MetaGPT

Qu’est-ce que MetaGPT ?

MetaGPT est un framework multi-agents open source géré par FoundationAgents, dont l’objectif est de permettre à plusieurs modèles de langage de grande taille de collaborer selon des processus opérationnels standard pour accomplir des tâches complexes. Son usage le plus représentatif consiste à confier une exigence logicielle à un gestionnaire de produit virtuel, à des architectes, à des chefs de projet et à des équipes d’ingénieurs, afin de générer progressivement les exigences, les designs, le code et la documentation du projet.

MetaGPT n’est pas un site de chat ordinaire qui peut être utilisé sans configuration, mais plutôt un framework Python destiné aux développeurs et aux chercheurs. Les utilisateurs doivent installer eux-mêmes l’environnement de fonctionnement, configurer les services de modèles, et assumer la responsabilité du code généré, des permissions des outils ainsi que des coûts de appel.

Idée centrale : Code = SOP(Equipe)

MetaGPT encode les processus de collaboration d’équipe en SOP, permettant aux différents rôles de recevoir des messages dans un ordre prédéfini, d’exécuter des actions et de produire des résultats structurés. Contrairement à laisser plusieurs agents discuter librement, cette conception met davantage l’accent sur les limites des responsabilités, le format des livrables et des flux de travail reproductibles.

• Rôle : Définit l’identité et les responsabilités des acteurs tels que le gestionnaire de produit, l’architecte, l’ingénieur, etc.
• Action : Décrire les actions concrètes que le rôle peut effectuer, par exemple rédiger des exigences ou concevoir des interfaces.
• Message : Transmettre des tâches, du contexte et des résultats intermédiaires entre les rôles.
• Environnement : Fournit à l’équipe un environnement de exécution partagé et un espace de collaboration par messagerie.
• Équipe : Organisation des rôles, du budget et du processus d’exécution des tâches.
• SOP : Définit les conditions dans lesquelles un rôle exécute certaines actions et produit quel document.

Fonction principale

1. Développement de logiciels à multiples rôles

Le cadre intègre des processus de collaboration typiques d’une entreprise de logiciels, permettant de générer à partir de besoins exprimés en langage naturel des histoires d’utilisateur, des analyses concurrentielles, des documents de spécifications, des conceptions de système, des structures de données, des descriptions d’interfaces et du code. Les résultats peuvent être enregistrés dans l’espace de travail du projet, facilitant ainsi la vérification et les modifications par les développeurs.

2. Agents et actions personnalisés

Les développeurs peuvent hériter des composants de rôles et d’actions du framework, afin de définir des prompts, des outils, des champs de vision et des structures de sortie. Cela permet d’étendre MetaGPT aux domaines de la recherche, de l’exploitation, du traitement de données et des workflows d’entreprise.

3. Data Interpreter

Data Interpreter est conçu pour les tâches d’analyse de données et d’exécution de code : il permet de planifier des étapes, d’écrire et d’exécuter du code, puis de continuer à le corriger en fonction des retours d’exécution. Les exemples officiels couvrent des scénarios tels que la visualisation des données, l’apprentissage automatique et l’accomplissement du prétraitement à l’aide d’outils personnalisés.

4. Outils et extensions de recherche

Après l’installation des dépendances optionnelles, le framework peut étendre ses capacités en matière de RAG, d’OCR, de recherche et d’automatisation de navigateur. L’exécution des outils interagit avec des fichiers, des pages web ou un environnement local ; par conséquent, lors du déploiement en production, il est impératif de limiter les permissions et de journaliser les opérations.

5. Ligne de commande et appel depuis Python

Les utilisateurs peuvent soit saisir leurs besoins en ligne de commande, soit intégrer MetaGPT comme bibliothèque Python dans leurs propres programmes. La ligne de commande convient aux tests rapides, tandis que l’appel de bibliothèque est plus adapté à la personnalisation de rôles, à l’intégration de systèmes métier et à la création de services.

6. Docker et déploiement local

La documentation officielle fournit des méthodes d’installation telles que PyPI, le mode de développement source et Docker. L’hébergement auto-géré permet de contrôler l’environnement de exécution et les limites des données, mais il reste nécessaire de gérer les connexions des modèles, les dépendances, les composants du navigateur, les journaux et l’exploitation.

Quels résultats peuvent être générés

• Histoires d’utilisateurs, analyse des besoins et étude de la concurrence.
• Document de cahier des charges et décomposition des fonctionnalités.
• Architecture système, structures de données et conception d’interfaces.
• Tâches du projet, fichiers de code et suggestions de tests.
• Diagrammes de flux, diagrammes chronologiques et autres diagrammes Mermaid.
• Code d’analyse de données, graphiques et conclusions.
• Livrables structurés pour des workflows d’agent personnalisés.

Quels scénarios d'utilisation conviennent

• Prototype logiciel : structurer rapidement une idée de produit en exigences, conception et premier jet de code exécutable.
• Évaluation des besoins : comparaison des résultats des rôles, détection d’oublis dans le périmètre, les interfaces et les dépendances.
• Expérience pédagogique : Comprendre comment les produits, l’architecture, la gestion de projet et les rôles de développement collaborent.
• Recherche sur les agents intelligents : test des SOP, de la communication multirôle, de la mémoire et des mécanismes d’appel d’outils.
• Analyse de données : Laissez Data Interpreter planifier et exécuter des tâches d’exploration, de modélisation et de visualisation.
• Automatisation des entreprises : développement de rôles et d’actions spécifiques autour de processus métier fixes.
• Développement open source secondaire : modification du code source du framework et création d’une plateforme d’agent interne.

Quelles situations ne conviennent pas vraiment

• Utilisateurs ordinaires qui espèrent obtenir un produit stable simplement en ouvrant une page web, sans capacité de configuration technique.
• Projets qui ne peuvent pas fournir une API de grand modèle ou un environnement d’inférence local.
• Exiger la génération de code permettant d’accéder directement au système de production sans audit, dans des scénarios à haut risque.
• Organisations qui contiennent des données confidentielles mais pour lesquelles les évaluations de sécurité des services de modèles et des journaux n’ont pas encore été achevées.
• Systèmes critiques qui exigent une promesse de SLA de la part du fournisseur, des services d’hébergement et de maintenance, ainsi que un soutien commercial officiel.
• Équipes avec un budget très limité mais qui doivent faire fonctionner pendant longtemps plusieurs personnages de modèles coûteux.

Guide d’installation de MetaGPT

Installer la version stable via PyPI

1. Préparez un environnement Python 3.9 à 3.11 et assurez-vous que le système peut appeler correctement Python et les outils de gestion de paquets.
2. Créer un environnement virtuel indépendant pour éviter les conflits de dépendances avec d’autres projets.
3. Installez le paquet metagpt et sélectionnez les modules optionnels tels que RAG, OCR ou recherche en fonction de la tâche.
4. Exécuter la commande de configuration d’initialisation pour générer un modèle de fichier de configuration.
5. Remplissez le type de modèle, l’adresse du service et la clé API ; ne soumettez pas la clé dans le dépôt de code.
6. Utilisez d’abord un petit exemple pour valider la connexion au modèle, les permissions du répertoire et les résultats de sortie.
7. Une fois les coûts et les limites de sécurité confirmés, exécutez la tâche multirôle complète.

Déploiement avec Docker

1. Installer Docker et préparer des dossiers distincts pour la configuration et l’espace de travail.
2. Tirer l’image officielle et obtenir le modèle de configuration à partir de l’image.
3. Saisir la configuration du modèle sur l’hôte et restreindre les droits d’accès au fichier de configuration.
4. Mappage du répertoire de configuration et de l’espace de travail du projet vers le conteneur.
5. Démarrez le conteneur avec une petite tâche pour vérifier la sortie des fichiers et l’accès réseau.
6. Augmentez les limites de ressources, les journaux, la gestion des clés et les stratégies de redémarrage en cas de panne selon les besoins.
7. Fixer la version de l’image avant utilisation en production, sans dépendre directement de l’étiquette latest.

Développement à partir du code source

1. Cloner le dépôt officiel et basculer vers la version ou le commit à utiliser.
2. Créez un environnement Python contrôlé, puis installez le projet en mode développement.
3. Lisez les exemples de configuration, les rôles, les actions et le code d’exemple de l’entreprise de logiciels.
4. Exécuter les tests du projet et les exemples minimaux pour établir une baseline reproductible.
5. Utilisez les minimums de droits lors de l’ajout de nouveaux rôles ou outils, et écrivez des tests.
6. Enregistrer les modifications apportées au code source permet de faciliter les mises à jour et les fusionnements ultérieurs.

Exigences de système et de version

Les environnements de validation mentionnés dans la documentation officielle d’installation comprennent macOS 13, Windows 11 et Ubuntu 22.04, avec Python 3.9 comme exemple. Les exigences actuelles des métadonnées PyPI imposent que Python soit supérieur ou égal à 3.9 et inférieur à 3.12 ; par conséquent, Python 3.12 et les versions ultérieures ne doivent pas être considérées comme compatibles officiellement.

Modules optionnels et capacités d’extension

Prix et coût réel d’utilisation

Le cadre MetaGPT est soumis à la licence MIT ; le projet ne comporte pas de frais de licence logicielle par utilisateur. Les dépenses réelles proviennent principalement des appels aux grands modèles, des serveurs ou GPU, des services externes tels que les bases de données de recherche et vectorielles, ainsi que du personnel chargé du développement et de la maintenance.

Les tâches multi-acteurs font en sorte que plusieurs entités lisent séparément le contexte et appellent des modèles, ce qui entraîne généralement des coûts plus élevés qu’une conversation ordinaire. Le contrôle du budget doit se baser sur les tokens, les appels d’outils et les tentatives de réessai en cas d’échec dans les journaux réels, et ne pas reposer sur des estimations fixes provenant de sites tiers.

Comment contrôler le coût du modèle

• Vérifiez d’abord le processus avec de petites tâches et des modèles à faible coût, puis ajoutez des rôles et un contexte.
• Définir le budget disponible et le nombre maximal de tours d’exécution pour l’équipe.
• Raccourcir les informations de fond non pertinentes pour éviter que chaque personnage ne doive lire à nouveau l’ensemble des données.
• Confier les tâches de classification simple et de formatage à des modèles plus petits.
• Stocker des données stables en cache pour réduire les recherches et les incrustations répétées.
• Enregistrer le Token de chaque personnage, le nombre d’échecs et le coût des outils.
• Définir des conditions d’arrêt pour les boucles infinies, les messages répétés et les tentatives de récupération en cas d’erreur.

Différences entre MetaGPT et Atoms

MetaGPT est un cadre de développement open source installable et modifiable ; Atoms est le produit d’équipe de développement d’IA hébergé proposé par FoundationAgents aux utilisateurs. Leur expérience d’utilisation, leurs responsabilités de service et leurs modes de facturation diffèrent, il n’est donc pas possible de présenter les forfaits d’Atoms au même titre que le prix du cadre open source MetaGPT.

Avantages du produit

• L’organisation de la collaboration entre plusieurs rôles à l’aide de SOP rend le processus plus clair que la conversation libre.
• Il intègre des rôles de société de logiciels et des livrables courants, idéaux pour créer rapidement des prototypes.
• Prend en charge la ligne de commande, les bibliothèques Python, le développement source et le déploiement Docker.
• Il est possible de personnaliser les personnages, les actions, les outils, les messages et l’environnement.
• Data Interpreter couvre les tâches d’analyse de données et d’exécution de code.
• La licence MIT est souple, ce qui facilite la recherche et le développement commercial secondaire.
• La communauté est grande, et l’entrepôt public contient de nombreux exemples et discussions.
• Permet de se connecter à divers services de modèles et à des solutions de déploiement local.

Restrictions d'utilisation et précautions

• Nécessite Python, la gestion des dépendances, la configuration des modèles et des capacités de débogage.
• La version actuelle de PyPI exige Python inférieur à 3.12.
• Plusieurs rôles augmentent les coûts en tokens, les délais et les tentatives de réessai en cas d’échec.
• Les besoins, l’architecture et le code générés peuvent être erronés ou incohérents entre eux.
• L’exécution de code, les navigateurs et les outils de fichiers peuvent présenter des risques pour la sécurité.
• Le modèle cloud recevra les prompts et les données commerciales ; les données confidentielles doivent d’abord être évaluées.
• Un projet open source ne signifie pas la fourniture d’un SLA commercial ou de services d’hébergement et de maintenance.
• Le rythme de publication des documents, de PyPI et de GitHub peut varier.
• Les étiquettes de version officielles les plus récentes sur GitHub ne correspondent pas au numéro de version stable de PyPI.
• Le cadre MetaGPT et les prix et services du produit commercial Atoms ne peuvent pas être utilisés ensemble.

Recommandations pour le déploiement de la sécurité

• Placer la clé API dans un système de gestion de clés dédié, sans l’enregistrer dans le dépôt.
• Utiliser des conteneurs isolés et des comptes non administrateurs pour générer du code.
• Seuls les répertoires nécessaires à la tâche de montage sont accessibles, l’accès aux fichiers non pertinents est interdit.
• Restreindre les noms de domaines Internet, les types de téléchargement et la portée d’exécution des commandes.
• Ajouter une approbation manuelle pour les paramètres de l’outil, l’écriture des fichiers et l’exécution du code.
• Conserver les messages de rôle, les appels de modèle, les opérations d’outil et le journal des coûts.
• Mettre à jour régulièrement les dépendances et vérifier les vulnérabilités connues ainsi que les licences.
• Mettre en œuvre des tests, des revues de code et des scans de sécurité avant la publication en production.

GitHub et l’état open source

Le dépôt officiel de MetaGPT est maintenu par l’organisation FoundationAgents et est soumis à la licence MIT. Au moment de la vérification, le dépôt comptait environ 69 000 étoiles et plus de 8 800 branches ; la version stable sur PyPI est actuellement 0,8.2, tandis que la dernière étiquette de release officielle sur GitHub reste à 0,8.1.

Les numéros de version et les données du dépôt évoluent constamment ; lors de l’installation, il convient de vérifier en même temps les métadonnées de PyPI, les commits de GitHub, la documentation de publication ainsi que l’état des dépendances verrouillées. Les projets en production ne devraient pas suivre directement la branche principale ou l’image latest.

Informations de base

Indice de recommandation

4,6 / 5. MetaGPT offre des abstractions de rôles, d’actions et de SOP matures pour le développement de logiciels multi-acteurs et la recherche sur les agents, avec une licence open source assez souple ; cependant, l’installation et la configuration, le coût des modèles, la sécurité du code ainsi que l’exploitation en production nécessitent encore l’intervention d’une équipe professionnelle.

Questions fréquentes

MetaGPT est-il gratuit ?

Le framework lui-même est gratuit et est licencié sous la licence MIT, mais l’API des modèles, les GPU, les serveurs, la recherche et l’exploitation peuvent entraîner des frais. Le projet ne propose pas d’appels illimités aux modèles gratuitement.

MetaGPT peut-il générer directement un logiciel complet ?

Il peut générer des besoins, des conceptions, du code et des premières versions de documents, mais il ne peut pas garantir que le logiciel soit complet, sécurisé ou déployable. Les développeurs doivent encore exécuter des tests, corriger les erreurs, examiner les dépendances et finaliser le produit.

MetaGPT prend-il en charge Windows ?

La documentation officielle d’installation cite des exemples de compatibilité entre Windows 11 et Python 3.9. Dans la pratique, il est nécessaire d’installer les dépendances appropriées en fonction du graphique, du navigateur et des fonctionnalités d’exécution du code.

Quels grands modèles sont pris en charge ?

Le framework peut se connecter à divers services de modèles cloud ou compatibles via des configurations, et peut également intégrer des solutions de modèles locaux. Les noms et paramètres spécifiques des modèles sont déterminés par le document de configuration et le code en vigueur.

MetaGPT et Atoms, est-ce le même produit ?

Ce ne sont pas les mêmes formes de produits. MetaGPT est un framework open source, tandis qu’Atoms est un produit d’équipe de développement d’IA hébergée ; les comptes, forfaits et capacités de service doivent être vérifiés séparément.

Peut-il être utilisé pour des projets commerciaux ?

La licence MIT autorise généralement l’utilisation commerciale et les modifications, mais exige que la licence et la notice de droits d’auteur soient conservées. L’équipe doit également se conformer séparément aux conditions relatives aux modèles de base, aux données, aux outils tiers et aux dépendances.

Pourquoi ne peut-il pas fonctionner après l’installation ?

Les causes fréquentes incluent une version Python incompatible, des clés de modèle non configurées, des dépendances manquantes, des composants Node ou navigateur non installés, ainsi que des droits insuffisants dans l’espace de travail. Il convient d’abord d’exécuter l’exemple minimal pour vérifier chaque élément un par un.

MetaGPT est-il adapté aux environnements de production d’entreprise ?

Cela peut servir de base au développement d’agents d’entreprise, mais une installation open source ne dispose pas automatiquement de la sécurité et de la stabilité nécessaires au niveau professionnel. Les entreprises doivent ajouter des mécanismes de gestion des identités et des droits d’accès, d’isolement, d’audit, de surveillance, de contrôle des coûts et de récupération en cas de panne.