MetaGPT是一个基于大型语言模型的多智能体框架，它把一家软件公司里的标准作业程序，也就是SOP，抽象成可编排的角色与动作。与单个Chatbot自由对话不同，MetaGPT强制多个AI智能体按照产品经理、架构师、后端工程师、测试工程师等岗位分工，依次完成需求分析、系统设计、编码和测试。要真正用起来，首先得在本地把环境配好，再通过一个带SOP约束的任务验证整个流程。下面从安装依赖开始，一直到一个可运行的竞品分析实例。
一、本地环境准备与依赖安装
安装MetaGPT之前，建议准备Python 3.9以上的环境，推荐使用3.10。Windows、macOS和Linux平台都可以运行，但要注意不同操作系统下的路径写法。为了隔离依赖，最好使用conda或venv创建独立虚拟环境。Node.js并不是必装项，但如果需要渲染流程图或使用某些扩展功能，建议安装18左右的稳定版本，版本过高可能引发兼容性问题。以下是使用conda创建环境并安装MetaGPT的基础命令。
conda create -n metagpt python=3.10 -y conda activate metagpt pip install --upgrade pip pip install metagpt
如果希望跟踪最新代码或修改框架内部逻辑，建议从源码安装。克隆仓库后使用pip安装可编辑模式，这样修改Python文件后无需重新安装。执行以下命令即可完成源码安装，并可以通过metagpt --help验证命令是否可用。
git clone https://github.com/geekan/MetaGPT.git cd MetaGPT pip install -e .
安装完成后，MetaGPT会在用户目录下生成配置文件。Windows系统中的路径通常是C:\Users\你的用户名\.metagpt\config.yaml，而Linux和macOS则为~/.metagpt/config.yaml。如果该文件不存在，第一次运行时会自动生成，也可以手动创建。这个配置文件是后续设置模型API和SOP参数的核心入口，务必记住它的位置。
二、模型配置与SOP核心参数
MetaGPT的默认启动依赖大型语言模型，因此必须正确配置模型API信息。以OpenAI为例，需要在config.yaml中填写api_type、model、base_url和api_key等字段。国内用户如果直连OpenAI不稳定，可以把base_url替换成代理服务或兼容OpenAI协议的中转地址。模型名称可以根据实际账号权限选择，例如gpt-3.5-turbo成本较低，适合先跑通流程。
llm: api_type: "openai" model: "gpt-3.5-turbo" base_url: "https://api.openai.com/v1" api_key: "YOUR_API_KEY" sop: run: true max_auto_summarize_code: 10 enabled: true
SOP在MetaGPT中并不是简单的开关，它决定了角色之间的协作顺序。框架内部通过Role、Action和Environment共同实现标准化流程。Role代表一个岗位，Action是角色能够执行的具体动作，Environment负责维护消息队列和上下文。当SOP开启时，复杂任务会被拆成多个动作，每个动作按预设次序执行，上一个角色的输出成为下一个角色的输入。不同版本中SOP参数名可能略有差异，部分旧版使用run_sop，新版则常见sop.enabled，配置前最好查阅对应版本的文档。
如果不确定配置文件中有哪些可用项，可以执行metagpt --init-config重新生成一份完整的默认配置。生成后只需要修改模型相关的几个字段即可，其他参数可以保持默认值。理解SOP的关键在于不要把所有逻辑都塞进一个提示词里，而是让每个角色只负责自己职责范围内的动作，这样输出质量更稳定。
三、SOP流程实战：编写多角色任务并运行
完成基础配置后，可以写一个简单的Python脚本来验证SOP流程。下面这个例子雇佣产品经理、架构师和工程师三个角色，要求他们对一款面向健身初学者的移动应用做竞品分析，并输出PRD、设计文档和代码骨架。MetaGPT会自动编排这些角色的动作，无需手动指定每个步骤的执行顺序。
import asyncio
from metagpt.roles import ProductManager, Architect, Engineer
from metagpt.team import Team
from metagpt.context import Context
async def main():
context = Context()
team = Team(context=context)
team.hire([
ProductManager(),
Architect(),
Engineer(),
])
project = "开发一款面向健身初学者的移动应用，包含训练计划、饮食记录和社交打卡功能"
await team.run_project(project)
print(team.get_members())
if __name__ == "__main__":
asyncio.run(main())
运行脚本后，控制台会逐步打印每个角色的输出信息。最终生成的文件通常位于当前工作目录下的docs和workspace文件夹中。PRD文档一般写入docs目录的requirement文件，设计文档在design文件中，代码骨架则保存在workspace目录。如果发现角色输出为空，首先检查config.yaml中的模型名称和API密钥是否正确，其次确认base_url是否可达。可以先用一个极简任务测试，例如让产品经理输出一句话需求描述，以排除SOP流程本身的问题。
在实际运行中，MetaGPT会消耗较多token，尤其当任务描述较长或角色数量较多时。建议先用gpt-3.5-turbo这类低成本模型把流程跑通，确认无误后再切换到更强模型。运行前还可以通过环境变量设置项目根目录和API密钥，避免每次修改配置文件。Linux和macOS下使用export命令，Windows下使用set命令，注意Windows路径中的反斜杠需要保留，例如C:\Users\admin\project。
export OPENAI_API_KEY=sk-xxx export METAGPT_PROJECT_ROOT=/home/user/project
四、常见问题与调试建议
网络超时是本地配置中最常见的问题。如果直连OpenAI API总是报连接超时，可以配置代理地址。将config.yaml中的base_url设置为本地代理，例如http://127.0.0.1:7890，或者使用支持OpenAI接口规范的中转服务。部分版本还支持环境变量OPENAI_BASE_URL，可以直接在终端中设置，避免修改配置文件带来的麻烦。
角色输出为空或内容重复也可能与SOP参数有关。旧版本中需要显式开启run_sop: true，新版本则默认启用。如果发现产品经理输出的PRD被截断，可以适当调高max_auto_summarize_code的值，或者检查模型的最大token限制。使用国产模型如DeepSeek时，通常将api_type保持为openai，模型名填写deepseek-chat，base_url改为DeepSeek的接口地址即可，不需要额外安装适配器。
成本控制是SOP实战中不可忽视的一环。多角色协作会触发多次模型调用，如果每个角色都使用高价位模型，一次任务可能消耗数美元。建议在验证阶段使用基础模型，并通过设置较低的温度值降低输出随机性。例如在环境变量中加入LLM_TEMPERATURE=0.2，可以让模型输出更确定。调通流程后，再针对关键角色切换高质量模型，这样既能保证最终交付质量，也不会在调试阶段产生过高费用。
MetaGPT的SOP机制本质上是一种约束性的多智能体编排，它把原本模糊的自然语言任务转变成分工明确的流水线。掌握本地配置和参数调优后，可以把它应用到竞品分析、原型生成、技术方案起草等场景中。随着项目复杂度提升，还可以自定义Role和Action，让AI智能体执行更贴合实际业务的标准化流程。
