企业官网建设流程全解析

1. OpenManus 本地部署为什么值得折腾：国产 GPU 跑智能体的真实场景

OpenManus 是 MetaGPT 团队开源的一个通用 AI Agent 框架，简单说就是给你一个能自己规划任务、调用工具、读写文件、执行命令的“数字助手”。你丢给它一句“帮我统计这份 CSV 里每个月的销售额并画图”，它会自己拆步骤、写代码、跑结果。适合谁？适合手上有国产 GPU 服务器、想在内网跑智能体、又不想把数据发到公有云的个人开发者和中小团队。

我这次的目标很明确：在一台装了海光 DCU 的机器上，把 OpenManus 完整跑起来，模型服务走本地推理，最后验证它能完成不依赖联网搜索的任务。整个过程踩了几个坑，尤其是工具调用和模型选择这两块，下面按步骤拆开讲。

先说清楚 OpenManus 的定位。它不是编辑器插件，也不是单纯的聊天前端，而是一个 Agent 运行时。核心能力有三块：一是任务规划，把用户的一句话拆成可执行步骤；二是工具调用，内置了 Python 执行、浏览器、搜索、文件操作等工具；三是记忆与状态管理，多轮任务里能记住上下文。它的配置文件是config/config.toml，模型接入、工具开关都在这里改，这也是后面国产 GPU 环境要重点调的地方。

国产 GPU 环境跑 OpenManus 的难点不在框架本身，而在模型服务。OpenManus 默认配置指向 GPT-4o，国内直连不现实，费用也高。所以思路是：本地用 Ollama 或兼容 OpenAI 接口的推理服务承载模型，OpenManus 通过base_url指过去。海光 DCU 上跑 Ollama 已经有成熟方案，模型选 qwq 这类支持工具调用的推理模型，就能把整条链路闭环。

这里有个关键认知：Agent 框架对模型的要求比普通对话高。普通聊天模型只要会生成文本就行，但 Agent 需要模型输出结构化的工具调用指令（Function Call）。如果模型不支持 tools，OpenManus 在“搜索”或“执行代码”这一步就会卡住，报错往往很隐晦，不是直接说“模型不支持”，而是解析choices时字段缺失。这也是我后面重点排查的方向。

所以这篇教程的路线是：先准备 Python 环境，再装 OpenManus 依赖，然后配置模型服务（本地 Ollama 为主，也给出兼容云端 API 的写法），接着跑通第一个任务，最后把常见的报错和排查方法列清楚。全程命令可复制，配置文件给完整片段，你照着改路径和地址就能用。

2. TaoToken 前置准备：模型服务地址与密钥怎么配

在正式改 OpenManus 配置之前，先把模型服务这一层理清楚。OpenManus 本身不提供模型，它只是一个调用方，需要一个兼容 OpenAI 接口的base_url和api_key。你可以用本地 Ollama，也可以用云端聚合服务。如果你希望少折腾本地推理环境，直接用 TaoToken 的 API 接入会更省事，它兼容 OpenAI 的接口格式，OpenManus 的config.toml里把base_url和api_key换掉即可。

TaoToken 的 API 地址是https://taotoken.net/api，注意这个地址不带任何查询参数，直接作为base_url的基础。模型 ID 需要填你实际要用的模型名，比如claude-sonnet-4-5或gpt-4o这类。密钥在控制台的 API Keys 页面生成，格式通常是sk-开头的一串字符。生成后复制保存，后面填进配置文件。

如果你走本地 Ollama 路线，那base_url就是你 Ollama 服务的地址加/v1，比如http://192.168.1.100:11434/v1，api_key随便填一个非空字符串即可，Ollama 默认不校验。模型名填你在 Ollama 里ollama list看到的名称，比如qwq或minicpm-v。

两条路线的对比如下：

我建议第一次部署时先用 TaoToken 的 API 把流程跑通，确认 OpenManus 本身没问题，再切到本地 Ollama 调优。这样能把“框架问题”和“模型服务问题”分开，排查起来快很多。

拿到密钥后，先别急着改 OpenManus，用一条 curl 命令验证服务是否通：

curl https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer 你的密钥" \ -d '{ "model": "claude-sonnet-4-5", "messages": [{"role": "user", "content": "回复ok"}], "max_tokens": 16 }'

如果返回里有choices字段和正常内容，说明密钥和服务都正常。这一步能省掉后面很多“到底是框架错还是密钥错”的纠结。返回 401 就是密钥问题，返回连接超时就是网络问题，分得很清楚。

3. 可复制配置：OpenManus 的 config.toml 与启动命令

环境准备从 Python 开始。OpenManus 要求 Python 3.12，我用 conda 建独立环境，避免污染系统 Python：

conda create -n open_manus python=3.12 -y conda activate open_manus

然后克隆仓库并装依赖。国内网络建议加清华源，速度差别很明显：

git clone https://github.com/mannaandpoem/OpenManus.git cd OpenManus pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

依赖装完后，配置文件从示例复制一份：

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

接下来是核心的config/config.toml。先给走 TaoToken API 的完整片段，路径就是config/config.toml，直接覆盖对应段落：

# Global LLM configuration [llm] model = "claude-sonnet-4-5" base_url = "https://taotoken.net/api" api_key = "sk-你的密钥" max_tokens = 4096 temperature = 0.0 # Optional configuration for vision model [llm.vision] model = "claude-sonnet-4-5" base_url = "https://taotoken.net/api" api_key = "sk-你的密钥"

如果你走本地 Ollama，把上面两段的base_url和model换掉：

[llm] model = "qwq" base_url = "http://192.168.1.100:11434/v1" api_key = "ollama" max_tokens = 4096 temperature = 0.0 [llm.vision] model = "minicpm-v" base_url = "http://192.168.1.100:11434/v1" api_key = "ollama"

注意base_url结尾的/v1不能少，OpenManus 内部会拼接/chat/completions。少了/v1就会 404。api_key对 Ollama 来说不校验，但字段不能空，否则部分版本会直接抛异常。

配置改完，启动命令就一行：

python main.py

启动后终端会进入交互模式，你输入任务描述，它开始规划执行。第一次跑建议用不依赖联网搜索的任务，比如“计算 30 以内的所有质数并输出”，这样能先验证模型调用和代码执行工具是否正常。

如果你需要 OpenManus 调用搜索工具，默认的 Google 搜索在国内经常超时。可以换成百度搜索，先装包：

pip install baidusearch

然后修改app/tool/google_search.py，把导入和类名换掉：

import asyncio from typing import List from baidusearch.baidusearch import search from app.tool.base import BaseTool class GoogleSearch(BaseTool): name: str = "baidu_search"

这样搜索工具就走百度通道，国内可用性高很多。改完记得重启python main.py让改动生效。

4. 验证请求与成功结果：从质数计算到工具调用

配置改好后，第一步验证模型连通性。启动python main.py，输入：

计算30以内的所有质数

如果模型服务正常，你会看到 OpenManus 先输出一段规划，然后调用 Python 执行工具，最后返回质数列表[2, 3, 5, 7, 11, 13, 17, 19, 23, 29]。这个过程说明三件事都通了：模型能返回结构化指令、工具调用链路正常、结果能回传。

第二步验证工具调用。输入一个需要搜索的任务，比如：

搜索今天北京的天气

如果用的是百度搜索改造版，会看到它调用baidu_search工具，返回若干条结果，然后模型基于结果总结。这一步能过，说明 Function Call 是工作的。

第三步验证多步任务。输入：

帮我写一个 Python 脚本，读取当前目录下的所有 .txt 文件，统计每个文件的行数，输出成表格

OpenManus 会规划出“列出文件 → 读取 → 统计 → 格式化输出”的步骤，并实际执行。如果它成功生成了脚本并运行出结果，说明整个 Agent 闭环没问题。

成功的关键标志是终端里出现工具调用的日志，类似Executing tool: python_execute或Executing tool: baidu_search。如果只看到模型输出文字但没有工具调用日志，那大概率是模型不支持 Function Call，或者config.toml里的模型名填错了。

我实测下来，本地 qwq 的 q4 量化版本在简单任务上没问题，但复杂多步任务容易中途“忘记”调用工具，把该执行的动作写成文字描述。这时候把temperature从 0.0 调到 0.7，给它一点发挥空间，反而能跑下去。这是个经验性的取舍：确定性高适合简单任务，稍微放开适合复杂规划。

验证通过后，你可以把常用任务写成脚本批量跑，或者接进自己的自动化流程。OpenManus 的价值就在于它能把自然语言任务转成实际动作，国产 GPU 环境跑通后，数据全程不出内网，这对有合规要求的场景很实用。

5. 本篇常见报错排查：401、local proxy failed、reading choices、OAuth

部署过程中最容易卡住的几个报错，我按出现频率列出来，对照着查。

401 Unauthorized。这个最直接，密钥不对或没带。检查config.toml里api_key是否填了真实密钥，有没有多余空格。走 TaoToken API 的话，确认密钥是从控制台 API Keys 页面生成的，且没有过期。走 Ollama 的话，api_key填任意非空值即可，但如果填了空字符串，某些版本会报 401。

local proxy failed / Connection refused。这是网络层问题。如果base_url指向本地 Ollama，确认 Ollama 服务在跑，且监听地址不是127.0.0.1而是0.0.0.0，否则跨机器访问会被拒。用curl http://你的IP:11434/v1/models测一下能不能通。如果走云端 API，检查机器能否解析并访问该域名，DNS 和防火墙都要看。

reading choices 报错 / KeyError: 'choices'。这个最隐蔽，通常不是网络问题，而是模型返回的 JSON 结构里没有choices字段。原因一般是模型不支持 Function Call，或者返回了错误信息但 HTTP 状态码是 200。解决办法：先用 curl 直接调模型，看返回体长什么样。如果返回的是{"error": ...}，那就是模型名或参数问题。如果返回正常文本但没有工具调用能力，就换一个支持 tools 的模型，比如 qwq 或 Qwen 系列的支持工具版本。

OAuth 相关报错。如果你在配置里误填了需要 OAuth 的端点，或者模型服务要求额外的认证头，会报这个。OpenManus 默认只发Authorization: Bearer，不支持 OAuth 流程。确认你用的base_url是标准的 OpenAI 兼容接口，不需要额外鉴权步骤。

工具调用无响应 / 卡在 Planning。模型输出了计划但迟迟不执行工具。检查config.toml里max_tokens是否太小，4096 是安全值。另外确认模型名和实际部署的一致，比如 Ollama 里是qwq:latest，配置里写qwq通常也能匹配，但写错就找不到。

排查顺序建议：先 curl 测模型服务 → 再确认 config.toml 路径和字段 → 再看 OpenManus 终端日志 → 最后换模型试。这样能快速定位是服务层、配置层还是模型层的问题。

6. 长期跑 Agent 任务怎么选：Coding Plan 与接入文档

OpenManus 跑通之后，如果你打算长期用它做编码辅助或自动化任务，模型服务的稳定性和成本就要考虑了。本地 Ollama 适合数据敏感、算力充足的场景，但模型能力受限于本地硬件。云端 API 适合快速迭代和复杂任务，按量付费更灵活。

如果你主要用 OpenManus 做代码生成、重构、调试这类编码任务，可以看看 Coding Plan 这类面向长期编码场景的方案，它在长上下文和工具调用上针对 Agent 场景做了优化。接入方式还是老规矩：在config.toml里把base_url指向https://taotoken.net/api，api_key换成对应密钥，model填支持的模型 ID。

需要提醒的是，OpenManus 是 Agent 框架，不是编辑器替代品。它的定位是帮你执行任务，不是让你在里面写代码。所以模型选择上，优先选工具调用能力强的，而不是单纯文本生成好的。

配置过程中如果遇到接口字段对不上，最可靠的办法是查接入文档，里面有完整的参数说明和示例。密钥管理在控制台的 API Keys 页面，可以生成多个密钥分别给不同项目用，方便追踪用量。

最后给一个实用建议：把config.toml里的模型配置做成可切换的，比如准备两份文件config.local.toml和config.cloud.toml，需要时复制覆盖。这样在本地调试和云端跑复杂任务之间切换，不用每次手改配置，省事很多。