ============classMessage(BaseModel): """Agent之间的消息""" sender: str receiver: str content: str msg_type: str = "text"# text | structured metadata: Dict[str, Any] = {}classRoleContext(BaseModel): """角色上下文""" name: str profile: str goal: str constraints: str = "" memory: List[Message] = []classAction(BaseModel): """原子行动""" name: str description: str output_schema: Dict[str, Any] = {}classAgent: """基础Agent类""" def__init__(self, context: RoleContext, llm_client: OpenAI, model: str = "gpt-4"): self.context = context self.llm = llm_client self.model = model defthink(self, task: str, context: str = "") -> str: """思考并决定下一步""" prompt = f"""你是一个{self.context.profile}。目标：{self.context.goal}约束：{self.context.constraints}当前任务：{task}上下文：{context}请给出你的专业输出。""" resp = self.llm.chat.completions.create( model=self.model, messages=[{"role": "system", "content": prompt}], temperature=0.7 ) return resp.choices[0].message.content defact(self, thought: str) -> Message: """执行行动并返回消息""" return Message( sender=self.context.name, receiver="environment", content=thought, msg_type="structured" )

实际生产中可以进一步扩展Action的标准化输出模式、重试机制等，但核心逻辑就是：每个Agent用角色提示词驱动 + 标准化输入输出。

3.2 环境与消息总线

class Environment: """协作环境——消息总线""" def__init__(self): self.messages: List[Message] = [] self.agents: Dict[str, Agent] = {} defregister(self, agent: Agent): self.agents[agent.context.name] = agent defpublish(self, msg: Message): self.messages.append(msg) print(f"[{msg.sender} → {msg.receiver}]: {msg.content[:80]}...") defget_history(self, for_agent: str = None) -> str: """获取Agent的历史上下文""" relevant = [m for m inself.messages ifnot for_agent or m.receiver in [for_agent, "environment"]] return"\n".join([f"{m.sender}: {m.content}"for m in relevant[-10:]])

3.3 角色定义——虚拟软件团队

# 定义各角色的专业提示词PROFILES = { "product_manager": RoleContext( name="产品经理", profile="资深产品经理，擅长将用户需求转化为PRD", goal="将用户需求转化为详细的产品需求文档", constraints="输出必须包含：功能列表、优先级、验收标准" ), "architect": RoleContext( name="架构师", profile="高级软件架构师，精通系统设计", goal="根据PRD输出技术方案和系统设计", constraints="输出必须包含：技术栈选择、模块划分、接口设计" ), "engineer": RoleContext( name="工程师", profile="全栈工程师，擅长代码实现", goal="根据技术方案编写完整的实现代码", constraints="代码必须可运行，包含模块化和错误处理" ), "qa": RoleContext( name="测试工程师", profile="高级QA工程师，擅长Code Review", goal="审查代码质量，发现潜在问题", constraints="必须检查：语法错误、逻辑漏洞、安全隐患" )}

3.4 工作流引擎——SOP编排

class SOPWorkflow: """标准作业流程编排""" def__init__(self, env: Environment): self.env = env defexecute(self, user_request: str) -> str: # 第一步：产品经理写PRD pm = self.env.agents["产品经理"] pm_thought = pm.think( f"用户需求：{user_request}\n请输出完整的PRD文档" ) self.env.publish(pm.act(pm_thought)) # 第二步：架构师设计技术方案 arch = self.env.agents["架构师"] context = self.env.get_history("架构师") arch_thought = arch.think( "根据PRD输出技术方案", context ) self.env.publish(arch.act(arch_thought)) # 第三步：工程师编写代码 eng = self.env.agents["工程师"] context = self.env.get_history("工程师") code = eng.think( "根据技术方案编写代码，注意代码质量和错误处理", context ) self.env.publish(eng.act(code)) return code

完整的SOP还可以包含QA审查环节和循环修正机制，核心思路是一样的。

3.5 运行入口

def main(): # 初始化LLM客户端（以DeepSeek为例） client = OpenAI( api_key="sk-your-api-key", base_url="https://api.deepseek.com" ) # 创建环境，注册Agent env = Environment() for role in PROFILES.values(): agent = Agent(role, client, model="deepseek-chat") env.register(agent) # 创建SOP工作流，执行 workflow = SOPWorkflow(env) result = workflow.execute("写一个命令行贪吃蛇游戏") print(result)if __name__ == "__main__": main()

代码已通过Python语法校验 ✅。使用时替换为真实的API Key即可运行。

四、MetaGPT的优劣势分析

核心洞察：MetaGPT适合需求明确的工程化任务，不适合需要创意探索的场景。

五、为什么理解这些对你重要？

我见过太多团队引入AI框架的方式是这样的：

1. 装个LangChain/LangGraph
2. 调几个Agent示例
3. 发现跟业务对不上
4. 放弃

问题的根源不是框架不好，而是你不知道框架背后是怎么决策的。

当你理解了：

• Agent的本质是Role + LLM + Memory + Tool
• 协作的本质是结构化输出 + 消息总线
• SOP的本质是任务序列 + 标准化接口

你就能在任何一个框架之上快速定制出适合自己业务的方案。

框架是用来"用"的，不是用来"学"的。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】