LangManus: ein quelloffenes KI-Automatisierungsframework, das die Zusammenarbeit mehrerer Intelligenzen unterstützt

Allgemeine Einführung

LangManus ist ein Open-Source-KI-Automatisierungsframework, das auf GitHub gehostet wird. Es wurde von einer Gruppe ehemaliger Kollegen in ihrer Freizeit entwickelt und ist ein akademisch getriebenes Projekt mit dem Ziel, Sprachmodelle und spezialisierte Tools zu kombinieren, um Aufgaben wie Websuche, Daten-Crawling und Codeausführung zu erledigen. Das Framework nutzt ein Multi-Agenten-System mit Rollen wie Koordinator, Planer und Supervisor, um bei komplexen Aufgaben zusammenzuarbeiten.LangManus betont den Geist von Open Source und verlässt sich auf die Exzellenz der Gemeinschaft, während es Code-Beiträge und Feedback zu Problemen begrüßt. Es verwendet uv Verwaltung von Abhängigkeiten und Unterstützung schneller Build-Umgebungen. Das Projekt befindet sich noch in der Entwicklung und ist für Entwickler geeignet, die sich für KI-Automatisierung und Multi-Agenten-Technologien interessieren.

Funktionsliste

• Zusammenarbeit zwischen mehreren Agenten:: Das System besteht aus Koordinatoren, Planern, Supervisoren usw., die sich die Arbeit teilen, um die Aufgabenverteilung, die Strategieentwicklung und das Ausführungsmanagement zu bewältigen.
• Automatisierung von AufgabenUnterstützung von Sprachmodellen in Kombination mit Tools für die Websuche, das Crawling von Daten, die Generierung von Python-Code und andere Operationen.
• Integration von SprachmodellenUnterstützung von Open-Source-Modellen (z.B. Qwen) und OpenAI-kompatiblen Schnittstellen, die ein mehrschichtiges LLM-System zur Bewältigung verschiedener Aufgaben bieten.
• Suche und AbrufWeb-Suche über Tavily API, neuronale Suche und Inhaltsextraktion mit Jina.
• Unterstützung der EntwicklungEingebaute Python REPL und Code-Ausführungsumgebung unter Verwendung der uv Abhängigkeitsmanagement.
• Verwaltung des Arbeitsablaufs:: Bereitstellung von Funktionen zur Aufgabenzuteilung, Überwachung und Prozessvisualisierung.
• Verwaltung von DokumentenUnterstützung für Dateimanipulation zur Erzeugung formatierter Markdown-Dateien.

Hilfe verwenden

LangManus ist ein lokal betriebenes Framework, das sich an Benutzer mit Programmiererfahrung richtet. Detaillierte Anweisungen zur Installation und Verwendung finden Sie weiter unten.

Ablauf der Installation

Um LangManus lokal zu verwenden, müssen Sie Python installieren,uv und andere Werkzeuge. Die Schritte sind wie folgt:

1. Vorbereiten der Umgebung
   • Stellen Sie sicher, dass Python 3.12 installiert ist. überprüfen Sie die Version:

     python --version
     

     Wenn die Version nicht übereinstimmt, laden Sie sie von https://www.python.org/downloads/ herunter und installieren Sie sie.

   • Installieren Sie Git zum Klonen von Repositories. Laden Sie es von https://git-scm.com/ herunter.
2. Einbau von uv
   uv ist ein Werkzeug zur Verwaltung von Abhängigkeiten. Ausführen:

pip installieren uv

Überprüfen Sie die Installation:

uv --version

3. Klon-Lager
   Läuft im Terminal:

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

4. Einrichten einer virtuellen Umgebung
   ausnutzen uv Eine Umgebung schaffen:

uv python install 3.12
uv venv --python 3.12
Quelle .venv/bin/activate # Windows: .venv\Scripts\activate

5. Installation von Abhängigkeiten
   Laufen:

uv .

Dadurch werden alle abhängigen Pakete installiert.

6. Installation der Browserunterstützung
   LangManus verwendet Playwright zur Steuerung des Browsers. Ausführen:

uv run playwright install

7. Umgebungsvariablen konfigurieren

• Kopieren Sie die Beispieldatei:

  cp .env.example .env
  

• Compiler .envfügen Sie den API-Schlüssel hinzu. Beispiel:

  TAVILY_API_KEY=Ihr_tavily_api_key
  REASONING_MODEL=Ihr_Modell
  REASONING_API_KEY=Ihr_api_key
  

• Tavily-API-Schlüssel, den Sie von https://app.tavily.com/ erhalten.

8. Laufende Projekte
   Eingabe:

uv run main.py

Verwendung

Nach der Installation kann LangManus über die Befehlszeile oder über eine API ausgeführt werden.

1. grundlegende Bedienung

• Läuft in einer virtuellen Umgebung:

  uv run main.py
  

• In der aktuellen Version gibt es keine Beispiele für Standardaufgaben. README.md Oder warten Sie auf eine offizielle Aktualisierung.

2. API-Dienste

• Starten Sie den API-Server:

  auftischen
  

  Oder:

  uv run server.py
  

• Schnittstellen anrufen, zum Beispiel:

  curl -X POST "http://localhost:8000/api/chat/stream" -H "Content-Type: application/json" -d '{"messages":[{"role": "user", "content": "Search for the latest AI Papiere"}], "debug":false}'
  

• Gibt eine Echtzeit-Streaming-Antwort zurück.

3. Beispiele für Aufgaben

• Angenommen, wir wollen die Anzahl der Male zählen, die HuggingFace DeepSeek Der Wirkungsindex von R1:
  • Bearbeiten Sie Aufgabeneingaben (z. B. über API oder Code).
  • Das System wird Forscher-Agenten mit der Suche nach Daten und Kodierer-Agenten mit der Erzeugung von Rechencode beauftragen.
  • Die Ergebnisse werden durch den Reporter-Agenten ausgegeben.

LangManus Standard-Web-Benutzeroberfläche: https://github.com/langmanus/langmanus-web

Featured Function Bedienung

• Zusammenarbeit zwischen mehreren Agenten
  Sobald eine Aufgabe eingegeben wird, analysiert der Koordinator sie und leitet sie an den Planer weiter, der eine Strategie erstellt, die der Betreuer dem Forscher oder Encoder zur Ausführung zuweist. Wenn Sie zum Beispiel "Suche nach den neuesten KI-Papieren" eingeben, ruft der Forscher die Tavily-API auf, um die Ergebnisse zu erhalten.
• Integration von Sprachmodellen
  Es werden mehrere Modelle unterstützt. Konfiguration .env Modellierung der verschiedenen Aufgaben im
• Komplexe Aufgaben ARGUMENTATIONS_MODEL.
• Für einfache Aufgaben BASIC_MODEL.
• Grafikaufgabe VL_MODELL.
• Suche und Abruf
  Verwenden Sie die Tavily-API (die standardmäßig 5 Ergebnisse liefert) oder Jina, um Seiteninhalte zu extrahieren. Sobald der API-Schlüssel konfiguriert ist, kann der Browser-Agent die Seite durchsuchen und crawlen.
• Code-Ausführung
  Der Encoder-Agent unterstützt Python- und Bash-Skripte. Zum Beispiel beim Erzeugen von Code:

print("Hallo, LangManus!")

Wird direkt in der integrierten REPL ausgeführt.

Entwicklung und Beitrag

• Benutzerdefinierter Proxy
  Änderungen src/prompts/ unter der Markdown-Datei, um das Verhalten des Agenten anzupassen. Verbessern Sie zum Beispiel die Suchmöglichkeiten des Forschers.
• Einen Beitrag einreichen
• Forken Sie das Repository und ändern Sie den Code.
• Reichen Sie einen Pull-Request bei GitHub ein.

Die Dokumentation ist derzeit noch begrenzt, daher empfehlen wir, auf offizielle Updates zu warten.

Anwendungsszenario

1. akademische Forschung
   Forscher verwenden LangManus, um Daten aus Artikeln zu sammeln, Analysen zu erstellen und an GAIA-Rankings teilzunehmen.
2. Entwicklung der Automatisierung
   Die Entwickler geben die Anforderungen ein und das Framework generiert Python-Code, um die Projektentwicklung zu beschleunigen.
3. Technisches Lernen
   Die Schüler lernen etwas über den Entwurf von Multi-Agenten-Systemen, indem sie die Aufforderungswörter der Agenten ändern.

QA

1. Ist LangManus ein kommerzielles Programm?
   Das ist es nicht. Es handelt sich um ein akademisches Open-Source-Projekt, das sich auf Forschung und Zusammenarbeit mit der Gemeinschaft konzentriert.
2. Welche API-Schlüssel sind erforderlich?
   Zumindest der Tavily-API-Schlüssel ist für die Suche erforderlich, andere Modellschlüssel werden bei Bedarf konfiguriert.
3. Wie gehe ich mit Laufzeitfehlern um?
   Sonde .env Konfiguration korrekt ist, oder senden Sie eine Meldung an GitHub.