🚀 还在为邀请码发愁吗？一键部署 Co-Sight，快速搭建属于你的 Manus 类系统！

自 Manus 发布以来，尽管一些闭源平台拥有出色的用户体验和商业支持，但它们也面临着成本高昂、访问受限以及难以私有化部署等问题。而开源框架虽然具备更高的灵活性和透明度，但在功能完整性、样式丰富性和稳定性方面稍显不足。

Co-Sight 致力于在成本、质量、稳定性和易用性之间找到最佳平衡。它支持使用低成本的大模型生成媲美 Claude 模型的高质量美观报告，并且可以灵活地部署在私有环境中，帮助企业和个人快速构建自己的 Manus 类系统。

🔍 示例演示

场景	示例链接	效果预览
行业研究	中兴通讯分析报告
个人生活	2025年五一上海旅游指南
热点新闻	特朗普关税政策对全球影响分析
...

我们欢迎你在 Lab 中贡献更多示例，丰富我们的案例库！

GitHub 地址：https://github.com/Co-Sight-Series/Co-Sight-Lab

🛠 安装指南

1. 下载项目：你可以选择以下任一种方式将项目下载到本地电脑：

   1. 使用 Git 克隆 访问 https://github.com/ZTE-AICloud/Co-Sight ，点击绿色的“Code”按钮，

   # 1. 选择 HTTP 协议
   git clone https://github.com/ZTE-AICloud/Co-Sight.git
   
   # 2. 选择 SSH
   git clone git@github.com:ZTE-AICloud/Co-Sight.git
   
   cd Co-Sight
   

   2. 下载 ZIP 文件 访问 https://github.com/ZTE-AICloud/Co-Sight ，点击绿色的“Code”按钮，选择“Download ZIP”，下载后解压进入项目目录。

2. 准备环境：Python 版本 >= 3.11

3. 安装依赖：在项目目录下运行以下命令以安装依赖：

pip install -r requirements.txt

⚙️ 配置

1. 复制模板文件 .env_template 并生成 .env（该文件已被加入 .gitignore，请妥善保管私密信息）：
2. 编辑 .env 配置核心参数：
   1. 大模型配置：配置相应的大模型地址、模型名称、API-KEY 等，并进一步（可选）配置规划、执行、工具及多模态模型；
   2. 搜索引擎配置（可选）：配置相关搜索引擎的 API-KEY；
      1. Google 搜索申请方法：https://developers.google.com/custom-search/v1/overview?hl=zh-cn#api_key
      2. Tavily 搜索申请方法：https://app.tavily.com/home
3. 配置 MCP 工具

# 在工程根路径下的config/mcp_server_config.json按需配置如下信息,支持配置多个
[
  {
    "skill_name": "MCP技能名称",
    "skill_type": "local_mcp",
    "display_name_zh": "MCP工具中文名称",
    "display_name_en": "MCP工具英文名称",
    "description_zh": "MCP工具中文描述",
    "description_en": "MCP工具中文描述",
    "mcp_server_config": {
      "command": "python",
      "args": [
        "mcp_server.py"
      ]
    }
  }
]

▶️ 快速开始

1. 启动服务：cosight_server/deep_research/main.py
2. 打开浏览器并访问 http://localhost:7788/cosight/
3. 在输入框中输入你的第一个任务，体验智能研究引擎的强大功能！

🐳 使用 Docker

1. 下载 Docker 离线镜像 https://github.com/ZTE-AICloud/Co-Sight/releases/download/v0.0.1/co-sight-v001.tar

2. 启动 Docker 镜像

# 加载离线镜像
docker load -i co-sight-v001.tar
# 启动 Docker 容器
docker run -d -p 7788:7788 co-sight
# 将配置好的 .env 文件拷贝到容器内（模型和搜索引擎将在 Co-Sight 界面中配置）
docker cp .env ac39023b3b3fdc3245ec1cc0293afb6b0a5efd4675ee79535ed6663c3e2a2558:/home/Co-Sight
# 重启镜像使环境变量生效
docker restart ac39023b3b3fdc3245ec1cc0293afb6b0a5efd4675ee79535ed6663c3e2a2558

3. 打开浏览器并访问 http://localhost:7788/cosight/

📣 资源要求

• CPU: 4 核
• 内存: 4GB
• 磁盘: 1GB
  • 依赖：400MB
  • 项目文件：50MB
  • 最小所需磁盘空间：500MB
  • 推荐磁盘空间：1GB

此配置可确保系统基本运行及依赖成功安装，从而实现稳定性能。

🤝 贡献指南

非常欢迎 PR 和 Issue！如果你有任何想法或建议：

• 提交一个 Issue 描述你的想法和问题

• 发起一个 PR：改进文档、添加示例或优化功能。

让我们一起让 Co Sight Agent 更加强大。

📄 论文

如果你在研究中使用了 Co-Sight，请引用我们的论文：

@article{zhang2025cosight,
  title={Co-Sight: Enhancing LLM-Based Agents via Conflict-Aware Meta-Verification and Trustworthy Reasoning with Structured Facts},
  author={Zhang, Hongwei and Lu, Ji and Jiang, Shiqing and Zhu, Chenxiang and Xie, Li and Zhong, Chen and Chen, Haoran and Zhu, Yurui and Du, Yongsheng and Gao, Yanqin and Huang, Lingjun and Wang, Baoli and Tan, Fang and Zou, Peng},
  journal={arXiv preprint arXiv:2510.21557},
  year={2025},
  url={https://arxiv.org/abs/2510.21557}
}

论文：https://arxiv.org/abs/2510.21557

Co-Sight 快速上手指南

Co-Sight 是一款开源的智能研究代理工具，旨在以低成本构建类似 Manus 的高质量报告生成系统。它支持私有化部署，能够利用低成本的的大模型生成精美、专业的行业研究与生活指南报告。

1. 环境准备

在开始之前，请确保您的服务器或本地计算机满足以下最低配置要求：

• 操作系统：Linux / macOS / Windows
• CPU：4 核及以上
• 内存：4GB 及以上
• 磁盘空间：建议预留 1GB（依赖包约 400MB，项目文件约 50MB）
• Python 版本：>= 3.11
• 网络：需能访问 GitHub 及所选大模型/搜索引擎的 API 接口

提示：国内开发者若遇到 pip 下载慢的问题，建议使用国内镜像源（如清华源、阿里源）进行依赖安装。

2. 安装步骤

您可以选择 源码安装 或 Docker 部署 两种方式。

方式一：源码安装（推荐开发调试）

2.1 下载项目

使用 git 克隆项目代码：

git clone https://github.com/ZTE-AICloud/Co-Sight.git
cd Co-Sight

或者手动下载 ZIP 包并解压进入目录。

2.2 安装依赖

在项目根目录下执行以下命令安装所需库（推荐使用国内镜像加速）：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

2.3 配置文件

1. 复制环境变量模板：

   cp .env_template .env
   

2. 编辑 .env 文件，填入您的核心参数：
   • 大模型配置：填写模型地址、模型名称、API-KEY（支持规划、执行、多模态等模型配置）。
   • 搜索引擎配置（可选）：填写 Google Custom Search 或 Tavily 的 API-KEY。
   • Google 申请地址：https://developers.google.com/custom-search/v1/overview
   • Tavily 申请地址：https://app.tavily.com/home

2.4 配置 MCP 工具（可选）

如需扩展工具能力，编辑 config/mcp_server_config.json：

[
  {
    "skill_name": "MCP 技能名称",
    "skill_type": "local_mcp",
    "display_name_zh": "MCP 工具中文名称",
    "display_name_en": "MCP Tool Name",
    "description_zh": "MCP 工具中文描述",
    "description_en": "MCP tool description",
    "mcp_server_config": {
      "command": "python",
      "args": [
        "mcp_server.py"
      ]
    }
  }
]

方式二：Docker 部署（推荐生产环境）

2.1 加载离线镜像

下载并加载 Docker 镜像（需先手动下载 co-sight-v001.tar）：

docker load -i co-sight-v001.tar

2.2 启动容器

docker run -d -p 7788:7788 --name co-sight-container co-sight

2.3 注入配置

将本地配置好的 .env 文件复制到容器中，并重启使配置生效：

# 获取容器 ID (如果上面指定了 name 可直接用 co-sight-container)
CONTAINER_ID=$(docker ps -q --filter "name=co-sight")

# 复制配置文件
docker cp .env $CONTAINER_ID:/home/Co-Sight/.env

# 重启容器
docker restart $CONTAINER_ID

3. 基本使用

完成安装与配置后，即可启动服务体验智能研究报告生成功能。

3.1 启动服务

如果是源码安装，运行以下命令启动后端服务：

python cosight_server/deep_research/main.py

(Docker 用户跳过此步，容器已在后台运行)

3.2 访问界面

打开浏览器，访问以下地址：

http://localhost:7788/cosight/

3.3 开始任务

在输入框中输入您的研究任务，例如：

• “撰写一份关于中兴通讯的行业分析报告”
• "2025 年五一上海旅游攻略”
• “分析特朗普关税政策对全球的影响”

点击提交，系统将自动进行搜索、规划、推理并生成图文并茂的专业报告。