模型智能体开发之metagpt-单智能体实践

本文主要是介绍模型智能体开发之metagpt-单智能体实践，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

需求分析

根据诉求完成函数代码的编写，并实现测试case，输出代码

代码实现

定义写代码的action

action是动作的逻辑抽象，通过将预设的prompt传入llm，来获取输出，并对输出进行格式化
具体的实现如下
1. 定义prompt模版
  1. prompt是传给llm的入参，所以llm对prompt的需求解析越准确，那么llm的输出就会越符合我们的诉求
  2. 如何抽象出最合适的prompt模版
```
PROMPT_TEMPLATE = """Write a python function that can {instruction} and provide two runnnable test cases.Return ```python your_code_here ```with NO other texts,your code:"""
```
2. 调用llm生成代码
  1. 通过传入的instruction参数来格式化llm入参，之后通过aask调用llm进行输出。因为llm的输出是并不一定会符合我们的诉求，所以需要按照需求对output进行格式化
```
async def run(self, instruction: str):prompt = self.PROMPT_TEMPLATE.format(instruction=instruction)rsp = await self._aask(prompt)code_text = SimpleWriteCode.parse_code(rsp)return code_text  
```
3. 对llm output进行格式化
  1. 正则表达式提取其中的code部分，llm在返回给我们代码时通常带有一些格式化标识，而这些格式化标识往往是我们所不需要的
  2. 格式方法：
```
 @staticmethoddef parse_code(rsp):pattern = r'```python(.*)```'match = re.search(pattern, rsp, re.DOTALL)code_text = match.group(1) if match else rspreturn code_text
```

完整代码

import asyncio
import re
import subprocessimport firefrom metagpt.actions import Action
from metagpt.logs import logger
from metagpt.roles.role import Role, RoleReactMode
from metagpt.schema import Messageclass SimpleWriteCode(Action):PROMPT_TEMPLATE: str = """Write a python function that can {instruction} and provide two runnnable test cases.Return ```python your_code_here ```with NO other texts,your code:"""name: str = "SimpleWriteCode"async def run(self, instruction: str):prompt = self.PROMPT_TEMPLATE.format(instruction=instruction)rsp = await self._aask(prompt)code_text = SimpleWriteCode.parse_code(rsp)return code_text@staticmethoddef parse_code(rsp):pattern = r"```python(.*)```"match = re.search(pattern, rsp, re.DOTALL)code_text = match.group(1) if match else rspreturn code_text

创建一个role

初始化上下文
```
class SimpleCoder(Role):name: str = "Alice"profile: str = "SimpleCoder"def __init__(self, **kwargs):super().__init__(**kwargs)self.set_actions([SimpleWriteCode])
```
1. 可以看到创建了一个名为SimpleCoder的类，继承了Role，标明当前类是一个role的定位
2. 其中name指定了当前role的名称
3. 其中name指定了当前role的类型
4. 然后我们重写了__init__方法，
5. 绑定要执行的action是SimpleWriteCode，这个Action 能根据我们的需求生成我们期望的代码，定义的行动SimpleWriteCode会被加入到代办self._rc.todo中，
定义执行规则
```
async def _act(self) -> Message:logger.info(f"{self._setting}: to do {self.rc.todo}({self.rc.todo.name})")todo = self.rc.todo  # todo will be SimpleWriteCode()msg = self.get_memories(k=1)[0]  # find the most recent messagescode_text = await todo.run(msg.content)msg = Message(content=code_text, role=self.profile, cause_by=type(todo))return msg 
```
1. 重写_act，编写智能体具体的行动逻辑
2. self.rc.todo：待办事项
3. self.get_memories(k=1)[0]：获取最新的一条memory，即本次case里面的用户下达的指令
  1. 在本次的case里面，当用户输出instruction的时候，role需要把instruction传递给action，这里就涉及到了user如何传递消息给agent的部分，是通过memory来传递的
  2. memory作为agent的记忆合集，当role在进行初始化的时候，role就会初始化一个memory对象来作为self._rc.memory属性，在之后的_observe中存储每一个message，以便后续的检索，所以也可以理解role的memory就是一个含有message的list
  3. 当需要获取memory（llm的对话context）的时候，就可以使用get_memories(self, k=0) -> list[Message] 方法
4. todo.run(msg.content)：使用待办事项来处理最新一条memory
5. Message：作为metagpt里面统一的消息处理格式

完整代码

    class SimpleCoder(Role):name: str = "Alice"profile: str = "SimpleCoder"def __init__(self, **kwargs):super().__init__(**kwargs)self.set_actions([SimpleWriteCode])async def _act(self) -> Message:logger.info(f"{self._setting}: to do {self.rc.todo}({self.rc.todo.name})")todo = self.rc.todo  # todo will be SimpleWriteCode()msg = self.get_memories(k=1)[0]  # find the most recent messagescode_text = await todo.run(msg.content)msg = Message(content=code_text, role=self.profile, cause_by=type(todo))return msg```

测试demo
1. 代码
```
async def main():msg = "write a function that calculates the sum of a list"role = SimpleCoder()logger.info(msg)result = await role.run(msg)logger.info(result)asyncio.run(main())
```
2. 运行
  1. 如下图，role alice 关联到了action，并且action调用了llm，获取到的llm输出是一条代码。注意，代码格式有python格式化标识，所以在代码实现层面我们通过parse_code方法去掉了python的格式化标识。
  2. llm输出分为两部分，一部分是方法，另外一部分是测试case