MetaGPT란 무엇인가요?

MetaGPT는 Chenglin Wu가 설립한 DeepWisdom의 독점 기술입니다. 이 프레임워크는 GitHub에서 빠르게 인기를 얻었으며, 다중 에이전트 시스템(MAS)을 사용하여 자연어 프로그래밍 발전을 촉진하려는 MetaGPT의 기본 목표에 관심이 집중되었습니다.

인기 있는 연구 논문 "MetaGPT: Metaprogramming for A Multi-Agent Collaborative Framework"는 에이전트 협업에 대한 프레임워크의 오케스트레이션을 설명합니다. LLM 오케스트레이션과 AI 에이전트에 관한 연구가 계속됨에 따라 MetaGPT는 익숙한 워크플로를 사용하여 다중 에이전트 협업을 간소화하는 데 일찍이 기여했습니다.

MAS 안에서 작동하는 에이전트는 자율성을 유지하지만 에이전트 구조 또는 MetaGPT 같은 프레임워크에서 협력하고 조정하기도 합니다.¹ MAS는 개별 에이전트가 환경 안에서 작동하고 상호 작용하여 공동의 목표를 달성하기 위해 복잡한 작업을 완료하도록 조정합니다. 이 개념은 AGI와 관련된 인기 개념인 집단 지성의 일환입니다.

다중 에이전트 시스템은 단일 에이전트의 능력으로 역부족인 문제를 해결하기 위해, 함께 작동하는 문제 해결 에이전트들을 합쳐놓은 네트워크로 구성됩니다.² 효과적인 MAS 설계의 주요 과제 중 하나는 공동의 목표를 위해 협력할 수 있도록 에이전트를 조정하는 것입니다. 협업의 성공을 위해서는 에이전트 각각의 개별적인 문제 해결 능력, 서로 효과적으로 협력하는 능력이 필요합니다.³

MAS 환경을 계획할 때 고려해야 할 사항은 다음과 같습니다.

• 한 에이전트의 의사 결정에 다른 에이전트의 활동이 가하는 제한
• 한 에이전트가 실행 가능한 행동과 관련하여 다른 에이전트들에 대해 가지는 약속으로 인해 생기는 제약 조건
• 모델링되지 않은 외부 에이전트들이 야기하는 예측 불가한 세계의 진화⁴

이 설계 과제에 대한 한 가지 접근 방식은, 팀워크를 명시적으로 모델링하여 에이전트 협업을 조율하는 것입니다. 다중 협업 설계 패턴은 복잡한 프롬프트를 분해하고 추상화된 작업을 에이전트에 위임하여 전문적인 역할에 따라 작업을 실행합니다.⁵

MetaGPT의 다중 에이전트 협업 프레임워크 안에서 AI 에이전트 팀은 표준 운영 절차(SOP)에 따라 구조화된 워크플로를 운영합니다. LLM 기반 다중 에이전트 시스템 안에서 의사소통 프로토콜과 간소화된 워크플로를 통합하면 단일 인풋 라인으로 애플리케이션을 만들 수 있습니다.

MetaGPT는 복잡한 작업을 해결하는 다중 에이전트 협업 프레임워크 역할을 합니다. 다중 에이전트 협업 프레임워크는 표준 운영 절차와 조립 라인 패러다임을 기반으로 상호 작용하는 특수 에이전트를 사용하여, 소프트웨어 회사 전체를 시뮬레이션하여 작업을 분할하는 방식으로 작동합니다. 각 에이전트는 소프트웨어 회사 안에서 직무에 따라 특화된 역할을 수행합니다. 예를 들어 프레임워크에는 소프트웨어 회사의 전반적 프로세스를 제공하는 제품 관리자, 설계자, 프로젝트 관리자, 엔지니어 역할을 하는 에이전트가 들어갑니다.

다양한 역할을 맡은 이 에이전트들은 가상 작업 공간에서 작동하며, 한 줄의 요구 사항으로부터 다양한 소프트웨어 솔루션의 인풋과 아웃풋을 도출합니다. 이 인풋에는 데이터 구조, 애플리케이션 프로그래밍 인터페이스(API), 경쟁사 분석, 문서가 있습니다. 에이전트는 조립 라인 패러다임에 의해 설정된 요구 사항을 기반으로 구조화된 아웃풋을 통해 의사소통합니다. 각 에이전트는 다음 에이전트가 사용자 프롬프트를 기반으로 소프트웨어 애플리케이션을 생성하는 공동의 목표를 완료하도록, 프롬프트하는 데 필요한 정보를 생성합니다. 이렇게 개발이 점진적으로 진행되는 것은 MetaGPT가 워크플로를 통합하여 복잡한 작업에 대한 조정을 간소화하기 때문입니다.

표준 운영 절차(SOP)는 작업 분해 및 효과적인 조정을 지원하는 데 중요한 역할을 하기 때문에 다양한 영역에서 채택되었습니다.⁶ 소프트웨어 개발에서 SOP는 프로젝트 작업을 더 작고 실행 가능한 절차로 분해한 다음, 구체적이고 전문화된 역할에 할당하여 팀 간의 협업을 촉진합니다. MetaGPT는 SOP를 프롬프트 시퀀스로 인코딩하여 다중 에이전트 워크플로를 구성하고 활성화합니다. SOP 워크플로는 개선을 위한 구조와 기회를 제공합니다. 

예를 들어 프로젝트 관리자 에이전트가 제품 요구사항 문서(PRD)를 작성하라는 프롬프트를 받습니다. 프롬프트를 받은 제품 관리자 에이전트는 PRD에서 특정 요소를 정제하라는 요청을 받습니다. 프로젝트 개발이 점진적으로 이루어지기 때문입니다. 예를 들어, 에이전트는 PRD에 "제품 목표" 섹션을 만들라는 지시를 받았습니다. 그 다음으로는 기존 제품 목표를 업데이트하여 현재의 프로젝트 방향과 일치하는지 확인하고 해당 목표를 구체화하라는 프롬프트를 다시 받습니다.⁷ 이러한 정제 방식을 채택한 것은, 모든 에이전트가 전체적인 작업을 인식하고 화합하게 만들기 위함입니다.

아래 예에서는 제품 관리자 에이전트에게 요구 사항 분석을 생성하라는 프롬프트가 표시됩니다. 이 초기 프롬프트 이후, 에이전트는 진행 중인 협업에서 나온 새로운 기능과 개선 사항을 고려하여 정교한 분석을 생성하라는 프롬프트를 받습니다.

요구 사항 분석 프롬프트 지시: "요구 사항을 상세하게 분석해."⁸

정제된 분석 프롬프트 지시: "기존 요구 사항 분석을 검토하고, 점진적 개발로 인한 프로젝트 요구 사항 변화에 부응하도록 정제된 요구 사항을 정리해. 정제된 프로젝트 범위에 필요한 새로운 기능과 개선 사항을 분석에 포괄적으로 포함시켜야 해."⁹

이 예시는 제품 관리자 에이전트에서 설계자 에이전트로 전달되는 표준화된 아웃풋으로 생성된 PRD를 보여줍니다. 생성된 아웃풋 각각에 대한 SOP 기반 프롬프트가 그 옆에 제시되어 있습니다. 프롬프트는 이와 비슷하게 SOP 워크플로를 기반으로 하며 요구 사항 정의, 작업 수행 방법과 순서가 다음과 같이 제시되어 있습니다.

사용자 프롬프트: "재무 관리자가 고객의 포트폴리오를 검토하고 적절한 펀드를 추천하는 데 사용하는 React 기반 애플리케이션을 만들어. 이 애플리케이션은 미국, 영국, 스페인에서 작동해야 해."

기존 요구 사항
프롬프트 지시: "기존 사용자 요구 사항을 여기에 배치해."¹⁰

"재무 관리자가 고객의 포트폴리오를 검토하고 적절한 펀드를 추천하는 데 사용하는 React 기반 애플리케이션을 만들어. 이 애플리케이션은 미국, 영국, 스페인에서 작동해야 해."

제품 목표 
프롬프트 지시: "명확한 직교 제품 목표를 3개 이내로 작성해."¹¹

1. 재무 관리자를 위한 안전하고 신뢰할 수 있는 애플리케이션을 개발한다
2. 영어, 스페인어, 지역별 버전을 지원한다
3. 포트폴리오 관리와 추천을 위한 직관적이고 사용자 친화적인 인터페이스를 만든다

사용자 스토리 
프롬프트 지시: "시나리오 기반 사용자 스토리를 3~5개 작성해."¹²

1. 재무 관리자로서 고객의 포트폴리오를 검토하고 맞춤형 조언을 제공하고 싶습니다.
2. 재무 관리자로서 고객의 투자 목표와 위험 허용 범위에 따라 펀드를 추천하고 싶습니다.
3. 재무 관리자로서 내 위치에 따라 영어 또는 스페인어로 애플리케이션을 이용하고 싶습니다.

경쟁사 분석
프롬프트 지시: "경쟁사 제품을 5~7개 보여줘."¹³

1. "Wealthfront: 인터페이스가 깔끔한 자동 투자 서비스이지만 개인화된 펀드 추천이 부족합니다."
2. "Personal Capital: 포괄적인 자산 관리 툴이지만 신규 사용자에게는 부담스러울 수 있습니다."
3. "Betterment: 자동화된 투자에 중점을 두고 재무 관리자를 위한 맞춤 설정을 제한적으로 제공합니다."

요구 사항 분석
프롬프트 지시: "요구 사항을 상세하게 분석해."¹⁴

반드시 React를 사용하여, 확장과 유지 관리가 가능한 애플리케이션을 구축해야 합니다. 미국, 영국, 스페인 사용자를 수용할 수 있는 다국어 인터페이스가 필요합니다. 민감한 재무 데이터를 안전하고 보호하고 지역 규정을 따라야 합니다. 실시간으로 포트폴리오를 분석하고 펀드를 추천하기 위해 다양한 재무 데이터 소스와 통합되어야 합니다.

요구 사항 풀
프롬프트 지시: "상위 5~7개의 요구 사항을 우선순위와 함께 나열해(P0, P1, P2).", "레거시 콘텐츠와 점진적 콘텐츠를 모두 넣어. 점진적 개발과 관련 없는 콘텐츠는 그대로 유지해."¹⁵

•  ('보안 사용자 인증 및 데이터 암호화를 통해 고객 정보 보호', "P0"),
• ("영어 및 스페인어를 지역별 버전으로 지원", "P0"),
•  ("포트폴리오 관리를 위한 재무 데이터 소스를 실시간으로 통합", "P0"),
•  ("고객 포트폴리오를 검토 및 관리하기 위한 사용자 친화적인 대시보드.", "P1"),
• ("고객 프로필을 기반으로 적절한 자금을 제안하는 추천 엔진", "P2")

UI 디자인 초안
프롬프트 지시: "UI 요소, 함수, 스타일, 레이아웃을 간단하게 설명해."¹⁶

UI는 고객 포트폴리오 개요를 보여주는 대시보드를 넣어 깔끔하고 세련된 디자인으로 구성합니다. 포트폴리오 분석을 위한 대화형 차트, 펀드 선택을 위한 추천 섹션과 함께 영어와 스페인어 간 언어를 간편하게 전환하는 기능이 들어갑니다.

모호한 사항 일체
프롬프트 지시: "프로젝트에서 모호한 부분을 언급하고 분명하게 설명해봐."¹⁷

명확하지 않은 부분이 없습니다.

앞의 예는 설계를 위해 아키텍트 에이전트에게 인계하는 것이며, PRD와 함께 제공된 SOP 기반 프롬프트는 다음과 같습니다.

"이 제품 요구 사항 문서(PRD)를 바탕으로 이 API 설계가 PRD에 나온 요구 사항을 충족하는지, 우수 설계 관행을 준수하는지 검토해."¹⁸

아키텍트는 자체 SOP 워크플로에 따라 애플리케이션용 시스템을 설계합니다.

SOP는 각 에이전트의 역할에 부여된 책임을 간략하게 설명하고 중간 아웃풋에 대한 기준을 세웁니다. 이제 이 SOP를 인코딩하여 에이전트의 행동에 영향을 미칩니다. 이 방식을 통해 에이전트는 고품질 요구 사항 문서, 설계 아티팩트, 순서도, 인터페이스 사양 같은 구조화된 아웃풋을 생성할 수 있습니다. 에이전트들 간의 모든 인계 과정에서 관련 표준을 준수해서, LLM들 간의 유휴 채팅으로 인한 할루시네이션의 위험을 줄여야 합니다. 구조화된 아웃풋을 사용하면 대상 코드 생성의 성공률이 크게 향상됩니다.¹⁹

MetaGPT 안에 있는 모든 에이전트는 엄격하고 간소화된 워크플로를 따라야 하는 직원처럼 행동합니다. SOP 안에는 에이전트의 행동을 정의하는 두 가지 핵심 영역, 즉 역할 전문화와 워크플로가 있습니다.

에이전트 역할 전문화: MetaGPT는 소프트웨어 회사 안에서 다섯 가지 역할을 정의합니다(제품 관리자, 아키텍트, 프로젝트 매니저, 엔지니어, QA 엔지니어). 각 에이전트의 프로필에는 에이전트 이름, 프로필, 목표, 역할별 제약 조건과 특정 컨텍스트, 기술 같은 구체적인 정보가 초기값으로 설정되어 있습니다.²⁰ 각 에이전트는 환경 안에서 활동하는 디지털 유기체와 같습니다.²¹ 사전 정의된 역할의 개념은, 사용자가 좀 더 일반적인 범용 사용 사례를 위해 크루 안에서 에이전트의 기능을 정의하는 다중 에이전트 프레임워크(CrewAI 등)와는 다릅니다.

에이전트들의 워크플로: 에이전트들의 역할과 운영 기술을 정의하면 소프트웨어 개발 프로세스 안에서 에이전트가 따라가야 하는 할 기본 워크플로가 규정됩니다. 에이전트들은 순차적 순서 또는 조립 라인 패러다임 안에서 작동하면서 복잡한 작업을 분해하여 팀 간의 효율성을 높입니다.

MetaGPT는 의미 있는 협업을 위해서는 효과적이고 일관되며 정확한 문제 해결 프로세스가 필요하다고 가정합니다. AI 에이전트는 복잡한 시스템이지만 프로세스까지 복잡할 필요는 없습니다. 적어도 MetaGPT와 인간 워크플로 상속은 간단명료합니다.

의사소통 프로토콜

에이전트는 의사소통 프로토콜이라고 하는 구조화된 의사소통 인터페이스 안에서 상호 작용합니다. MetaGPT는 제약이 없는 자연어를 의사소통 인터페이스로 사용하지 않고, 에이전트 간의 상호 작용을 공식화하기 위해 구조화된 의사소통을 사용할 것을 제안한다는 점에서 대부분의 LLM 기반 다중 에이전트 프레임워크와 다릅니다. 예를 들어, 역시나 다중 에이전트 협업 프레임워크인 ChatDev에서 에이전트는 대화를 통해 의사소통하는 반면, MetaGPT의 에이전트는 문서와 다이어그램 같은 구조화된 아웃풋을 통해 의사소통합니다.

이 의사소통 프로토콜이 수월해지도록 MetaGPT는 각 에이전트에 대한 스키마와 형식을 설정하고 각 역할이 특정 목표와 컨텍스트에 따라 필요한 아웃풋을 제공하도록 요청합니다.²² 예를 들어 아키텍트 에이전트는 시스템 인터페이스 설계와 시퀀스 플로 다이어그램이라는 두 가지 아웃풋을 생성합니다. 두 아웃풋 모두 시스템 모듈 설계와 상호 작용 시퀀스를 포함하는데, 이는 엔지니어 에이전트에게 가장 중요한 결과물 역할을 합니다.²³

게시 및 구독 메커니즘

MetaGPT는 의사소통 효율을 높이기 위해, 글로벌 메시지 풀을 사용하여 에이전트가 메시지를 직접 주고받을 수 있도록 정보를 저장합니다. 에이전트는 풀에 구조화된 메시지를 게시하고 다른 에이전트의 메시지에 투명하게 액세스할 수 있습니다. 이 방식을 취하면 에이전트가 공유 풀에서 필요한 정보에 직접 액세스할 수 있어서, 다른 에이전트에게 요청하고 응답을 기다릴 필요가 없습니다.²⁴

개발 프로세스는 사용자의 명령 입력으로 시작하여, 사용자의 사양에 따라 설계된 소프트웨어로 끝납니다. 예를 들어 사용자가 "그림을 그릴 수 있는 Python 애플리케이션을 만들어봐"라고 입력을 하면 이 프롬프트가 소프트웨어 회사의 제품 관리자, 설계자, 프로젝트 관리자, 엔지니어, QA 엔지니어 역할 수행 에이전트들에 전달됩니다

특정 소프트웨어 애플리케이션을 구축하라는 사용자 프롬프트를 받은 제품 관리자는 목표, 사용자 스토리, 경쟁 분석, 요구 사항 분석, 요구 사항 풀로 구성된 PRD를 작성합니다. 또한 제품 관리자 에이전트는 애플리케이션 사양을 기반으로 경쟁사 사분면을 그립니다. 이러한 문서와 차트를 아키텍트 에이전트에게 전달해서 시스템 설계를 시작합니다.

아키텍트 에이전트는 PRD에 명시된 요구 사항에 따라 기술 사양을 고안합니다. 사양에는 프로젝트의 전반적인 기술 궤적에 대한 시스템 아키텍처 다이어그램과 인터페이스 정의가 포함됩니다. 파일, 클래스, 시퀀스 플로차트를 비롯한 이 프로젝트의 아키텍처는 아키텍트 에이전트의 기술 정의를 기반으로 설계됩니다. 이제 아키텍트가 생성한 문서는 작업 할당 및 실행을 위해 프로젝트 관리자에게 전달됩니다.

프로젝트 관리자는 프로젝트를 분류해 작업 목록을 만듭니다. 각 코드 파일을 의도한 기능에 따라 분석한 뒤, 개별적인 작업들로 처리해 엔지니어들에게 할당합니다.

엔지니어 에이전트는 개발 작업을 완료하는 데 필요한 기본 개발 기술을 생성합니다. 엔지니어 에이전트로부터 아웃풋을 받은 QA 엔지니어 에이전트는 유닛 테스트 코드를 생성하고 검토해서 버그를 찾아내고 수정합니다.

MetaGPT의 에이전트는 OpenAI의 GPT(사전 훈련된 생성형 트랜스포머) 모델 시리즈인 GPT-3.5 및 GPT-4를 기반으로 합니다. 그러나 MetaGPT와 오픈 소스 커뮤니티는, LLM API 구성을 통해 초기 설정을 할 수 있는 다른 여러 모델이 생겨나는 데 기여했습니다. MetaGPT는 GitHub 문서 사이트에서 오픈 소스 LLM과 통합하는 방법을 쉽게 탐색할 수 있는 튜토리얼을 제공합니다. LLM을 통합하는 첫 번째 단계는 LLaMA-Factory, FastChat, Ollama 같은 추론 저장소(리포지토리)를 설정하는 것입니다. 이 리포지토리를 사용하면 자격 증명을 통해 구성된 해당 LLM 모델을 배포할 수 있습니다. Ollama를 제외하고 지원되는 모든 추론 리포지토리는 OpenAI 호환 인터페이스 게시를 지원합니다. MetaGPT는 향후 Ollama 인터페이스를 지원할 계획입니다.

메타프로그래밍 프레임워크는 프로그램 자체뿐만 아니라 다른 프로그램을 작성, 조작, 분석하는 프로그램을 만드는 기능을 제공합니다. MetaGPT는 이를 위해 인간 워크플로를 통합하고, 에이전트 기반 기술을 사용하여 생성형 AI를 강화하고 메타프로그래밍을 개선합니다.

LLM 기반 에이전트에는 고급 자동 프로그래밍 작업을 보유한 핵심 기능이 몇 가지 포함되어 있습니다.²⁵ 그 중에서도 ReAct와 Reflexion은, LLM을 통해 생각의 연결고리 프롬프트를 채택해서 추론 궤적과 실행 계획을 생성하는 에이전트가 사용하는 추론 패러다임입니다.²⁶

ReAct 에이전트 디자인 루프는 에이전트가 추론, 행동, 관찰을 하게 해주는 반복적인 디자인 루프가 있어서 자동 프로그래밍을 위한 효과적인 프로세스를 보여줍니다.²⁷ Reflexion은 언어적 피드백을 통해 언어 에이전트를 강화하고, 유사한 반복 설계 루프를 따라 더 나은 의사 결정을 하도록 유도합니다.²⁸ 두 패러다임 설계 모두 에이전트가 워크플로를 지속적으로 학습하고 개선할 수 있게 합니다.

OpenAI의 GPT-3 모델, Meta의 Llama 모델, IBM Granite 모델과 같은 기존 LLM은 지식과 추론이 제한적입니다. 이들은 훈련 데이터를 기반으로 응답을 생성하는데, 그 데이터에는 오래된 정보가 포함되어 있을 수 있습니다. 반면 에이전트 기술은 백엔드 툴 호출을 활용하여 최신 정보에 접근하고 워크플로를 간소화하며, 특정 작업을 자율적으로 생성해서 복잡한 목표를 달성합니다. 이 과정에서 자율 에이전트는 사용자 기대에 부응하는 방법을 점점 학습하여 맞춤형 경험을 제공하고 응답의 질을 높입니다. 이 툴 호출은 인간의 개입 없이 발생해서, 이러한 AI 시스템에 사용될 수 있는 실제 애플리케이션을 확장합니다.

MetaGPT의 엔지니어 에이전트는 실행 가능한 피드백을 통해 반복 프로그래밍에 참여합니다. 디버깅과 최적화 프로세스는 평상시의 프로그래밍 작업에 중요합니다. 다른 구현에는 에이전트 자체 수정 메커니즘이 없어서 코드 할루시네이션, 코드 작동 불량 등 원치 않는 결과가 초래될 수 있습니다. 이러한 위험을 완화하기 위해 MetaGPT는 각 반복에서 코드를 개선하는 실행 가능한 피드백 메커니즘을 도입합니다.

엔지니어 에이전트는 원래의 제품 요구 사항과 설계를 기반으로 코드를 작성합니다. 그래서 에이전트는 자체 기록 실행과 디버깅 메모리를 사용하여 코드를 지속적으로 개선할 수 있습니다. 엔지니어는 해당 유닛 테스트 사례를 작성하고 실행하여 코드 개선에 필요한 정보를 더 많이 얻습니다. 결과를 받은 다음 엔지니어는 추가 개발 작업을 진행하거나 코드를 디버깅한 뒤 프로그래밍을 재개합니다. 테스트를 통과할 때까지, 또는 최대 3회까지 다시 시도를 합니다.²⁹

CrewAI – CrewAI는 오픈 소스, Python 기반 다중 에이전트 프레임워크로, 역할 수행 자율 에이전트들이 크루처럼 협동해서 작업을 함께 완료합니다. 사용자는 애플리케이션 요건이나 용도에 따라 에이전트를 구축하고 맞춤 설정할 수 있습니다. 사용 사례에는 콘텐츠 계획 및 제작, 데이터 분석 및 자동화 작업 같은 일반적인 용도가 있습니다. CrewAI는 IBM의 watsonx.ai와의 통합 기능을 제공하며, 여러 LLM 통합 및 Ollama와의 호환성을 제공합니다.³⁰

ChatDev — ChatDev는 오픈 소스 다중 에이전트 프레임워크입니다. 다양한 조직 역할을 담당하는 여러 가지 지능형 에이전트를 통해 운영되는 가상 소프트웨어 기업을 시뮬레이션합니다. 에이전트는 대화를 통해 협력하여 실행 가능한 코드와 문서를 포함한 소프트웨어 제품을 생성합니다. ChatDev는 OpenAI의 GPT-3.5-turbo 및 GPT-4 모델을 지원하여 지능형 에이전트를 제공합니다.³¹

AutoGPT – AutoGPT는 자연어 처리(NLP)를 적용하여 사용자 목표를 이해하고 복잡한 작업을 분해하는 오픈 소스 다중 에이전트 프레임워크입니다. 자동화된 워크플로 안에서 에이전트들이 협력하여 각 작업을 더 자잘한 하위 작업들로 세분화하고 높은 수준의 사용자 프롬프트를 처리합니다. 사용 사례로는 시장 조사 및 분석, 제품 개발, 가상 지원 등의 보편적인 솔루션이 있습니다. 이 프레임워크는 OpenAI의 GPT-4를 기반으로 하는 AI 에이전트로 구축되었습니다.³²