【AI Agent系列】【MetaGPT多智能体学习】8. MetaGPT多智能体进阶练习 - 使用MetaGPT重构BabyAGI

本系列文章跟随《MetaGPT多智能体课程》（https://github.com/datawhalechina/hugging-multi-agent），深入理解并实践多智能体系统的开发。

本文为该课程的第四章（多智能体开发）的第六篇笔记。

前文（【AI Agent系列】【MetaGPT多智能体学习】7. 剖析BabyAGI：原生多智能体案例一探究竟（附简化版可运行代码））我们已经详细拆机了多智能体案例 - BabyAGI的运行流程和原理。

本文我们来使用 MetaGPT 实现一遍BabyAGI，巩固《MetaGPT多智能体课程》的学习效果。

系列笔记

• 【AI Agent系列】【MetaGPT多智能体学习】0. 环境准备 - 升级MetaGPT 0.7.2版本及遇到的坑
• 【AI Agent系列】【MetaGPT多智能体学习】1. 再理解 AI Agent - 经典案例和热门框架综述
• 【AI Agent系列】【MetaGPT多智能体学习】2. 重温单智能体开发 - 深入源码，理解单智能体运行框架
• 【AI Agent系列】【MetaGPT多智能体学习】3. 开发一个简单的多智能体系统，兼看MetaGPT多智能体运行机制
• 【AI Agent系列】【MetaGPT多智能体学习】4. 基于MetaGPT的Team组件开发你的第一个智能体团队
• 【AI Agent系列】【MetaGPT多智能体学习】5. 多智能体案例拆解 - 基于MetaGPT的智能体辩论（附完整代码）
• 【AI Agent系列】【MetaGPT多智能体学习】6. 多智能体实战 - 基于MetaGPT实现游戏【你说我猜】（附完整代码）
• 【AI Agent系列】【MetaGPT多智能体学习】7. 剖析BabyAGI：原生多智能体案例一探究竟（附简化版可运行代码）

0. 实现思路分析

BabyAGI 可以简化为三个 Agent，分别为：

• Execution Agent 接收目标和任务，调用大模型 LLM来生成任务结果。

• Task Creation Agent 使用大模型LLM 根据目标和前一个任务的结果创建新任务。它的输入是：目标，前一个任务的结果，任务描述和当前任务列表。

• Prioritization Agent 使用大模型LLM对任务列表进行重新排序。它接受一个参数：当前任务的 ID

Agent的创建与Action的定义我们已经练习过很多次了，应该比较熟练了。个人认为用MetaGPT重构BabyAGI的主要思考点在于：

（1）怎么组织数据流，Agent需要的信息是什么
（2）怎么打通数据流，Agent间的消息如何传递
（3）一些公共的数据怎么存储，例如 objective目标、task列表

上面这三个思考点实现思路都很简单，但想调出通用性强且效果好的最终应用，比较难。下面的思考仅为各位读者提供思路，具体效果的优化需要慢慢调。

1. 编写代码

1.1 Task Creation Agent

1.1.1 Action定义

原 BabyAGI 是给定一个初始任务，先执行任务，然后再执行 TaskCreatio