案例解析：

首先，新一提供了他的配置过程材料，我们也借鉴过来提供给大家参考！

01配置过程

1、通过安装Node.js，它会附带npm

2、用npm安装mermaid

npm install -g @mermaid-js/mermaid-cli

3、克隆仓库到您的本地机器

git clone https://github.com/geekan/metagptcd metagpt

4、进行源码安装

python setup.py install#这一步涉及比较多的下载，耗时比较长，耐心等即可

5、安装相关的python库

pip install -r requirements.txt

02运行调试

配置完成后，就可以开始运行MetaGPT了！！

新一直接先给MetaGPT编写比较简单的描述：“Write a classic Flappy Bird game”，后来他又给MetaGPT加上小要求：

python startup.py "Write a classic Flappy Bird Game"

输入（简单描述）

python startup.py "Write a classic Flappy Bird Game, which requires that single-player, easy to record score, pipe shows with different height everytime"

输入（加上小要求）

等MetaGPT运行结束后，我们就可以看它生产出来的代码以及相关文档了：

序列流程图

数据&API 设计图

竞品分析

03常见疑问

问：项目地址？

答：https://github.com/geekan/MetaGPT

问：需要多少成本使用？

答：一般而言，以之前使用GPT-4的经验来说，￥1左右可以出设计，￥15左右可以出代码。

问：可以支持差量生成吗？

答：现在只支持全量生成，差量生成目前已经release到roadmap里。

问：他和chatgpt相比最大的区别是什么呀

答：可以把 ChatGPT/GPT4 等LLM理解为具有海量知识和一定逻辑推理的基础脑。智能体主要是配套提供逻辑链、记忆、工具等，让基础脑变成可以处理特定岗位任务的角色（比如硅基产品经理/架构师/程序员；当然除了案例中编程相关任务，也能用于导购，HR/公司制度答疑，解决方案/行业研究报告等。各行各业都有使用场景）

问：需求是链路的来源，如果借助AI分析来用户需求，那这第一步有什么方案么，是传统的数据分析，业务策略驱动算法(AI)，还是有更高端的解决方案

答：你可以理解这是个多智能体协同框架，智能产品经理是一个单一智能体（解决需求出产），而需求的产出本身是有sop/逻辑思维链的，大家可按行业/场景做适配（目前样例仅实现最简单逻辑。老板安排了任务，听不懂先去上网找竞品）

问：与其他有什么区别？

答：架构更明确：实现同等功能的前提下，相比其他框架复杂度低了10倍左右，这是由于多智能体的逻辑更加接近现实世界的抽象，也由于其他框架有些过度设计