# OpenManus

**Repository Path**: hong0220/OpenManus

## Basic Information

- **Project Name**: OpenManus
- **Description**: 开源的 OpenManus 实现
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-11
- **Last Updated**: 2026-05-15

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

### 直接使用
```bash
# 1. 克隆项目
git clone https://github.com/henryalps/OpenManus.git
cd OpenManus

# 2. 启动系统
docker-compose up --build
```


### 本地开发
```bash
# 1. 安装依赖
pip install -r requirements.txt
npm install

# 2. 配置环境变量
# 创建 .env 文件，配置 LLM API 密钥

# 3. 启动后端
uvicorn src.server:app --reload
python -m uvicorn src.server:app --reload
python -m uvicorn src.server:app --host 0.0.0.0 --port 8000 --reload

# 4. 启动前端
npm run dev
```


### 调试
```
Web 界面：http://localhost:3000
API 文档：http://localhost:8000/docs

帮我规划一个巴黎五日游，预算中等，喜欢艺术和美食
分析特斯拉股票最近一个月的走势
分析特斯拉股票趋势并生成报告
用 Python 写一个简单的计算器程序
研究人工智能在医疗领域的最新应用
帮我研究电动汽车市场，包括：
1.主要厂商和市场份额
2.最新技术趋势
3.未来发展前景
请提供数据和来源链接

python src/client.py --task "Plan a 3-day trip to Tokyo"

curl http://localhost:8000/status

curl -X POST http://localhost:8000/api/chat/stream \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      {
        "role": "user",
        "content": "帮我规划一个北京五日游"
      }
    ],
    "debug": false
  }'
```


### 完整的数据流过程
```
1. 用户输入
   ↓
2. Web UI / CLI Client
   ↓ (HTTP POST /api/chat/stream)
3. FastAPI Server
   ↓ (验证请求)
4. Workflow Service
   ↓ (格式化消息)
5. LangGraph Workflow
   ↓
   ├─→ Coordinator Node
   │   ↓ (调用 LLM)
   │   ├─→ LLM Manager
   │   │   ↓ (选择适当的 LLM)
   │   │   └─→ 返回响应
   │   ↓
   ├─→ Planner Node
   │   ↓ (制定计划)
   │   └─→ 更新状态
   │   ↓
   ├─→ Supervisor Node
   │   ↓ (路由决策)
   │   ├─→ Researcher Node
   │   │   ↓ (使用工具)
   │   │   ├─→ Search Tool
   │   │   ├─→ Crawl Tool
   │   │   └─→ 返回结果
   │   │
   │   ├─→ Coder Node
   │   │   ↓ (使用工具)
   │   │   ├─→ Code Executor
   │   │   ├─→ Python REPL
   │   │   └─→ 返回结果
   │   │
   │   ├─→ Browser Node
   │   │   ↓ (使用工具)
   │   │   ├─→ Web Browser
   │   │   └─→ 返回结果
   │   │
   │   └─→ Reporter Node
   │       ↓ (生成报告)
   │       └─→ 返回最终结果
   │
6. 流式返回给客户端
   ↓ (SSE Events)
7. 用户看到结果
```


### 状态对象的变化
```python
# 初始状态
state = {
    "messages": [HumanMessage(content="用户任务")],
    "full_plan": "",
    "next": "",
    "deep_thinking_mode": False,
    "search_before_planning": False
}

# Coordinator 处理后
state = {
    "messages": [
        HumanMessage(content="用户任务"),
        AIMessage(content="协调器响应")
    ],
    "full_plan": "",
    "next": "planner",  # 决定交给 planner
    ...
}

# Planner 处理后
state = {
    "messages": [...],
    "full_plan": "1. 步骤一\n2. 步骤二\n3. 步骤三",
    "next": "supervisor",
    ...
}

# Supervisor 路由后
state = {
    "messages": [...],
    "full_plan": "...",
    "next": "researcher",  # 决定执行研究
    ...
}

# Researcher 执行后
state = {
    "messages": [
        ...,
        AIMessage(content="研究发现...")
    ],
    "full_plan": "...",
    "next": "supervisor",  # 返回 supervisor
    ...
}

# 最终 Reporter 处理后
state = {
    "messages": [
        ...,
        AIMessage(content="最终报告...")
    ],
    "full_plan": "...",
    "next": "__end__",  # 结束
    ...
}
```


### 添加新智能体

1. 在 `src/agents/` 创建新的agent实现
2. 在 `src/agents/nodes/` 创建对应的node
3. 在 `graph.py` 中添加节点和边
4. 在 `config/agents.py` 中配置LLM映射
5. 在 `TEAM_MEMBERS` 中添加新成员


### 添加新工具
1. 在 `src/tools/` 创建工具实现
2. 使用 `@create_logged_tool` 装饰器包装
3. 在对应agent中集成工具
4. 更新提示模板说明工具用法


### 自定义工作流
- 修改 `graph.py` 中的节点连接关系
- 调整监督器的决策逻辑
- 定制状态结构满足特定需求


### 提示词模板示例
```
你是一个{agent_role}代理。

你的职责是：
1. {responsibility_1}
2. {responsibility_2}
3. {responsibility_3}

可用工具：
{available_tools}

当前任务：
{task_description}

请按照以下步骤执行：
1. 分析任务
2. 制定策略
3. 执行操作
4. 返回结果

输出格式：
{output_format}
```


### 容器构建
```
# 查看日志
docker-compose logs unified

# 构建并启动
docker-compose up -d

# 清理并重建
docker-compose down
docker system prune -a
docker-compose up --build

# 检查端口占用
lsof -i :8000
```