0 前言

Manus是一款由中国团队Monica.im开发的全球首款通用型AI智能体产品，于2025年3月5日正式发布. Manus的主要特点包括：多代理架构 通过规划、执行和验证三个模块协同工作，模拟人类的“计划-执行-检查-行动”流程。这种架构使其能够独立完成复杂任务，如数据分析、报告生成、旅行规划等。能够自主执行能力，与传统AI工具不同，Manus不仅提供思路，还能直接动手解决问题。例如，它可以自动调取数据库、运行算法、生成可视化报告，并将结果发送给用户。多模态交互Manus支持多种输入方式，包括自然语言指令、API调用等，能够灵活处理跨领域的任务。随着Manus推出，很快开源市场上开源版本的Manus.

上周我也体验了几款开源版本Manus 比如：OpenManus、OWL。今天给大家带来的是另外一款开源版本Manus.这个项目非常火爆3天时间github 点赞星超过3000.我个人测试下来感觉整体效果要由于前面测试的OpenManus、OWL。而且测试门槛相对比较低，利用一些国内一些大厂提供的免费模型APIkey就可以玩转这个项目。系统由以下智能体协同工作：

系统由以下智能体协同工作：

1. 协调员（Coordinator）：工作流程的入口点，处理初始交互并路由任务
2. 规划员（Planner）：分析任务并制定执行策略
3. 主管（Supervisor）：监督和管理其他智能体的执行
4. 研究员（Researcher）：收集和分析信息
5. 程序员（Coder）：负责代码生成和修改
6. 浏览器（Browser）：执行网页浏览和信息检索
7. 汇报员（Reporter）：生成工作流结果的报告和总结

话不多说下面带大家部署安装及体验一下这个项目。

1.安装

源码获取

# 克隆仓库
git clone https://github.com/langmanus/langmanus.git
cd langmanus

接下来我们需要安装uv 管理包。

 pip install uv

安装环境依赖

# 安装依赖
uv sync

# Playwright install to use Chromium for browser-use by default
uv run playwright install

配置环境

cp .env.example .env

编辑.env文件

这里有几个模型需要配置

REASONING_BASE 、BASIC_BASE、VL_BASE 这3个是属于模型配置。分别是推理模型、基础文本模型、多模态视觉模型

我们这里用火山引擎提供的deepseek-r1模型、 硅基流动提供的文本模型、魔搭社区提供的多模态模型

# 推理 LLM 配置（用于复杂推理任务）
REASONING_API_KEY=xxxx
REASONING_BASE_URL=https://ark.cn-beijing.volces.com/api/v3/
REASONING_MODEL=ep-20250205144233-4rrb5

# 基础 LLM 配置（用于简单任务）
BASIC_API_KEY=sk-xxxx
BASIC_BASE_URL=https://api.siliconflow.cn/v1
BASIC_MODEL=deepseek-ai/DeepSeek-V2.5

# 视觉语言 LLM 配置（用于涉及图像的任务）
VL_API_KEY=xxxxx
VL_BASE_URL=https://api-inference.modelscope.cn/v1/
VL_MODEL=Qwen/Qwen2.5-VL-72B-Instruct

另外我们从该项目中了解到 搜索和检索 用到 通过 Tavily API 进行网络搜索、使用 Jina 进行神经搜索，所以我们也需要再这2个网站上获取到对应的API key,我们这里选择使用Tavily api

# 工具 API 密钥
TAVILY_API_KEY=tvly-xxx

以上配置文件完成的，基础的环境配置工作就完成了。

2.启动运行项目

接下来我们启动该项目

cd F:\temp\langmanus
uv run main.py

我们使用查询 “帮我查询一下2025年3月22日最新科技新闻”

接下来它就能帮我把新闻爬取下来，然后做分析比对和总结功能了

3.API 服务器

LangManus 提供基于 FastAPI 的 API 服务器，支持流式响应：后面我们需要用到web UI 所以这里我们需要使用API 服务器

# 运行
uv run server.py

启动一个8000端口的服务。

4 .web UI可视化

上面窗体命令不是很方便，这里我们也可以使用https://github.com/langmanus/langmanus-web项目来实现web可视化

这里我们使用docker方式部署这个langmanus-web项目

下载源码

git clone https://github.com/langmanus/langmanus-web.git
cd langmanus-web

配置文件

在启动之前我们修改 .env.example 为 .env 和上面的langmanus 修改方式类似，这里只需要填写API 服务器地址

默认有个URL地址

NEXT_PUBLIC_API_URL=http://localhost:8000/api

我这里使用源码来部署所以修改我本地IP地址。（如果api 服务器部署在服务端记录一下服务端IP ）

如何查看本地电脑IP 使用如下命令：

ipconfig

修改后的配置

NEXT_PUBLIC_API_URL=http://192.168.1.3:8000/api

运行编译和启动

执行如下命令启动langmanus-web

# Install dependencies
pnpm install

# Run the project in development mode
pnpm dev

使用及测试

浏览器打开http://192.168.1.3:3000( 也可以使用http://localhost:3000)

我的问题

我需要4月1日至5日从合肥出发进行5天的武汉行程，我的预算大概有5000块钱，我们喜欢历史遗迹，请提供详细的行程和简单的HTML旅行手册，其中包含地图，景点描述，必不可少的日语短语以及我们可以在整个旅程中引用的旅行技巧。

它给我我们深度思考过程

同时服务端有相应的输出

它还帮我给出 计划、思考、搜索、还有帮我写了代码

后端日志中出现了一些错误。

应该是调用了雅虎财经数据没找到报404错误，导致后面的流程中出现了问题。

帮我写了代码还执行，但是最后没执行成功，不错这个已经让我看到AI agent希望了。

我后面又让把做个简单的任务

请帮我查询一下2025年3月22日最新的科技新闻，并把这个新闻输出到我电脑的‘F:\temp\langmanus-web’目录下

这个给我大概弄出来了。

5 总结

目前来说这个开源版本的LangManus 确实挺强的，能够把用户输入的问题进行问题的拆解，还能自动生成代码来执行。当然本次实验中是有失败的案例，也有一个成功的案例。不过总体来说我们已经看到AI agent在 AI 应用的落地。感兴趣的小伙伴可以自己部署体验一下，今天的分享就到这里结束了，我们下个文章见。