LangManus

English | 简体中文

来自开源，回馈开源

LangManus 是一个由社区驱动的 AI 自动化框架，它建立在开源社区的卓越工作之上。我们的目标是将语言模型与专门工具相结合，用于网络搜索、爬虫和 Python 代码执行等任务，同时回馈那些使这一切成为可能的社区。

演示视频

任务: 计算 DeepSeek R1 在 HuggingFace 上的影响指数。该指数可以通过考虑关注者数、下载量和点赞数等因素的加权和来设计。

• 在 YouTube 上观看
• 下载视频

目录

• 快速入门
• 架构
• 特性
• 为什么选择 LangManus？
• 设置
  • 前提条件
  • 安装
  • 配置
• 使用方法
• Web UI
• 开发
• 贡献
• 许可证
• 致谢

快速入门

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

# 使用 uv 创建并激活虚拟环境
uv python install 3.12
uv venv --python 3.12

source .venv/bin/activate  # Windows 系统：.venv\Scripts\activate

# 安装依赖
uv sync

# 配置环境
cp .env.example .env
# 编辑 .env 文件以填写您的 API 密钥

# 运行项目
uv run main.py

架构

LangManus 实现了一个分层的多智能体系统，其中协调器负责协调各个专业智能体完成复杂任务：

该系统由以下智能体协同工作组成：

1. 协调器 - 处理初始交互并路由任务的入口点
2. 规划者 - 分析任务并制定执行策略
3. 监督者 - 监督和管理其他智能体的执行
4. 研究员 - 收集和分析信息
5. 编码员 - 负责代码生成和修改
6. 浏览器 - 执行网页浏览和信息检索
7. 报告员 - 生成工作流结果的报告和摘要

特性

核心功能

• 🤖 LLM 集成
  • 支持 Qwen 等开源模型
  • OpenAI 兼容的 API 接口
  • 适用于不同复杂度任务的多级 LLM 系统

工具与集成

• 🔍 搜索与检索
  • 通过 Tavily API 进行网络搜索
  • 使用 Jina 进行神经搜索
  • 高级内容提取

开发功能

• 🐍 Python 集成
  • 内置 Python REPL
  • 代码执行环境
  • 使用 uv 进行包管理

流程管理

• 📊 可视化与控制
  • 工作流图可视化
  • 多智能体编排
  • 任务委派与监控

为什么选择 LangManus？

我们相信开源协作的力量。如果没有以下项目的杰出工作，这个项目是不可能实现的：

• Qwen 提供的开源 LLM
• Tavily 提供的搜索能力
• Jina 的神经搜索技术
• 以及其他众多开源贡献者

我们致力于回馈社区，并欢迎各种形式的贡献——无论是代码、文档、错误报告还是功能建议。

设置

前提条件

• uv 包管理器

安装

LangManus 使用 uv 作为其包管理器，以简化依赖管理。请按照以下步骤设置虚拟环境并安装必要的依赖：

# 第一步：使用 uv 创建并激活虚拟环境
uv python install 3.12
uv venv --python 3.12

source .venv/bin/activate  # Windows 系统：.venv\Scripts\activate

# 第二步：安装项目依赖
uv sync

完成这些步骤后，您的环境将被正确配置，并准备好进行开发。

配置

LangManus 使用三级 LLM 系统，分别针对推理、基础任务和视觉-语言任务进行配置。请在项目根目录下创建 .env 文件，并配置以下环境变量：

# 推理 LLM 配置（用于复杂推理任务）
REASONING_MODEL=your_reasoning_model
REASONING_API_KEY=your_reasoning_api_key
REASONING_BASE_URL=your_custom_base_url  # 可选

# 基础 LLM 配置（用于简单任务）
BASIC_MODEL=your_basic_model
BASIC_API_KEY=your_basic_api_key
BASIC_BASE_URL=your_custom_base_url  # 可选

# 视觉-语言 LLM 配置（用于涉及图像的任务）
VL_MODEL=your_vl_model
VL_API_KEY=your_vl_api_key
VL_BASE_URL=your_custom_base_url  # 可选

# 工具 API 密钥
TAVILY_API_KEY=your_tavily_api_key
JINA_API_KEY=your_jina_api_key  # 可选

# 浏览器配置
CHROME_INSTANCE_PATH=/Applications/Google Chrome.app/Contents/MacOS/Google Chrome  # 可选，Chrome 可执行文件路径

注意：

• 系统会根据任务类型使用不同的模型：
  • 推理 LLM 用于复杂决策和分析
  • 基础 LLM 用于简单的文本任务
  • 视觉-语言 LLM 用于涉及图像理解的任务
• 您可以独立自定义所有 LLM 的基础 URL
• 如果需要，每个 LLM 可以使用不同的 API 密钥
• Jina API 密钥是可选的。提供您自己的密钥可以获得更高的速率限制（可在 jina.ai 获取 API 密钥）
• Tavily 搜索默认最多返回 5 条结果（可在 app.tavily.com 获取 API 密钥）

您可以复制 .env.example 文件作为模板开始配置：

cp .env.example .env

配置预提交钩子

LangManus 包含一个预提交钩子，在每次提交前运行 lint 和格式化检查。要设置它：

1. 将预提交脚本设为可执行：

chmod +x pre-commit

2. 安装预提交钩子：

ln -s ../../pre-commit .git/hooks/pre-commit

预提交钩子会自动：

• 运行 lint 检查（make lint）
• 运行代码格式化（make format）
• 将任何重新格式化的文件重新添加到暂存区
• 如果存在 lint 或格式化错误，则阻止提交

使用方法

基本执行

要使用默认设置运行 LangManus：

uv run main.py

API 服务器

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

# 启动 API 服务器
make serve

# 或者直接运行
uv run server.py

API 服务器暴露了以下端点：

• POST /api/chat/stream: 支持流式响应的 LangGraph 调用聊天端点
  • 请求体：

  {
    "messages": [
      {"role": "user", "content": "您的问题在此"}
    ],
    "debug": false
  }
  

  • 返回包含代理响应的服务器发送事件（SSE）流

高级配置

LangManus 可以通过 src/config 目录下的各种配置文件进行自定义：

• env.py: 配置 LLM 模型、API 密钥和基础 URL
• tools.py: 调整工具特定设置（例如，Tavily 搜索结果限制）
• agents.py: 修改团队构成和代理系统提示

代理提示系统

LangManus 在 src/prompts 目录中使用了一个复杂的提示系统来定义代理的行为和职责：

核心代理角色

• 主管（src/prompts/supervisor.md）: 通过分析请求并确定由哪位专家处理，协调团队并分配任务。负责决定任务是否完成以及工作流的转换。

• 研究员（src/prompts/researcher.md）: 专门通过网络搜索和数据收集来获取信息。利用 Tavily 搜索和网页爬取功能，但不进行数学计算或文件操作。

• 编码员（src/prompts/coder.md）: 专注于 Python 和 Bash 脚本的专业软件工程师角色。负责：

  • Python 代码的执行和分析
  • Shell 命令的执行
  • 技术问题的解决与实现

• 文件管理员（src/prompts/file_manager.md）: 处理所有文件系统操作，重点在于以 Markdown 格式正确地格式化和保存内容。

• 浏览器（src/prompts/browser.md）: 网页交互专家，负责：

  • 网站导航
  • 页面交互（点击、输入、滚动）
  • 从网页中提取内容

提示系统架构

提示系统使用一个模板引擎（src/prompts/template.py），该引擎：

• 加载特定角色的 Markdown 模板
• 处理变量替换（例如，当前时间、团队成员信息）
• 为每个代理格式化系统提示

每个代理的提示都定义在一个单独的 Markdown 文件中，这样可以轻松修改行为和职责，而无需更改底层代码。

Web 界面

LangManus 提供了一个默认的 Web 界面。

更多详情请参阅 langmanus/langmanus-web-ui 项目。

开发

测试

运行测试套件：

# 运行所有测试
make test

# 运行特定测试文件
pytest tests/integration/test_workflow.py

# 带覆盖率运行
make coverage

代码质量

# 运行代码检查
make lint

# 格式化代码
make format

贡献

我们欢迎各种形式的贡献！无论是修复拼写错误、改进文档，还是添加新功能，您的帮助都将受到我们的感谢。有关如何开始的详细信息，请参阅我们的贡献指南。

许可证

本项目是开源的，并根据 MIT 许可证 提供。

致谢

特别感谢所有使 LangManus 成为可能的开源项目和贡献者。我们站在巨人的肩膀上。

LangManus 快速上手指南

LangManus 是一个社区驱动的 AI 自动化框架，通过分层多智能体系统（协调员、规划者、研究员、程序员等）协同工作，实现网络搜索、爬虫、代码执行等复杂任务。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：3.12 或更高版本
• 包管理器：uv (推荐，用于快速管理依赖和虚拟环境)
• 浏览器：Google Chrome (用于 Browser 智能体，可选但推荐)

提示：国内开发者安装 uv 时若遇到网络问题，可尝试使用镜像源或代理加速。

安装步骤

1. 克隆项目

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

2. 创建并激活虚拟环境

使用 uv 安装 Python 3.12 并创建隔离环境：

# 安装 Python 3.12
uv python install 3.12

# 创建虚拟环境
uv venv --python 3.12

# 激活环境
# Linux/macOS:
source .venv/bin/activate
# Windows:
.venv\Scripts\activate

3. 安装依赖

同步安装项目所需的所有依赖包：

uv sync

4. 配置环境变量

复制示例配置文件并根据您的需求编辑 .env 文件：

cp .env.example .env

在 .env 文件中填入必要的 API Keys。LangManus 采用三层 LLM 架构（推理、基础、视觉），您可以根据需要配置不同的模型（如 Qwen、OpenAI 等）：

# 推理模型 (处理复杂决策)
REASONING_MODEL=your_reasoning_model
REASONING_API_KEY=your_reasoning_api_key

# 基础模型 (处理简单文本任务)
BASIC_MODEL=your_basic_model
BASIC_API_KEY=your_basic_api_key

# 视觉语言模型 (处理图像理解)
VL_MODEL=your_vl_model
VL_API_KEY=your_vl_api_key

# 工具 API Keys
TAVILY_API_KEY=your_tavily_api_key      # 用于网络搜索 (必填)
JINA_API_KEY=your_jina_api_key          # 用于神经搜索 (可选，建议填写以提高限额)

# 浏览器路径 (可选，默认自动检测)
# CHROME_INSTANCE_PATH=/path/to/chrome

注意：

• Tavily 用于网络搜索，需获取 API Key。
• Jina 用于内容提取，提供 API Key 可获得更高调用限额。
• 支持配置国内兼容 OpenAI 协议的模型服务商地址 (_BASE_URL)。

基本使用

运行主程序

配置完成后，直接在终端运行以下命令启动 LangManus：

uv run main.py

启动后，您可以在命令行中输入任务指令。例如，让系统计算某个模型在 HuggingFace 上的影响力指数，它将自动调用搜索、代码执行等智能体协同完成。

启动 API 服务（可选）

如果您希望通过 API 调用或连接 Web UI，可以启动后端服务：

# 方式一：使用 make 命令
make serve

# 方式二：直接运行
uv run server.py

服务启动后，将通过 POST /api/chat/stream 接口提供流式对话能力。

进阶定制

• 修改智能体行为：编辑 src/prompts/ 目录下的 Markdown 文件（如 researcher.md, coder.md）可自定义各角色的系统提示词。
• 调整工具参数：修改 src/config/tools.py 可调整搜索返回结果数量等参数。