OpenManus

配置OpenManus

• 推荐使用uv作为虚拟环境:
  • 安装uv,打开powershell使用指令：powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"安装
  • clone OpenManus,在本地建立OpenManus-main的文件并将OpenManus放入其中；
  • cd 到 .\OpenManus-main
  • 创建uv虚拟环境uv venv --python 3.12
  • 激活uv虚拟环境.venv\Scripts\activate
  • 安装依赖，uv pip install -r requirements.txt
• 配置LLM API：
  • 在config目录创建config.toml文件
  • 编辑config/config.toml添加API和key
  • 配置的两个模型，后面一个是视觉模型，可以和第一个一致，也可以不一致。
  • 可以配置本地LLM或者公共的LLM

# Global LLM configuration
[llm]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."  # Replace with your actual API key
max_tokens = 4096
temperature = 0.0

# Optional configuration for specific LLM models
[llm.vision]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."  # Replace with your actual API key

• 在使用本地ollama的情况下：
  • 通常在base_url之后会加v1,是因为v1是当前API的版号，直接访问http://localhost:11434/v1是不会有回复的，如果想看到有效回复内容，可以改成http://loclahost:11434/v1/models或者http://loclahost:11434/v1/chat/completions;
  • 使用http://localhost:11434可以直接测试Ollama服务器，它会返回一些Ollama的基本信息。
  • ollama list查看本地LLM
  • ollama ps查看正在运行的LLM
  • 本地运行大模型： Ollama run <LLM name>
• 使用deepseek开放平台也能连：
  

需买token，但是很便宜

启动OpenManus

• 一键启动python main.py
• 使用MCP工具版本python run_mcp.py

关于MCP和Function call

• mcp定义了agent和LLM之间交换上下文信息的方式。它可以统一大模型和各种各样agent之间的交互方式。mcp自身集成了很多工具调用方法，由此实现了自动操作。mcp规定了mcp server如何和mcp client通信，以及mcp server的接口，tool,tool的调用方式等。
• Function call可以提供一个格式统一（JSON）的和LLM交互的函数，但是Function call也有麻烦的一面，因为它的针对性很强（适合单一功能的调用），而且是垂直调用，需要自己写很多代码。
• 练习LLM如何使用MCP。
• A2A,用于大模型和大模型之间的交互。