1. 为什么要在本地跑一个 OpenManusOpenManus 是一个用 Python 写的通用 AI Agent 框架核心能力是把「大模型思考」和「工具执行」串成一个循环模型先想一步决定调用哪个工具工具跑完把结果塞回上下文模型再想下一步直到任务完成。它适合谁适合想自己动手搭一个能查资料、能跑代码、能读写文件的自动化助手的开发者也适合想研究 ReAct 循环和 Flow 多代理协作到底怎么落地的人。我关注它是因为它把 Agent 的两条路线都摆出来了单代理走main.py用 ReAct 模式做「思考-行动」循环多代理走run_flow.py用 Planning Agent 先出计划再交给执行 Agent 逐步完成。这个设计对理解 Agent 工程很有帮助。但真正上手时第一个卡点往往不是代码而是模型接入。OpenManus 默认配置指向的是某一家模型服务你要么改config.toml里的base_url和api_key要么就得在代码里硬编码。如果同时想试几个模型或者团队里多人共用一套环境Key 管理就会变得很乱。这篇就围绕这个场景讲怎么用 TaoToken 的统一 Key 和 API 通道把 OpenManus 的模型接入收敛成一份可复制的配置骨架然后跑通一次完整的 ReAct 任务。TaoToken 在这里的角色是统一模型接入层你拿一个 Key配一个base_url就能在 OpenManus 里切换不同模型不用为每个模型单独维护一套环境变量。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 注意 API 地址不带 UTM 参数。2. 前置准备Python 环境与 TaoToken Key2.1 Python 版本和依赖OpenManus 对 Python 版本有要求建议 3.11 及以上。我试过 3.10部分依赖会报类型相关的错升到 3.11 就顺了。先确认版本python3.11 --version如果系统里没有 3.11可以用 pyenv 或 conda 装一个。然后克隆仓库并建虚拟环境git clone https://github.com/mannaandpoem/OpenManus.git cd OpenManus python3.11 -m venv venv source venv/bin/activate pip install -r requirements.txtWindows 下激活命令换成venv\Scripts\activate。依赖装完后项目根目录会有一个config目录里面是配置模板下一步就是改它。2.2 拿 TaoToken Key 和确认通道打开 TaoToken 控制台在 API Keys 页面创建一个 Key。创建时建议给它起个能认出来的名字比如openmanus-local方便后面排查是哪个环境在用。创建完复制出来只显示一次。然后确认两件事一是 API 根地址用https://taotoken.net/api不要带末尾斜杠二是模型名要和你账号下可用的模型对上。TaoToken 的模型对话页面可以先用网页版试一句确认 Key 和模型都通再去配 OpenManus这样能把「Key 问题」和「OpenManus 配置问题」分开排查。注意Key 不要写进会提交到 Git 的文件里。下面配置里我会用占位符你本地替换成真实 Key并且把config.toml加进.gitignore。3. 可复制配置config.toml 与 settings.json 骨架3.1 config.toml 的 llm 段OpenManus 读的是config/config.toml。核心是[llm]段把base_url指向 TaoToken 的 API 地址api_key填你的 Keymodel填你要用的模型名。下面这份可以直接复制改三个值就行# Global LLM configuration [llm] model gpt-4o-mini base_url https://taotoken.net/api api_key sk-你的TaoTokenKey max_tokens 4096 temperature 0.0 # Optional configuration for vision models [llm.vision] model gpt-4o-mini base_url https://taotoken.net/api api_key sk-你的TaoTokenKeytemperature 0.0是 OpenManus 默认值Agent 场景下低温度能让工具选择更稳定建议先别改。max_tokens按模型上限来4096 对大多数任务够用。如果你想让 Planning Agent 用推理型模型、执行 Agent 用通用模型可以在[llm]之外再加一段然后在代码里按名字取。OpenManus 的 LLM 服务层支持多配置具体取哪段看app/llm.py里的初始化逻辑。3.2 settings.json 里的工具开关config/settings.json控制工具是否启用。ReAct 任务里最常用的是 PythonExecute、FileSaver、BrowserUseTool 和 GoogleSearch。骨架如下{ llm: { config_name: default }, tools: { python_execute: true, file_saver: true, browser_use: true, google_search: true }, max_steps: 20, workspace: ./workspace }max_steps是 ReAct 循环的上限防止模型陷入死循环。第一次跑建议设小一点比如 10观察它几步能完成再往上调。workspace是 FileSaver 的落盘目录确保这个目录存在且有写权限。3.3 环境变量方式可选如果你不想把 Key 写进 tomlOpenManus 也支持从环境变量读。可以在启动前 exportexport OPENMANUS_LLM_API_KEYsk-你的TaoTokenKey export OPENMANUS_LLM_BASE_URLhttps://taotoken.net/api然后在config.toml里把api_key留空或写成占位代码里会优先读环境变量。这种方式适合 CI 或多人共用机器但本地调试时容易忘记 export反而增加排查成本按自己习惯选一种就行。4. 启动与一次完整 ReAct 任务验证4.1 启动命令单代理模式用main.py多代理 Flow 模式用run_flow.py。先跑单代理验证模型通道和 ReAct 循环python3.11 main.py启动后终端会进入交互输入状态。如果配置有问题这一步就会报错常见的是base_url拼错或 Key 无效报错信息里会带 HTTP 状态码按第 5 节排查。4.2 输入一个可验证的任务输入一句中文任务比如「查询上海今天的天气并把结果保存到 workspace/weather.txt」。这个任务同时触发 GoogleSearch或 BrowserUseTool和 FileSaver能验证两个工具是否都通。终端会打印每一步的 think 和 act。think 阶段是模型返回的 tool_callsact 阶段是工具执行结果。你会看到类似这样的流程Step 1: think - 选择 GoogleSearchquery上海今天天气 Step 1: act - 返回天气摘要 Step 2: think - 选择 FileSaverpathworkspace/weather.txt Step 2: act - 文件写入成功 Step 3: think - 任务完成输出最终结果如果走到 Step 3 并打印了最终结果说明 ReAct 循环、模型通道、工具调用三条链路都通了。去workspace/weather.txt确认文件内容能看到天气信息就完整验证成功。4.3 多代理 Flow 模式单代理跑通后再试run_flow.pypython3.11 run_flow.pyFlow 模式会先让 Planning Agent 生成一个计划再交给 Manus Agent 执行。输入一个稍复杂的任务比如「查三个城市的天气分别保存成三个文件最后汇总到一个 summary.txt」。观察 Planning Agent 产出的计划是否合理以及执行 Agent 是否按计划逐步完成。这一步能直观看到「计划-执行」和「ReAct 单循环」的区别。5. 本篇常见错排查5.1 401 或 403Key 和通道问题报 401 通常是 Key 无效或没带上。检查config.toml里api_key是否替换成了真实 Key有没有多余空格。报 403 可能是模型名不在你账号可用范围内去 TaoToken 模型对话页面确认模型名拼写注意大小写和版本后缀。5.2 404base_url 路径问题OpenManus 会在base_url后面拼/chat/completions。如果你把base_url写成https://taotoken.net/api/带末尾斜杠拼出来会变成双斜杠部分服务会返回 404。统一写成https://taotoken.net/api不带末尾斜杠。5.3 工具调用不触发模型返回了文本但没有 tool_callsReAct 循环就退化成普通对话。原因通常是模型不支持 function calling或者temperature太高导致输出不稳定。换一个支持工具调用的模型并把temperature设回 0.0。另外确认settings.json里对应工具是true。5.4 max_steps 耗尽任务没完成但步数到了上限终端会提示达到 max_steps。先看是模型在绕圈还是任务本身太复杂。绕圈的话检查工具返回结果是否被正确塞回上下文任务复杂的话把max_steps调到 30 再试或者改用 Flow 模式让 Planning Agent 拆解。5.5 文件写入失败FileSaver 报路径错误多半是workspace目录不存在。手动建一下mkdir -p workspace另外确认启动命令的工作目录是项目根目录相对路径./workspace是相对当前工作目录解析的。6. 把 Key 和配置收进一套骨架跑通之后建议把配置固化成一套可复制的骨架config.toml里只留base_url和模型名Key 走环境变量settings.json里把max_steps和工具开关按任务类型分几套比如「搜索类」开 GoogleSearch 和 FileSaver「代码类」开 PythonExecute 和 FileSaver。这样换模型时只改一个model字段不用动代码。TaoToken 在这里的价值就是让这个base_url和 Key 保持稳定模型切换在服务端完成OpenManus 侧无感。如果你要长期跑编码类 Agent 任务可以看 Coding Plan 页面了解额度方案如果只是验证模型通不通模型对话页面最快接入细节和参数说明在接入文档里。API Keys 管理在控制台创建和轮换都在那里。最后留一个实用习惯每次改完config.toml先用一句「你好请回复 ok」跑一次main.py确认模型通道通再去跑复杂任务。这样能把配置问题和任务问题分开排查时间能省一大半。
25年3月重磅--聊聊OpenManus：用TaoToken统一Key跑通ReAct Agent的Python配置骨架
1. 为什么要在本地跑一个 OpenManusOpenManus 是一个用 Python 写的通用 AI Agent 框架核心能力是把「大模型思考」和「工具执行」串成一个循环模型先想一步决定调用哪个工具工具跑完把结果塞回上下文模型再想下一步直到任务完成。它适合谁适合想自己动手搭一个能查资料、能跑代码、能读写文件的自动化助手的开发者也适合想研究 ReAct 循环和 Flow 多代理协作到底怎么落地的人。我关注它是因为它把 Agent 的两条路线都摆出来了单代理走main.py用 ReAct 模式做「思考-行动」循环多代理走run_flow.py用 Planning Agent 先出计划再交给执行 Agent 逐步完成。这个设计对理解 Agent 工程很有帮助。但真正上手时第一个卡点往往不是代码而是模型接入。OpenManus 默认配置指向的是某一家模型服务你要么改config.toml里的base_url和api_key要么就得在代码里硬编码。如果同时想试几个模型或者团队里多人共用一套环境Key 管理就会变得很乱。这篇就围绕这个场景讲怎么用 TaoToken 的统一 Key 和 API 通道把 OpenManus 的模型接入收敛成一份可复制的配置骨架然后跑通一次完整的 ReAct 任务。TaoToken 在这里的角色是统一模型接入层你拿一个 Key配一个base_url就能在 OpenManus 里切换不同模型不用为每个模型单独维护一套环境变量。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 注意 API 地址不带 UTM 参数。2. 前置准备Python 环境与 TaoToken Key2.1 Python 版本和依赖OpenManus 对 Python 版本有要求建议 3.11 及以上。我试过 3.10部分依赖会报类型相关的错升到 3.11 就顺了。先确认版本python3.11 --version如果系统里没有 3.11可以用 pyenv 或 conda 装一个。然后克隆仓库并建虚拟环境git clone https://github.com/mannaandpoem/OpenManus.git cd OpenManus python3.11 -m venv venv source venv/bin/activate pip install -r requirements.txtWindows 下激活命令换成venv\Scripts\activate。依赖装完后项目根目录会有一个config目录里面是配置模板下一步就是改它。2.2 拿 TaoToken Key 和确认通道打开 TaoToken 控制台在 API Keys 页面创建一个 Key。创建时建议给它起个能认出来的名字比如openmanus-local方便后面排查是哪个环境在用。创建完复制出来只显示一次。然后确认两件事一是 API 根地址用https://taotoken.net/api不要带末尾斜杠二是模型名要和你账号下可用的模型对上。TaoToken 的模型对话页面可以先用网页版试一句确认 Key 和模型都通再去配 OpenManus这样能把「Key 问题」和「OpenManus 配置问题」分开排查。注意Key 不要写进会提交到 Git 的文件里。下面配置里我会用占位符你本地替换成真实 Key并且把config.toml加进.gitignore。3. 可复制配置config.toml 与 settings.json 骨架3.1 config.toml 的 llm 段OpenManus 读的是config/config.toml。核心是[llm]段把base_url指向 TaoToken 的 API 地址api_key填你的 Keymodel填你要用的模型名。下面这份可以直接复制改三个值就行# Global LLM configuration [llm] model gpt-4o-mini base_url https://taotoken.net/api api_key sk-你的TaoTokenKey max_tokens 4096 temperature 0.0 # Optional configuration for vision models [llm.vision] model gpt-4o-mini base_url https://taotoken.net/api api_key sk-你的TaoTokenKeytemperature 0.0是 OpenManus 默认值Agent 场景下低温度能让工具选择更稳定建议先别改。max_tokens按模型上限来4096 对大多数任务够用。如果你想让 Planning Agent 用推理型模型、执行 Agent 用通用模型可以在[llm]之外再加一段然后在代码里按名字取。OpenManus 的 LLM 服务层支持多配置具体取哪段看app/llm.py里的初始化逻辑。3.2 settings.json 里的工具开关config/settings.json控制工具是否启用。ReAct 任务里最常用的是 PythonExecute、FileSaver、BrowserUseTool 和 GoogleSearch。骨架如下{ llm: { config_name: default }, tools: { python_execute: true, file_saver: true, browser_use: true, google_search: true }, max_steps: 20, workspace: ./workspace }max_steps是 ReAct 循环的上限防止模型陷入死循环。第一次跑建议设小一点比如 10观察它几步能完成再往上调。workspace是 FileSaver 的落盘目录确保这个目录存在且有写权限。3.3 环境变量方式可选如果你不想把 Key 写进 tomlOpenManus 也支持从环境变量读。可以在启动前 exportexport OPENMANUS_LLM_API_KEYsk-你的TaoTokenKey export OPENMANUS_LLM_BASE_URLhttps://taotoken.net/api然后在config.toml里把api_key留空或写成占位代码里会优先读环境变量。这种方式适合 CI 或多人共用机器但本地调试时容易忘记 export反而增加排查成本按自己习惯选一种就行。4. 启动与一次完整 ReAct 任务验证4.1 启动命令单代理模式用main.py多代理 Flow 模式用run_flow.py。先跑单代理验证模型通道和 ReAct 循环python3.11 main.py启动后终端会进入交互输入状态。如果配置有问题这一步就会报错常见的是base_url拼错或 Key 无效报错信息里会带 HTTP 状态码按第 5 节排查。4.2 输入一个可验证的任务输入一句中文任务比如「查询上海今天的天气并把结果保存到 workspace/weather.txt」。这个任务同时触发 GoogleSearch或 BrowserUseTool和 FileSaver能验证两个工具是否都通。终端会打印每一步的 think 和 act。think 阶段是模型返回的 tool_callsact 阶段是工具执行结果。你会看到类似这样的流程Step 1: think - 选择 GoogleSearchquery上海今天天气 Step 1: act - 返回天气摘要 Step 2: think - 选择 FileSaverpathworkspace/weather.txt Step 2: act - 文件写入成功 Step 3: think - 任务完成输出最终结果如果走到 Step 3 并打印了最终结果说明 ReAct 循环、模型通道、工具调用三条链路都通了。去workspace/weather.txt确认文件内容能看到天气信息就完整验证成功。4.3 多代理 Flow 模式单代理跑通后再试run_flow.pypython3.11 run_flow.pyFlow 模式会先让 Planning Agent 生成一个计划再交给 Manus Agent 执行。输入一个稍复杂的任务比如「查三个城市的天气分别保存成三个文件最后汇总到一个 summary.txt」。观察 Planning Agent 产出的计划是否合理以及执行 Agent 是否按计划逐步完成。这一步能直观看到「计划-执行」和「ReAct 单循环」的区别。5. 本篇常见错排查5.1 401 或 403Key 和通道问题报 401 通常是 Key 无效或没带上。检查config.toml里api_key是否替换成了真实 Key有没有多余空格。报 403 可能是模型名不在你账号可用范围内去 TaoToken 模型对话页面确认模型名拼写注意大小写和版本后缀。5.2 404base_url 路径问题OpenManus 会在base_url后面拼/chat/completions。如果你把base_url写成https://taotoken.net/api/带末尾斜杠拼出来会变成双斜杠部分服务会返回 404。统一写成https://taotoken.net/api不带末尾斜杠。5.3 工具调用不触发模型返回了文本但没有 tool_callsReAct 循环就退化成普通对话。原因通常是模型不支持 function calling或者temperature太高导致输出不稳定。换一个支持工具调用的模型并把temperature设回 0.0。另外确认settings.json里对应工具是true。5.4 max_steps 耗尽任务没完成但步数到了上限终端会提示达到 max_steps。先看是模型在绕圈还是任务本身太复杂。绕圈的话检查工具返回结果是否被正确塞回上下文任务复杂的话把max_steps调到 30 再试或者改用 Flow 模式让 Planning Agent 拆解。5.5 文件写入失败FileSaver 报路径错误多半是workspace目录不存在。手动建一下mkdir -p workspace另外确认启动命令的工作目录是项目根目录相对路径./workspace是相对当前工作目录解析的。6. 把 Key 和配置收进一套骨架跑通之后建议把配置固化成一套可复制的骨架config.toml里只留base_url和模型名Key 走环境变量settings.json里把max_steps和工具开关按任务类型分几套比如「搜索类」开 GoogleSearch 和 FileSaver「代码类」开 PythonExecute 和 FileSaver。这样换模型时只改一个model字段不用动代码。TaoToken 在这里的价值就是让这个base_url和 Key 保持稳定模型切换在服务端完成OpenManus 侧无感。如果你要长期跑编码类 Agent 任务可以看 Coding Plan 页面了解额度方案如果只是验证模型通不通模型对话页面最快接入细节和参数说明在接入文档里。API Keys 管理在控制台创建和轮换都在那里。最后留一个实用习惯每次改完config.toml先用一句「你好请回复 ok」跑一次main.py确认模型通道通再去跑复杂任务。这样能把配置问题和任务问题分开排查时间能省一大半。
