Manus再遭复刻！开源多智能体协作工具，实时查看每个AI员工的＂脑回路＂

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

“打工人狂喜！这个AI框架把GPT变「数字团队」：程序员+研究员+策划一键组队干活！”

大家好，我是蚝油菜花。你是否也经历过——

• 查资料写代码来回切换，Alt+Tab按到键盘冒火星
• 调API搞到凌晨三点，结果发现参数文档是火星文
• 想用AI做复杂任务，ChatGPT却像金鱼只有7秒记忆…

今天要安利的 LangManus ，用分层多智能体架构重新定义AI协作！这个开源框架的神操作在于：

• ✅ AI版「复仇者联盟」：规划员拆解任务+研究员全网搜资料+程序员写代码，智能体自动组队
• ✅ 任务可视化看板：实时查看每个AI员工的”脑回路”，再也不怕甩锅扯皮
• ✅ 企业级私密部署：支持本地化部署，金融/医疗等敏感数据也能放心用

已有团队用它1小时搞定竞品分析报告+数据爬取+可视化代码，连周报都自动生成——你的数字员工军团已就位！

LangManus 是一个基于分层多智能体系统的 AI 自动化框架，支持多种语言模型和工具集成。
1. 核心功能：多智能体协作、网络搜索、神经搜索、代码执行与生成、任务可视化与监控。
2. 技术原理：通过分层多智能体系统架构，结合语言模型、神经搜索和网络搜索技术，实现复杂任务的高效执行。

https://www.zhihu.com/video/

LangManus 是一个 AI 自动化框架，基于分层多智能体系统设计。它包含多种智能体，如协调员、规划员、研究员、程序员等，各司其职，协同完成复杂任务。框架支持多种开源语言模型，如通义千问，兼容 OpenAI API 接口，能根据任务复杂度灵活调用不同层级的模型：

LangManus 具备强大的搜索和检索能力，通过 Tavily API 实现网络搜索，结合 Jina 进行神经搜索，高效提取和分析信息。此外，它还内置 Python 执行环境，支持代码生成和运行，适用于多种复杂任务场景。

• 多智能体协作：采用分层多智能体系统架构，不同智能体各司其职，协同完成任务。
• 协调员：负责接收任务并分配给其他智能体。
• 规划员：分析任务需求，制定执行策略。
• 研究员：负责信息收集和分析，支持网络搜索和数据检索。
• 程序员：生成和执行代码，支持复杂的编程任务。
• 汇报员：生成任务执行报告，总结工作流程。

• 网络搜索：通过 Tavily API 实现高效的网络搜索功能，能快速获取最新信息。
• 神经搜索：使用 Jina 实现神经搜索，支持复杂的数据检索和分析。
• 代码执行与生成：内置 Python 执行环境，支持代码生成和运行，适用于数据分析、自动化脚本等任务。
• 任务可视化：通过工作流程图直观展示任务的执行过程和各智能体的协作关系。
• 任务监控：实时监控任务的执行状态，确保任务顺利进行。
• API 服务器：提供基于 FastAPI 的 API 服务器，支持流式响应，便于集成到其他系统中。
• 灵活的配置：支持通过 .env 文件进行配置，用户可以根据需要设置语言模型的 API 密钥、搜索工具的参数等。

• 语言模型集成：支持多种语言模型，包括开源模型和闭源模型的 API 接口，根据任务复杂度自动选择合适的模型。
• 任务管理与执行：通过工作流程图可视化任务的执行过程，实时监控任务状态，支持流式响应。
• 数据处理与检索：集成神经搜索和网络搜索功能，通过 Jina 和 Tavily API 实现高效的数据检索，支持向量化的数据存储和检索。

要运行 LangManus，请按照以下步骤操作：

首先，克隆 LangManus 的 GitHub 仓库到本地：

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

LangManus 使用 uv 包管理器来处理依赖项。运行以下命令以安装必要的依赖项，并设置虚拟环境：

uv sync

接下来，安装 playwright 并配置 Chromium 浏览器：

uv run playwright install

将 .env.example 文件复制为 .env 文件，并根据需要填写 API 密钥：

cp .env.example .env

编辑 .env 文件，根据需要填写 API 密钥和相关环境变量。

完成上述配置后，使用以下命令运行项目：

uv run main.py

LangManus 使用 .env 文件进行配置，主要包括以下内容：

# 理性推理 LLM 配置 REASONING_MODEL=your_reasoning_model REASONING_API_KEY=your_reasoning_api_key # 基础 LLM 配置 BASIC_MODEL=your_basic_model BASIC_API_KEY=your_basic_api_key # 视觉语言 LLM 配置 VL_MODEL=your_vl_model VL_API_KEY=your_vl_api_key # 工具 API 密钥 TAVILY_API_KEY=your_tavily_api_key JINA_API_KEY=your_jina_api_key

您可以复制 .env.example 文件并根据需要修改。

LangManus 提供了一个基于 FastAPI 的 API 服务器，支持流式传输：

make serve

或者直接运行：

uv run server.py

API 服务器提供了以下端点：

• POST /api/chat/stream：聊天端点，支持流式传输。
• 请求体示例：

{ "messages": [{ "role": "user", "content": "Your query here" }], "debug": false }

LangManus 还支持通过 Docker 容器运行。构建并运行容器的命令如下：

docker build -t langmanus . docker run --name langmanus -d --env-file .env -e CHROME_HEADLESS=True -p 8000:8000 langmanus

如果您只需要运行 CLI，可以使用以下命令：

docker run --rm -it --env-file .env -e CHROME_HEADLESS=True langmanus uv run python main.py

1. 初始化协调器：Coordinator 是 LangManus 的入口点，负责任务的分配和执行。
2. 定义任务：任务可以是任何需要语言模型和工具支持的复杂任务。
3. 执行任务：调用 execute 方法，协调器会自动分配任务给合适的智能体。
4. 输出结果：最终结果由 Reporter 智能体生成并返回。

LangManus Web UI 是 LangManus 项目的默认 Web 界面，旨在为社区驱动的 AI 自动化框架提供友好的用户交互体验。以下是如何在本地环境中运行 LangManus Web UI 的详细教程。

在运行 LangManus Web UI 之前，需要确保以下工具和环境已安装：

• LangManus：请参考LangManus的安装和运行指南。
• Node.js：版本需为 v22.14.0 或更高。
• pnpm：作为包管理工具，版本需为 v10.6.2 或更高。

在项目根目录创建一个 .env 文件，并配置以下环境变量：

• NEXT_PUBLIC_API_URL：LangManus API 的 URL。

建议从示例文件开始，并根据自己的配置修改 .env 文件：

cp .env.example .env

重要提示：在运行 LangManus Web UI 之前，必须启动 LangManus 的 Python 服务端。

以下是安装和运行 Web UI 的步骤：

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

使用 pnpm 安装项目所需的依赖包：

pnpm install

运行以下命令以启动开发模式：

pnpm dev

manus 教程

启动成功后，打开浏览器并访问 http://localhost:3000 即可使用 LangManus Web UI。

• LangManus GitHub 仓库：https://github.com/langmanus/langmanus
• LangManus-WebUI GitHub 仓库：https://github.com/langmanus/langmanus-web

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！