OpenManus 本地部署

OpenManus 本地部署

一、项目背景与核心亮点

MetaGPT团队于2025年3月7日宣布，仅用3小时完成OpenManus核心功能开发。作为Manus的开源替代方案，它具备以下突破性特点：

1. 无门槛使用：完全免费且无需邀请码，支持本地化部署
2. 多智能体协作：基于MetaGPT框架实现模块化Agent系统，支持主代理、规划代理、工具代理协同工作
3. 实时可视化：任务执行过程展示思考日志与进度更新，支持人类干预优化结果
4. 多模型支持：默认集成GPT-4o，可快速切换至Qwen、Claude等模型（网页8显示支持本地Ollama部署）

截至3月9日，GitHub Star数已达15.8k，成为2025年增长最快的AI Agent项目之一。

下面我也来试着部署一下，看看到底AI到底能不能给我打工吧。

二、安装部署全流程

1. 环境准备

# 创建Conda虚拟环境（推荐Python3.12）
conda create -n open_manus python=3.12
conda activate open_manus
export PATH="/home/XX/miniconda3/envs/open_manus/bin:$PATH"

2. 代码获取

# 常规克隆（若遇HTTP2错误切换SSH方式）
git clone https://github.com/mannaandpoem/OpenManus.git
cd OpenManus

# 备选SSH克隆
git clone git@github.com:mannaandpoem/OpenManus.git

3. 依赖安装

pip install -r requirements.txt  # 国内用户可加 -i https://pypi.tuna.tsinghua.edu.cn/simple

4. 关键配置

配置相关的，需要创建一个名为 config.toml 的配置文件，并放在 config 目录下

cp config/config.example.toml config/config.toml

编辑 config/config.toml 添加 API 密钥和自定义设置(使用LLM官网的API方式)

GPT-4O 官方

nano config/config.toml

# Global LLM configuration
[llm]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."  # Replace with your actual API key
max_tokens = 4096
temperature = 0.0

# 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

QWQ32B （本地）接口驱动

确保ollama中的本地模型已经启动

# 全局模型配置
[llm]
model = "qwq:latest"
base_url = "http://localhost:11434/v1"
api_key = "local123"
max_tokens = 4096
temperature = 0.0

QWQ32B 官网驱动

网络受限的小伙伴可以申请硅基流动的API：硅基流动注册地址：https://cloud.siliconflow.cn/i/56XvgRXq，首次注册送2000万tokens，速度还是不错的，下面我选择Qwen模型来测试。

# config/config.toml
[llm]
model = "Qwen/QwQ-32B"  # 可替换为本地Ollam
base_url = "https://api.siliconflow.cn/v1"  # 硅基流动API
api_key = "sk-XXX"
max_tokens = 4096
temperature = 0.0

[llm.vision]  # 视觉任务专用
model = "Qwen/Qwen2-VL-72B-Instruct"
base_url = "https://api.siliconflow.cn/v1"
api_key = "sk-XXX"

三、功能亮点解析

1. 模块化工具链
   • Python代码执行器：支持动态生成并验证代码
   • 浏览器自动化：可完成网页抓取、表单填写等操作
   • 文件处理系统：自动生成HTML报告/文档
   • 网络搜索工具：集成实时数据检索功能
2. 典型应用场景
   • 办公自动化：周报生成/邮件处理
   • 开发辅助：代码生成/项目架构规划
   • 数据分析：金融预测/医疗诊断支持
   • SEO优化：自动生成网站分析报告

四、运行与测试

# 标准模式（推荐首次体验）
python main.py

# 开发版功能（含最新实验特性）
python run_flow.py

输入示例测试指令：

请分析GitHub Trending榜单，生成目前比较火的几款RAG项目特点，优缺点的Markdown报告

五、遇到的问题

跑完了30轮，电脑里居然没有找到生成的md文档。。。。，github上面看了别人提的issues，也有很多人遇到同样的问题，先记录着，后面找到解决方法了再来更新吧，有知道的大神们也可以评论区留言