OpenManus: a versão de código aberto do Manus do MetaGPT

Introdução geral

O OpenManus é um projeto de código aberto desenvolvido para ajudar os usuários a executar inteligências localmente com configurações simples para realizar várias ideias criativas. Ele consiste em MetaGPT Os membros da comunidade @mannaandpoem, @XiangJinyu, @MoshiQAQ e @didiforgithub o desenvolveram em apenas 3 horas e, enquanto isso, você pode acompanhar o projeto de programação automatizada deles! MGX Em comparação com o Manus, que exige um código de convite, o OpenManus não exige nenhuma barreira de entrada. Em comparação com o Manus, que exige um código de convite, o OpenManus não exige nenhuma barreira de entrada, e os usuários só precisam clonar o código e configurar a API LLM para começar rapidamente. O projeto se baseia no desenvolvimento em Python, com uma estrutura simples e clara, dando suporte à entrada de tarefas por meio do terminal para que o corpo inteligente execute as operações. No momento, trata-se de uma implementação rudimentar, e a equipe está aberta a sugestões ou contribuições de código. Os planos futuros incluem otimizar o planejamento de tarefas e adicionar recursos de demonstração em tempo real.

Lista de funções

• Operação da intelligentsia localExecutar operações automatizadas localmente usando as APIs LLM configuradas, inserindo tarefas por meio do terminal.
• Oferece suporte aos principais modelos de LLMO GPT-4o é integrado por padrão, e o usuário pode ajustar a configuração do modelo conforme necessário.
• partida com um toque: Executar python main.py Você pode entrar rapidamente no modo de entrada de tarefas.
• Versão experimental: Fornecido python run_flow.py Usado para testar novos recursos em desenvolvimento.
• Colaboração comunitáriaApoio à participação no desenvolvimento do projeto, enviando problemas ou códigos pelo GitHub.

Usando a Ajuda

Processo de instalação

A instalação do OpenManus é simples e adequada para usuários familiarizados com Python. Veja a seguir as etapas detalhadas:

1. criando o ambiente Conda

Para evitar conflitos de dependência, é recomendável criar um ambiente autônomo usando o Conda:

conda create -n open_manus python=3.12
conda activate open_manus

• instruçõesO primeiro comando cria um arquivo chamado open_manus usando Python 3.12; o segundo comando ativa o ambiente, e o prompt do terminal muda para (open_manus).
• pré-condiçõesConda: O Conda precisa ser instalado e pode ser baixado do site da Anaconda.

2. clonagem do repositório de código

Faça o download do projeto OpenManus no GitHub:

git clone https://github.com/mannaandpoem/OpenManus.git
cd OpenManus

• instruçõesO primeiro comando clona o código localmente e o segundo comando entra no diretório do projeto.
• pré-condiçõesGit: O Git precisa ser instalado, o que pode ser feito por meio de git --versão Verifique se ele está disponível; caso contrário, faça o download em git-scm.com.

3. instalação de dependências

Instale os pacotes Python necessários para seu projeto:

pip install -r requirements.txt

• instruções::requisitos.txt lista todos os pacotes dependentes que serão instalados automaticamente ao executar esse comando.
• otimização da redeSe o download estiver lento, você poderá usar um espelho doméstico, como pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple.

Etapas de configuração

O OpenManus exige que a API do LLM seja configurada para acionar a funcionalidade do smartbody, conforme descrito abaixo:

1. criação de arquivos de configuração

No diretório raiz do projeto do configuração para criar um arquivo de configuração:

cp config/config.example.toml config/config.toml

• instruçõesEsse comando copia o arquivo de exemplo como um arquivo de configuração real.config.toml é o arquivo lido em tempo de execução.

2. edição de arquivos de configuração

show (um ingresso) config/config.tomlPreencha sua chave de API e seus parâmetros:

Configuração global do LLM do #
[llm]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."  Substitua # por sua chave de API da OpenAI
max_tokens = 4096
temperatura = 0,0
# Configuração opcional do modelo de visão
[llm.vision]
modelo = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."  # Substitua por sua chave de API da OpenAI

• Descrição do parâmetro::
  • modeloEspecifica o modelo LLM, o padrão é GPT-4o.
  • base_urlEndereço de acesso à API: o padrão é a interface oficial da OpenAI.
  • chave apiChave: Chave obtida da OpenAI para autenticação.
  • max_tokensNúmero máximo de geração única token número que controla o comprimento da saída.
  • temperaturaRandomização: controla a aleatoriedade do conteúdo gerado, sendo que 0,0 indica o resultado mais estável.
• Obtendo a chave da APIVisite o site da OpenAI, faça login e gere uma chave na página "API Keys" e copie-a para o seu arquivo de configuração.

Operação e uso

Após a conclusão da instalação e da configuração, o OpenManus pode ser iniciado das seguintes maneiras:

1. operações básicas

Execute o programa principal:

python main.py

• fluxo de trabalho::
  1. Depois que o terminal exibir o prompt, digite sua tarefa (por exemplo, "Help me generate a weekly plan").
  2. Pressione Enter para confirmar e o OpenManus chamará o LLM para processar a tarefa.
  3. Os resultados do processamento são exibidos diretamente no terminal.
• Cenários de usoIdeal para testes rápidos ou para executar tarefas simples, como gerar texto ou trechos de código.

2. execuções experimentais

Execute a versão instável para experimentar os novos recursos:

python run_flow.py

• especificidadesInclui recursos em desenvolvimento, pode ter bugs e é adequado para usuários que desejam experimentá-lo.
• tomar nota deVerifique se o arquivo de configuração está correto ou a execução poderá falhar.

Operação da função em destaque

Operação da intelligentsia local

• Descrição funcionalEntrada de uma tarefa pelo terminal e o OpenManus chama o LLM localmente para processá-la e retornar o resultado.
• Exemplo de operação::
  1. estar em movimento python main.py.
  2. Entrada: "Escreva uma função Python que calcule a soma de 1 a 100".
  3. Exemplo de saída:

     def sum_to_100(): return sum(range(1, 101))
     return sum(range(1, 101))
     

• de pontaExecuta localmente sem fazer upload de dados, protege a privacidade e é responsivo.

Oferece suporte aos principais modelos de LLM

• Descrição funcionalOs usuários podem alternar entre diferentes modelos de LLM de acordo com suas necessidades.
• procedimento::
  1. compilador config.tomlvontade modelo Mudar para outro modelo (por exemplo "gpt-3.5-turbo").
  2. Salvar e executar python main.py.
  3. Tarefas de entrada para experimentar o resultado de diferentes modelos.
• sugestãoO GPT-4o para tarefas complexas e o GPT-3.5-turbo para tarefas simples são mais econômicos.

Perguntas frequentes

• problemasErro de execução: É executado com o erro "ModuleNotFoundError".
  • tackleVerificar se as dependências estão totalmente instaladas e executar novamente pip install -r requirements.txt.
• problemas: "Chave de API inválida".
  • tackle: Inspeção config.toml acertou em cheio chave api estiver correto ou regenerar a chave.
• problemasFunciona de forma gaguejada ou sem resposta.
  • tackleVerifique se a conexão de rede está estável ou reduza o número de conexões. max_tokens para reduzir a quantidade de cálculos.
  • Ver demonstraçãoProjetos fornecem Vídeo de demonstraçãodemonstrando os resultados operacionais reais.