LangManus : un cadre d'automatisation de l'IA open source qui prend en charge la collaboration multi-intelligence
Introduction générale
LangManus est un cadre d'automatisation de l'IA open source hébergé sur GitHub. Développé par un groupe d'anciens collègues pendant leur temps libre, il s'agit d'un projet académique dont l'objectif est de combiner des modèles de langage et des outils spécialisés pour accomplir des tâches telles que la recherche sur le web, l'exploration de données et l'exécution de code. LangManus met l'accent sur l'esprit de l'open source et s'appuie sur l'excellence de la communauté, tout en accueillant les contributions au code et les commentaires sur les problèmes. Il utilise uv
Gérer les dépendances et soutenir les environnements de construction rapide. Le projet est encore en cours de développement et convient aux développeurs intéressés par l'automatisation de l'IA et les technologies multi-agents.


Liste des fonctions
- Collaboration multi-agentsLe système se compose de coordinateurs, de planificateurs, de superviseurs, etc., qui se répartissent le travail pour gérer l'acheminement des tâches, l'élaboration de la stratégie et la gestion de l'exécution.
- Automatisation des tâchesSupport pour les modèles de langage combinés avec des outils pour la recherche sur le web, l'exploration de données, la génération de code Python, et d'autres opérations.
- Intégration du modèle linguistiqueSupport des modèles open source (par exemple Qwen) et des interfaces compatibles avec OpenAI, fournissant un système LLM multicouche pour gérer différentes tâches.
- Recherche et récupération: : Adoption Tavily API pour mettre en œuvre la recherche sur le web, en utilisant Jina pour la recherche neuronale et l'extraction de contenu.
- Soutien au développementPython : environnement d'exécution de code et REPL Python intégré, utilisant la fonction
uv
Gestion de la dépendance. - Gestion du flux de travailLes tâches : fournir des capacités d'attribution de tâches, de surveillance et de visualisation des processus.
- Gestion des documentsSupport pour la manipulation de fichiers afin de générer des fichiers Markdown formatés.
Utiliser l'aide
LangManus est un cadre de travail local destiné aux utilisateurs ayant une expérience de la programmation. Des instructions détaillées d'installation et d'utilisation sont fournies ci-dessous.
Processus d'installation
Pour utiliser LangManus localement, vous devez installer Python,uv
et d'autres outils. Les étapes sont les suivantes :
- Préparation de l'environnement
- Assurez-vous que Python 3.12 est installé. Vérifiez la version :
python --version
Si la version ne correspond pas, téléchargez et installez à partir de https://www.python.org/downloads/.
- Installez Git pour cloner les dépôts. Téléchargez-le à partir de https://git-scm.com/.
- Assurez-vous que Python 3.12 est installé. Vérifiez la version :
- Installation d'uv
uv
est un outil de gestion des dépendances. Exécuter :
pip install uv
Vérifier l'installation :
uv --version
- entrepôt de clones
S'exécute dans le terminal :
git clone https://github.com/langmanus/langmanus.git
cd langmanus
- Mise en place d'un environnement virtuel
utiliseruv
Créer un environnement :
uv python install 3.12
uv venv --python 3.12
source .venv/bin/activate # Windows: .venv\Scripts\activate
- Installation des dépendances
La course à pied :
uv sync
Cela installera tous les paquets dépendants.
- Installation de la prise en charge des navigateurs
LangManus utilise Playwright pour contrôler le navigateur. Exécuter :
uv run playwright install
- Configuration des variables d'environnement
- Copiez le fichier d'exemple :
cp .env.example .env
- compilateur
.env
ajoutez la clé API. Exemple :TAVILY_API_KEY=your_tavily_api_key REASONING_MODEL=your_model REASONING_API_KEY=your_api_key
- Clé API Tavily obtenue sur https://app.tavily.com/.
- Projets en cours
Entrée :
uv run main.py
Utilisation
Une fois installé, LangManus peut être exécuté à partir de la ligne de commande ou d'une API.
- fonctionnement de base
- Fonctionne dans un environnement virtuel :
uv run main.py
- Il n'y a pas d'exemples de tâches par défaut dans la version actuelle.
README.md
Ou attendre une mise à jour officielle.
- Services API
- Démarrer le serveur API :
make serve
Ou bien :
uv run server.py
- Les interfaces d'appel, par exemple :
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}'
- Renvoie une réponse en temps réel.
- Exemples de tâches
- Supposons que nous voulions calculer le nombre de fois où HuggingFace a été utilisé. DeepSeek Indice d'influence de R1 :
- Modifier les entrées de la tâche (par exemple, via l'API ou le code).
- Le système affectera des agents chercheurs à la recherche de données et des agents codeurs à la génération de codes informatiques.
- Les résultats sont produits par l'agent rapporteur.
Interface utilisateur web par défaut de LangManus : https://github.com/langmanus/langmanus-web
Fonction en vedette Fonctionnement
- Collaboration multi-agents
Une fois la tâche saisie, le coordinateur l'analyse et la transmet au planificateur, qui crée une stratégie que le superviseur confie au chercheur ou à l'encodeur pour qu'il l'exécute. Par exemple, si vous tapez "recherche des derniers articles sur l'IA", le chercheur appellera l'API Tavily pour obtenir les résultats. - Intégration du modèle linguistique
Plusieurs modèles sont pris en charge. Configuration.env
Modélisation des différentes tâches dans le - Tâches complexes
REASONING_MODEL
. - Pour les tâches simples
BASIC_MODEL
. - tâche graphique
VL_MODEL
. - Recherche et récupération
Utilisez l'API Tavily (qui renvoie 5 résultats par défaut) ou Jina pour extraire le contenu de la page. Une fois la clé API configurée, l'agent du navigateur peut naviguer et explorer la page. - exécution du code
L'agent encodeur prend en charge les scripts Python et Bash. Par exemple, générer du code :
print("Hello, LangManus!")
S'exécute directement dans le REPL intégré.
Développement et contribution
- Proxy personnalisé
modificationssrc/prompts/
sous le fichier Markdown pour adapter le comportement de l'agent. Par exemple, améliorer les capacités de recherche du chercheur. - Soumettre une contribution
- Forker le dépôt et modifier le code.
- Soumettre une demande d'extraction sur GitHub.
La documentation étant limitée à ce jour, nous vous recommandons d'attendre les mises à jour officielles.
scénario d'application
- recherche universitaire
Les chercheurs utilisent LangManus pour collecter les données des articles, générer des analyses et participer aux classements GAIA. - Développement de l'automatisation
Les développeurs saisissent les exigences et le cadre génère du code Python pour accélérer le développement du projet. - Apprentissage technique
Les élèves apprennent à concevoir des systèmes multi-agents en modifiant les mots-guides des agents.
QA
- LangManus est-il un programme commercial ?
Ce n'est pas le cas. Il s'agit d'un projet open source universitaire axé sur la recherche et la collaboration communautaire. - Quelles sont les clés API nécessaires ?
Au moins la clé API Tavily est requise pour la recherche, les autres clés de modèle sont configurées sur demande. - Comment gérer les erreurs d'exécution ?
sonde.env
est correcte, ou soumettez un problème à GitHub.
© déclaration de droits d'auteur
Article copyright Cercle de partage de l'IA Tous, prière de ne pas reproduire sans autorisation.
Articles connexes
Pas de commentaires...