MGX 是什么

MGX的AI团队由五位核心专业 Agent 组成，每一位 Agent 都坚守在研发标准操作流程（SOP）的关键岗位上，各司其职，确保研发工作的高效与精准。

• • Mike，团队领导者，负责协调各项任务，确保团队高效协作。
• • Emma，产品经理，专注于功能设计和用户需求，致力于打造卓越的产品体验。
• • Bob，架构师，负责整体系统设计，为项目的稳定性和可扩展性奠定基础。
• • Alex，工程师，专注于生成生产就绪的代码，确保高效且可靠的交付。
• • David，数据分析师，通过使用内置的 Jupyter Notebook，确保数据成为每个项目构建的坚实基础。

MGX 个人之旅

当Devin刚刚上市时，我毫不犹豫地花了美刀购买了ACU，迫不及待地体验了Devin，结果一晚上拉爆了一个月的ACU。恰逢MGX处于内测阶段，我又抓住机会体验了这款产品。有了使用Devin的经历，我对MGX的期待自然水涨船高，甚至变得有些“挑剔” ?。既然我们把AI当人用，那么理论上，它就应该自我感知到环境的变化——或宽松或约束。于是我突发奇想：不如邀请它“来我家做客”，看看它在真实场景中会有怎样的表现。于是，我就有了以下体验。

让 MGX 的 AI Agent 团队到我家里的工作站上“做客”。

为了实现这个目标，有几个事情是需要准备的。有朋自远方来不亦乐乎 ~

1. 1. 为它们布置一个“客厅”

我在工作站上搭建了一个MGX专属的虚拟环境，并赋予了它最高权限，使其能够自由地运行和操作。这个虚拟环境不仅能够无缝连接我本地的AI全栈开发环境，还与私有的CI/CD（持续集成/持续发布）系统集成。同时，我在本地代码仓库Git上创建了一个专用的agent账户，并通过token授权，确保其安全访问。

为了让Agent动态感知这个环境，我准备了一份欢迎文档。每当Agent远程登录系统时，欢迎界面会自动展示环境的详细介绍以及使用规则，方便Agent动态感知这个环境。

1. 
   
2. 2. 给它们一个“通道”
   
   
3.     为了实现高效且安全的网络连接，我在公有云上部署了一个节点，并配置了VPN（虚拟私有网络）。通过这种方式，云端节点与我家庭内网中的工作站被整合到同一个虚拟局域网中。这不仅避免了家庭网络因暴露公网端口而带来的安全风险，还让云端节点能够作为MGX的跳板机，轻松访问到我家庭工作站的资源。

4.  

   下图中IP均为虚拟IP

• • aiworkspace - 我为Agent准备的环境
• • ubuntu-sv - 一个公有云节点
• • gavinaibase - 我的工作站物理机
• • 其他 - 都是我的移动设备
  现在它们在同一个虚拟局域网了。
• 
  

1. 
   
   
2. 3. 给它们一把“钥匙”
   
   
3.     为了允许 MGX 自己开门，“登堂入室”，又要保障密码信息不泄露。
   我安排工程师Agent @Alex 生成了一对MGX的公私钥，并要求他将私钥放置在指定路径，同时将公钥打印出来交给我。这样，我就可以根据公钥为@Alex 配置授权。
4. 
   
5. 
6. 
   
7.     通过这种方式，MGX能够使用密钥（而非明文密码），从它自己的沙盒环境中，安全地登录云端节点，并借助云端节点作为中转，再次通过密钥的方式，安全地访问到我家庭工作站的资源。整个过程高效、安全，确保了授权和认证信息，不会透给云端的模型而导致安全要素泄露。
8. 
   
9. 4. 给些简单的小任务测试能力
10. 
    
11.     我给了Agent指令，让它登录到环境中，它首先登录了公网节点的“跳板机”，然后通过VPN登录了我工作站上的环境。如下图，能很清楚的看到，它自我感知了这个环境的配置以及规则，且自动完成了git clone 代码仓库到本地。整个过程很丝滑。

1. 
   
   
2. 1）先让它在工作站上对我问个好，随便说点什么。
   
   

2）让它在我给它的环境中，通过自我感知环境，完成一项工作。

我给MGX的工作是，分别用网页和Python两种技术栈写个俄罗斯方块的小游戏。游戏本身我就不展示了，因为司空见惯。我们看看它在我工作站上完成的过程产物。

它为了完成工作，主动建立了 agent 代码分支

然后我们看看它在分支上提交了什么？

它在我准备的工作站环境中写下了几个文件：hello.js, math.js, message_to_user.txt, message.txt，这都是我给Agent 的一些零碎测试任务。可以看到图中的每一个commit，Agent 对文件的命名都有实际意义，注释也写得很清楚。这些都是它自己做的，我并没有要求这些规范，也没有教它该怎么做。

tetris.html 和 tetris.py 则是我交代给它完成的小游戏“俄罗斯方块”

以上所有动作，MGX 都完成的很丝滑。

我把 MGX 从自己的沙盒环境中，通过公网节点等操作，请到了我的工作站中。它在我的本地环境动态感知，完成工作，丝滑的就像我的朋友一样，轻轻它来了，努力的工作，轻轻的它走了，不带走一片云彩。

太酷啦，MGX！ Good job ！ ?????? 

所以我有了如下感受，发送到了朋友圈。

接下来，我们看看MGX的日常：

官网上还能看到其他用户完成的，更多的成果展示：

如何使用 MGX

• • 选择模板 ：如果你对如何描述需求不太确定，或者想要快速启动项目，MGX 还提供了许多模板示例供你选择。
  这些模板涵盖了各种常见的软件开发场景，比如网站模板、游戏模板、数据分析模板等。你可以根据自己的项目类型，选择一个合适的模板，然后在模板的基础上进行修改和完善。
  例如，如果你想要开发一个博客网站，你可以选择一个博客网站模板，然后根据自己的需求，修改模板中的页面布局、功能模块等内容。需求示例：

• 
  

   

  我想开发一个个人博客网站，其中：
  样式/布局：
  - 左右布局，响应式设计，页面简洁美观
  - 紫色色调，透明显示屏卡片
  - [更多 UI 设计细节]
  功能：
  - 个人资料卡
  - 添加并显示个人社交媒体链接
  - 个人博客列表展示
  - [更多显示组件]
  来源：
  - 以下是我想要展示的个人博客文档和个人信息。'#XXX.md'
  - 参考链接：https://personal-portfolio-react-preview-i53xid.mgx.dev

   

• 
  
• • 获取指导 ：对于更详细的关于Agent和使用案例的指导，你可以访问 MGX 的帮助中心的教程和最佳实践部分。在那里，你会找到丰富的教程资源，包括如何与不同的 Agent 角色进行沟通、如何有效地表达需求、如何处理开发过程中遇到的问题等。这些教程都是由 MGX 的开发团队精心编写和整理的，能够帮助你更好地了解和使用 MGX，提高你的软件开发效率。（见文末参考资料最佳实践）

MGX 背后的 MetaGPT 原理

学术界和工业界对术语“智能体”提出了各种定义。大致来说，一个智能体应具备类似人类的思考和规划能力，拥有记忆甚至情感，并具备一定的技能以便与环境、智能体和人类进行交互。

在MetaGPT看来，可以将智能体想象成环境中的数字人，其中

智能体 = 大语言模型（LLM） + 观察 + 思考 + 行动 + 记忆

这个公式概括了智能体的功能本质。为了理解每个组成部分，让我们将其与人类进行类比：

• • 大语言模型（LLM）：LLM作为智能体的“大脑”部分，使其能够处理信息，从交互中学习，做出决策并执行行动。
• • 观察：这是智能体的感知机制，使其能够感知其环境。智能体可能会接收来自另一个智能体的文本消息、来自监视摄像头的视觉数据或来自客户服务录音的音频等一系列信号。这些观察构成了所有后续行动的基础。
• • 思考：思考过程涉及分析观察结果和记忆内容并考虑可能的行动。这是智能体内部的决策过程，其可能由LLM进行驱动。
• • 行动：这些是智能体对其思考和观察的显式响应。行动可以是利用 LLM 生成代码，或是手动预定义的操作，如阅读本地文件。此外，智能体还可以执行使用工具的操作，包括在互联网上搜索天气，使用计算器进行数学计算等。
• • 记忆：智能体的记忆存储过去的经验。这对学习至关重要，因为它允许智能体参考先前的结果并据此调整未来的行动。

多智能体

多智能体系统可以视为一个智能体社会，其中

多智能体 = 智能体 + 环境 + 标准流程（SOP） + 通信 + 经济

这些组件各自发挥着重要的作用：

• • 智能体：在上面单独定义的基础上，在多智能体系统中的智能体协同工作，每个智能体都具备独特有的LLM、观察、思考、行动和记忆。
• • 环境：环境是智能体生存和互动的公共场所。智能体从环境中观察到重要信息，并发布行动的输出结果以供其他智能体使用。
• • 标准流程（SOP）：这些是管理智能体行动和交互的既定程序，确保系统内部的有序和高效运作。例如，在汽车制造的SOP中，一个智能体焊接汽车零件，而另一个安装电缆，保持装配线的有序运作。
• • 通信：通信是智能体之间信息交流的过程。它对于系统内的协作、谈判和竞争至关重要。
• • 经济：这指的是多智能体环境中的价值交换系统，决定资源分配和任务优先级。

一个例子

这是一个简单的例子，展示了智能体如何工作：

• • 在环境中，存在三个智能体Alice、Bob和Charlie，它们相互作用。
• • 他们可以将消息或行动的输出结果发布到环境中，同时也会被其他智能体观察到。
• • 下面将揭示智能体Charlie的内部过程，该过程同样适用于Alice和Bob。
• • 在内部，智能体Charlie具备我们上述所介绍的部分组件，如LLM、观察、思考、行动。Charlie思考和行动的过程可以由LLM驱动，并且还能在行动的过程中使用工具。
• • Charlie观察来自Alice的相关文件和来自Bob的需求，获取有帮助的记忆，思考如何编写代码，执行写代码的行动，最终发布结果。
• • Charlie通过将结果发布到环境中以通知Bob。Bob在接收后回复了一句赞美的话。

MetaGPT: 多智能体框架

使 LLM 以软件公司的形式工作，协作处理更复杂的任务

1. 1. MetaGPT输入一句话的老板需求，输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等
2. 2. MetaGPT内部包括产品经理 / 架构师 / 项目经理 / 工程师，它提供了一个软件公司的全过程与精心调配的SOP
   Code = SOP(Team) 是核心哲学。我们将SOP具象化，并且用于LLM构成的团队