Open-Manus开源多智能体工具部署全攻略
一、Open-Manus 产品技术解析
Manus 在火爆之后,也看了它的视频,感觉是非常厉害,程序员又要把程序干掉了,所以也想体验一把,但是没有邀请码,在看到 Open-Manus 之后也想试用一把,体验一下那种动动嘴让机器干冒烟就可以把活干好的感觉。
Open-Manus 是由 MetaGPT 团队的五名开发者在短时间内开发的开源 AI 工具项目。它旨在复刻或替代近期火爆的 AI 产品 Manus,提供一个透明、可本地运行的 AI 工具,能够执行类似 Manus 的任务,如自动化生成报告、处理复杂工作流等。具体含义和相关信息如下:
-
开发背景:OpenManus 是在 Manus 爆火之后,由 MetaGPT团队开发的开源项目。该项目旨在提供一个免费且易用的替代方案,挑战 Manus 的“稀缺性”和“高门槛”。
-
技术实现:OpenManus 是一个基于 Python 开发的智能代理系统,采用模块化设计,主要包含 agent、flow、tool 等核心模块。它使用 pydantic 进行数据验证,支持异步操作,提高系统性能。
-
核心功能:
- 智能代理:实现了多种类型的代理,如 Manus(ReAct)、Planning 等。
- 工具集成:内置多个实用工具,包括 PythonExecute(执行Python代码)、GoogleSearch(网络搜索)、BrowserUseTool(浏览器操作)、FileSaver(文件保存)等。
- 配置灵活性:OpenManus 支持多种LLM模型配置(如 OpenAI、Azure 等),并允许用户自定义系统提示词和工具集。
- 使用简便性:提供 main.py 和 run_flow.py 两种启动方式,以及交互式命令行界面,方便用户上手。
-
开源地址:OpenManus 的官方 GitHub 地址为 https://github.com/mannaandpoem/OpenManus,自发布以来,该项目获得了大量关注,短时间内star数已接近34K。
与 Manus 相比,OpenManus 提供了免费、无需邀请码的使用体验,以及更加透明的代码基础。尽管可能在某些功能上不如Manus 全面,但它作为一个开源项目,为开发者和用户提供了一个研究和实验的平台。
项目在GitHub开源仅两周即获得34K Star,位列Trending榜单TOP 3。
二、环境部署指南
部署这里比较简单,根据在 github 上的介绍就可以很容易的安装起来,它介绍了几种安装部署方式,这里使用了 conda 本地安装方式,具体操作如下:
- 创建一个 conda 环境:
conda create -n open_manus python=3.12
conda activate open_manus
- 克隆代码到本地
git clone https://github.com/mannaandpoem/OpenManus.git
cd OpenManus
- 安装 python依赖
pip install -r requirements.txt
三、模型配置实践
OpenManus 本身是不提供大模型的,需要在它的配置文件中配置本地或者远程模型地址。
- 首先生成一个配置文件,可以直接复制它样例配置文件,再来修改:
cp config/config.example.toml config/config.toml
编辑 config/config.toml 添加相关配置,具体如下,我测试 2 种方式: 1. 是本地模型方式,我使用了 “qwen2.5:14b”。但是这种需要本地机器比较强悍,不然容易出现访问模型超时。 2. 使用 “claude-3-5-sonnet”,这个是直接使用外部接口地址。
[llm]
# model = "claude-3-5-sonnet"
# base_url = "https://api.openai.com/v1"
# api_key = "sk-xxxxxx"
model = "qwen2.5:14b"
base_url = "http://localhost:11434/v1"
api_key = "ollama"
# Optional configuration for specific LLM models
[llm.vision]
# model = "gpt-4o"
# base_url = "https://api.openai.com/v1"
# api_key = "sk-..." # Replace with your actual API key
model = "qwen2.5:14b"
base_url = "http://localhost:11434/v1"
api_key = "ollama"
四、核心功能实测
最后直接在命令行中执行下面的命令就可以启动了。后面就可以直接在命令行中交流。
python main.py
另外自动化报告生成
bash python run_flow.py –task “分析2024 Q2区块链行业趋势” –output report.md
五、总结
整体体验效果感觉还凑和,我根据网上的例子测试抓取新闻并总结,按理来说是一个非常好实现的,但是最终生成的内容非常一般,感觉没法使用,但是流程确实是跑动起来了。
但是感觉这种模式应该是 AI 应用的趋势,不做大模型,而是做大模型、内容信息和工具之间的一种胶水层,是一种思考模式的实现。而且最近 MCP 也是非常火爆,感觉未来大厂的这些工具都会向这个方向发展。在特定的领域之内,结合大模型、具体场景信息和相关工具,思考组织执行方式和流程,最终完成一个自动化大规模计算的复杂任务。