設計理念：從「單一大模型」到「多角色系統」

一般 LLM Agent（例如 LangChain 的 Agent）通常是 單體式：
一個模型同時負責理解需求、設計、實作、檢查。
容易產生 上下文遺失 或 角色混亂（例如模型一下在規劃，一下又在寫程式碼，最後文件與程式不一致）。
MetaGPT 的突破在於：
把 LLM「切分」成不同角色，並強制讓它們用 訊息協議 溝通。
每個角色只專注在單一責任。
這讓 LLM 不需要同時「記住一切」，而是透過結構化協作來降低錯誤。

核心技術模組
角色模板（Role Templates）
MetaGPT 為每個角色定義了專屬 Prompt 模板。
例如「工程師角色」的 Prompt 會包含程式碼風格規範、測試要求。
「PM 角色」的 Prompt 則偏向市場分析、需求文件格式。
協議與資料結構（Protocols & Data Structures）
每個 Agent 之間的輸入輸出不是隨機文字，而是 結構化訊息（JSON / 標準化格式）。
例如：PM 會輸出 PRD 文件的 JSON，Engineer 再依此撰寫程式碼。
這種「結構化輸出」能讓系統更容易驗證正確性。
階段任務引擎（Multi-Stage Task Engine）
MetaGPT 的執行方式不是「一個大 Prompt」，而是 分階段工作流。
每一階段會觸發不同角色，輸入、輸出結果被收集再交給下一階段。
如果有錯誤，會自動回到上一階段（例如 QA 驗證失敗 → 退回給 Engineer）。
技術上更接近「有限狀態機（FSM）」或「Workflow Engine」。
知識積累（Knowledge Base）
MetaGPT 把角色輸出的所有檔案（需求文件、架構設計、程式碼）都存入一個知識庫。
下次執行專案時，可以復用這些資料，提升效率。
可以理解為「公司內部 Wiki」，角色在工作時會引用。