LangManus: un marco de automatización de IA de código abierto que admite la colaboración multiinteligencia

Introducción general

LangManus es un marco de automatización de IA de código abierto alojado en GitHub. Desarrollado por un grupo de antiguos colegas en su tiempo libre, se trata de un proyecto académico cuyo objetivo es combinar modelos lingüísticos y herramientas especializadas para llevar a cabo tareas como búsquedas web, rastreo de datos y ejecución de código. El marco utiliza un sistema multiagente, con funciones de coordinador, planificador y supervisor, para colaborar en tareas complejas. LangManus hace hincapié en el espíritu del código abierto y confía en la excelencia de la comunidad, al tiempo que agradece las aportaciones de código y los comentarios sobre problemas. Utiliza uv Gestiona dependencias y soporta entornos de compilación rápida. El proyecto aún está en desarrollo y es adecuado para desarrolladores interesados en la automatización de IA y las tecnologías multiagente.

LangManus:支持多智能体协作的开源AI自动化框架LangManus:支持多智能体协作的开源AI自动化框架

 

Lista de funciones

  • Colaboración multiagenteEl sistema consta de coordinadores, planificadores, supervisores, etc., que se reparten el trabajo para ocuparse de la asignación de tareas, el desarrollo de estrategias y la gestión de la ejecución.
  • Automatización de tareasSoporte para modelos lingüísticos combinados con herramientas de búsqueda en la web, rastreo de datos, generación de código Python y otras operaciones.
  • Integración de modelos lingüísticosSoporte para modelos de código abierto (por ejemplo, Qwen) e interfaces compatibles con OpenAI, proporcionando un sistema LLM multicapa para manejar diferentes tareas.
  • Búsqueda y recuperación:: Adopción Tavily API para implementar la búsqueda web, utilizando Jina para la búsqueda neuronal y la extracción de contenidos.
  • Apoyo al desarrolloEntorno de ejecución de código y REPL de Python integrado mediante el módulo uv Gestión de la dependencia.
  • Gestión del flujo de trabajo:: Proporcionar capacidades de asignación de tareas, supervisión y visualización de procesos.
  • Gestión de documentos: Soporte para la manipulación de archivos para generar archivos Markdown formateados.

 

Utilizar la ayuda

LangManus es un framework de ejecución local dirigido a usuarios con experiencia en programación. A continuación se ofrecen instrucciones detalladas de instalación y uso.

Proceso de instalación

Para utilizar LangManus localmente, es necesario instalar Python,uv y otras herramientas. Los pasos son los siguientes:

  1. Preparar el entorno
    • Asegúrese de que Python 3.12 está instalado. compruebe la versión:
      python --version
      

      Si la versión no coincide, descárguela e instálela desde https://www.python.org/downloads/.

    • Instala Git para clonar repositorios. Descárguelo de https://git-scm.com/.
  2. Instalación de uv
    uv es una herramienta de gestión de dependencias. Ejecutar:
pip install uv

Comprueba la instalación:

uv --version
  1. almacén de clones
    Se ejecuta en el terminal:
git clone https://github.com/langmanus/langmanus.git
cd langmanus
  1. Crear un entorno virtual
    utilizar uv Crear un entorno:
uv python install 3.12
uv venv --python 3.12
source .venv/bin/activate  # Windows: .venv\Scripts\activate
  1. Instalación de dependencias
    Corriendo:
uv sync

Esto instalará todos los paquetes dependientes.

  1. Instalación de la compatibilidad con navegadores
    LangManus utiliza Playwright para controlar el navegador. Corre:
uv run playwright install
  1. Configuración de variables de entorno
  • Copie el archivo de ejemplo:
    cp .env.example .env
    
  • compilador .envañada la clave API. Ejemplo:
    TAVILY_API_KEY=your_tavily_api_key
    REASONING_MODEL=your_model
    REASONING_API_KEY=your_api_key
    
  • Clave API de Tavily obtenida de https://app.tavily.com/.
  1. Proyectos en curso
    Entrada:
uv run main.py

Utilización

Una vez instalado, LangManus puede ejecutarse desde la línea de comandos o desde una API.

  1. funcionamiento básico
  • Se ejecuta en un entorno virtual:
    uv run main.py
    
  • No hay ejemplos de tareas por defecto en la versión actual. README.md O esperar a una actualización oficial.
  1. Servicios API
  • Inicie el servidor API:
    make serve
    

    O:

    uv run server.py
    
  • Llama a interfaces, por ejemplo:
    curl -X POST "http://localhost:8000/api/chat/stream" -H "Content-Type: application/json" -d '{"messages":[{"role":"user","content":"搜索最新AI论文"}],"debug":false}'
    
  • Devuelve una respuesta de streaming en tiempo real.
  1. Ejemplos de tareas
  • Supongamos que queremos calcular el número de veces que aparece en HuggingFace. DeepSeek Índice de influencia de R1:
    • Editar entradas de tareas (por ejemplo, mediante API o código).
    • El sistema asignará agentes investigadores para buscar datos y agentes codificadores para generar código computacional.
    • Los resultados son emitidos por el agente informador.

Interfaz de usuario web por defecto de LangManus: https://github.com/langmanus/langmanus-web

Función destacada Operación

  • Colaboración multiagente
    Una vez introducida una tarea, el coordinador la analiza y la dirige al planificador, que crea una estrategia que el supervisor asigna al investigador o codificador para que la ejecute. Por ejemplo, si se escribe "buscar los últimos artículos sobre IA", el investigador llamará a la API de Tavily para obtener los resultados.
  • Integración de modelos lingüísticos
    Se admiten varios modelos. Configuración .env Modelización de diferentes tareas en el
  • Tareas complejas REASONING_MODEL.
  • Para tareas sencillas BASIC_MODEL.
  • tarea gráfica VL_MODEL.
  • Búsqueda y recuperación
    Utilice la API de Tavily (que devuelve 5 resultados por defecto) o Jina para extraer el contenido de la página. Una vez configurada la clave API, el agente del navegador puede navegar y rastrear la página.
  • ejecución de código
    El agente codificador soporta scripts Python y Bash. Por ejemplo, generar código:
print("Hello, LangManus!")

Se ejecuta directamente en el REPL incorporado.

Desarrollo y contribución

  • Proxy personalizado
    modificaciones src/prompts/ bajo el archivo Markdown para ajustar el comportamiento del agente. Por ejemplo, mejorar las capacidades de búsqueda del investigador.
  • Enviar una contribución
  • Fork el repositorio y cambiar el código.
  • Envíe una solicitud de extracción a GitHub.

La documentación es limitada en este momento, por lo que recomendamos estar atentos a las actualizaciones oficiales.

 

escenario de aplicación

  1. investigación académica
    Los investigadores utilizan LangManus para recopilar datos de artículos, generar análisis y participar en las clasificaciones GAIA.
  2. Desarrollo de la automatización
    Los desarrolladores introducen los requisitos y el marco genera código Python para acelerar el desarrollo del proyecto.
  3. Aprendizaje técnico
    Los alumnos aprenden sobre el diseño de sistemas multiagente modificando las palabras clave de los agentes.

 

CONTROL DE CALIDAD

  1. ¿Es LangManus un programa comercial?
    No lo es. Es un proyecto académico de código abierto centrado en la investigación y la colaboración comunitaria.
  2. ¿Qué claves API se necesitan?
    Al menos la clave API de Tavily es necesaria para la búsqueda, otras claves de modelo se configuran bajo demanda.
  3. ¿Cómo se gestionan los errores de ejecución?
    sonda .env es correcta, o envíe una incidencia a GitHub.
© declaración de copyright

Artículos relacionados

Sin comentarios

Debe iniciar sesión para participar en los comentarios.
Acceder ahora
ninguno
Sin comentarios...