LangManus评测：Manus未定，但LangManus表现惊人！

Manus 作为一款智能体产品，被设计为能够自主完成复杂任务的 AI 系统。但是到目前为止也没有听说谁真正用过 Manus。

不过近日 LangChain 官方推荐了一个开源项目，LangManus：

从其 GitHub 官网来看，LangManus 是一个社区驱动的 AI 自动化框架，它建立在开源社区的卓越工作基础之上。我们的目标是将语言模型与专业工具（如网络搜索、爬虫和 Python 代码执行）相结合，同时回馈让这一切成为可能的社区。

根据官方文档介绍，LangManus 实现了一个分层的多智能体系统，其中有一个主管智能体协调专门的智能体来完成复杂任务：

系统由以下智能体协同工作：

• 协调员（Coordinator）：工作流程的入口点，处理初始交互并路由任务

• 规划员（Planner）：分析任务并制定执行策略

• 主管（Supervisor）：监督和管理其他智能体的执行

• 研究员（Researcher）：收集和分析信息

• 程序员（Coder）：负责代码生成和修改

• 浏览器（Browser）：执行网页浏览和信息检索

• 汇报员（Reporter）：生成工作流结果的报告和总结

Manus行不行我不知道，但LangManus是真行！

接下来我就来分享一下如何在本地部署并运行 LangManus。

我的电脑是 Windows 11。其他操作系统应该也是同样的步骤。

拉取 LangManus GitHub 项目  

浏览器打开：

https://github.com/langmanus

可以看到 LangManus 项目分为后端和前端两个部分：

那么我们先把这两个项目克隆下来：

接下来就是依次按照 GitHub 上的说明配置前后端项目了。

配置后端项目  

后端是一个使用 uv 管理包的纯 Python 项目：

注意！要执行接下来的操作，你需要先安装好 Miniconda。

打开终端，依次执行下述指令：

# 替换成你本地实际的后端项目地址cd C:\Home\Documents\Projects\langmanusconda create -n langmanus python=3.12conda activate langmanuspip install uvuv sync# 安装 Playwright 来使用浏览器uv run playwright install

接下来很关键！配置环境变量和模型。

首先配置环境变量，复制一份 .env.example 为 .env 文件，然后填入下面的内容。

• 上图中我使用的是阿里云的模型服务，你可以自由选择其他厂商甚至是本地的模型。

• TAVILY_API_KEY：这是用来执行网络搜索的。

然后我们配置 conf.yaml 文件，也是从 cong.yaml.example 中复制一个得到的。

熟悉我的读者朋友都知道，我用惯了以 OpenAI API 兼容格式调用其他模型，所以上图我都加了一个 openai 前缀。（当然， litellm 也要求你必须提供一个模型提供商

conf.yaml 里面配置了三种模型：

• 推理模型，我选择了 deepseek-r1

• 基础模型，我选择了 qwen-plus

• 视觉模型，我选择了 qwen2.5-vl-72b-instruct

现在，我们后端配置完了。

配置前端项目  

首先下载并安装 Node.js，安装时一切默认往下点就对了。

下载地址：https://nodejs.org/en

安装结束之后，安装一个 pnpm：

npm install -g pnpm@latest-10

安装成功之后别忘了重启一下终端。

现在回到 langmanus-web 项目，这个项目的环境变量文件就一行：指定后端服务接口的配置。同样的从 .env.example 复制一个 .env 文件。

接下来安装前端依赖：

​​​​​​​

# 替换成你本地实际的后端项目地址cd C:\Home\Documents\Projects\langmanus-webpnpm install

现在前端项目也配置好了。
 

开始使用 LangManus  

接下来分别启动前后端项目：

在浏览器中打开：http://localhost:3000/

我使用和官方演示同样的任务：Calculate the influence index of DeepSeek R1 on HuggingFace. This index can be designed using a weighted sum of factors such as followers, downloads, and likes.

第一次我配置了 Chrome 浏览器，下面是效果：

最后的结果出现了 404，可能是我现在的 VLM 不太好，也可能是其他原因。

然后我不配置 Chrome 浏览器：

 

 大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书 

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集***

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓