OpenMinus 源码深度解析：从 React 模式到多智能体架构实现

OpenMinus 源码深度解析：从 React 模式到多智能体架构实现

本文基于 2024 年 3 月 9 日最新代码版本解析，完整代码已上传至 GitHub（附项目地址https://github.com/mannaandpoem/OpenManus）

一、项目背景与核心价值

1.1 项目定位

OpenMinus 是 MetaGPT 团队开发的类 MINUS 开源实现，其核心价值体现在：

1. 架构创新：实现 React 模式与多智能体协作
2. 效率突破：3 小时完成基础版本开发
3. 社区热度：上线 3 天即获 1.6 万星标
4. 实用价值：解决 MINUS 邀请码稀缺问题

1.2 技术亮点对比

二、核心架构解析

2.1 React 模式实现

class ReactAgent:
    def __init__(self):
        self.memory = ShortTermMemory()
        self.tools = ToolRegistry()

    def execute_step(self, query):
        # 思考阶段
        thought = self._think(query)
        # 行动阶段
        action_result = self._act(thought)
        # 观察更新
        self._observe(action_result)
        return self._final_answer()

执行流程图

2.2 双智能体协作架构

class WorkflowEngine:
    def __init__(self):
        self.planner = PlanningAgent()
        self.executor = MinusAgent()
    
    def run(self, task):
        plan = self.planner.create_plan(task)
        for step in plan.steps:
            result = self.executor.execute(step)
            self.planner.update_plan(plan, result)
        return plan.finalize()

三、关键技术实现

3.1 工具调用系统

class PythonREPLTool:
    @tool
    def execute(code: str) -> str:
        try:
            local_vars = {}
            exec(code, globals(), local_vars)
            return str(local_vars.get('result', ''))
        except Exception as e:
            return f"执行错误: {str(e)}"

class BrowserTool:
    @tool
    def search(query: str) -> str:
        return GoogleSearch(query).get_top_results(3)

工具注册表

TOOL_REGISTRY = {
    "python": PythonREPLTool(),
    "browser": BrowserTool(),
    "file": FileSystemTool(),
    "terminate": TerminationTool()
}

3.2 记忆管理模块

class ShortTermMemory:
    def __init__(self):
        self.history = []
        self.max_length = 10
    
    def add(self, item):
        if len(self.history) >= self.max_length:
            self.history.pop(0)
        self.history.append(item)
    
    def get_context(self):
        return "\n".join([f"- {item}" for item in self.history[-3:]])

四、实战演示

4.1 环境配置

# 克隆仓库
git clone https://github.com/THU-MIG/open-minus.git
cd open-minus

# 安装依赖
pip install -r requirements.txt

# 配置 API 密钥
echo "OPENAI_API_KEY=sk-your-key-here" > .env

4.2 典型工作流

from openminus import MinusAgent

agent = MinusAgent()
response = agent.run("请写一篇关于量子计算的科普文章")
print(response.final_answer)

执行过程日志

[THINK] 需要收集量子计算的基础概念
[ACTION] 使用 google_search("量子计算 基本原理")
[OBSERVE] 获得 3 篇相关论文摘要
[THINK] 需要解释量子比特与传统比特的区别
[ACTION] 使用 python 生成对比图表
[FINAL] 整合内容输出 Markdown 格式

五、架构优化建议

5.1 性能提升方案

1. 缓存机制：对常见查询结果进行缓存
2. 异步执行：工具调用的并行处理
3. 模型蒸馏：使用小模型处理简单任务

@lru_cache(maxsize=100)
def cached_search(query: str):
    return GoogleSearch(query).get_top_results(3)

5.2 安全增强策略

六、扩展应用场景

6.1 企业级应用

class EnterpriseMinus(MinusAgent):
    def __init__(self):
        super().__init__()
        self.register_tool(CRMIntegrator())
        self.register_tool(ERPAccess())
    
    def handle_ticket(self, ticket):
        return self.run(f"处理客户工单：{ticket.content}")

6.2 教育领域应用

class EduAssistant:
    def explain_concept(self, concept):
        plan = [
            "搜索基础定义",
            "查找常见误解",
            "生成教学案例",
            "创建练习题"
        ]
        return self.execute_plan(plan)

七、常见问题解答

7.1 性能优化

Q：如何处理复杂任务的超时问题？

A：采用分阶段执行策略：

@timeout_decorator.timeout(30)
def execute_with_timeout(step):
    return agent.execute(step)

7.2 部署方案

Q：如何实现高可用部署？

推荐架构：

负载均衡器
├── 节点1（GPU 实例）
├── 节点2（GPU 实例）
└── 节点3（CPU 实例 - 降级模式）

八、未来演进方向

1. 多模态支持：集成图像/语音处理能力
2. 分布式架构：支持横向扩展的智能体集群
3. 增强学习：动态优化工具调用策略
4. 知识图谱：构建长期记忆系统

class MultiModalAgent(MinusAgent):
    def process_image(self, img_path):
        vision_model = load_vision_model()
        return vision_model.analyze(img_path)

九、安装指南

我们提供两种安装方式。推荐使用方式二（uv），因为它能提供更快的安装速度和更好的依赖管理。

方式一：使用 conda

1. 创建新的 conda 环境：

conda create -n open_manus python=3.12
conda activate open_manus

2. 克隆仓库：

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

3. 安装依赖：

pip install -r requirements.txt

方式二：使用 uv（推荐）

1. 安装 uv（一个快速的 Python 包管理器）：

curl -LsSf https://astral.sh/uv/install.sh | sh

2. 克隆仓库：

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

3. 创建并激活虚拟环境：

uv venv --python 3.12
source .venv/bin/activate  # Unix/macOS 系统
# Windows 系统使用：
# .venv\Scripts\activate

4. 安装依赖：

uv pip install -r requirements.txt

浏览器自动化工具（可选）

playwright install

配置说明

OpenManus 需要配置使用的 LLM API，请按以下步骤设置：

1. 在 config 目录创建 config.toml 文件（可从示例复制）：

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

2. 编辑 config/config.toml 添加 API 密钥和自定义设置：

# 全局 LLM 配置
[llm]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."  # 替换为真实 API 密钥
max_tokens = 4096
temperature = 0.0

# 可选特定 LLM 模型配置
[llm.vision]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."  # 替换为真实 API 密钥

快速启动

一行命令运行 OpenManus：

python main.py

然后通过终端输入你的创意！

如需使用 MCP 工具版本，可运行：

python run_mcp.py

如需体验不稳定的多智能体版本，可运行：

python run_flow.py