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
下面是官方演示视频：
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
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：
可以看到这次速度快多了。
