Windows本地部署OpenManus并接入Mistral模型的实践记录

文章目录

前言
环境准备
- [1. 安装Conda](#1. 安装Conda)
- [2. 创建并激活环境](#2. 创建并激活环境)
安装Ollama
- [1. 下载并安装Ollama](#1. 下载并安装Ollama)
- [2. 拉取Mistral模型](#2. 拉取Mistral模型)
安装OpenManus
- [1. 克隆仓库](#1. 克隆仓库)
- [2. 安装依赖](#2. 安装依赖)
- [3. 配置OpenManus](#3. 配置OpenManus)
连接OpenManus与Ollama
- [1. 网络配置](#1. 网络配置)
- [2. 启动服务](#2. 启动服务)
总结与心得

前言

最近Manus作为一款强大的本地LLM应用平台引起了广泛关注，但遗憾的是它需要邀请码才能使用，这让很多想尝试的开发者望而却步。令人惊喜的是，OpenManus团队仅用了3小时就复刻了一个功能相似的开源替代方案。这让我非常兴奋，立刻决定尝试在本地部署OpenManus，并搭配Ollama运行的Mistral:latest模型，打造一套完全私有化的AI对话系统。本文将记录我在Windows环境下的完整部署过程，希望能给有类似需求的朋友提供参考。

环境准备

首先，我选择使用Conda来创建一个独立的Python环境，这样可以避免依赖冲突问题。

1. 安装Conda

如果你还没有安装Conda，可以先从官网下载Miniconda：Miniconda

这里输入我们的邮箱，然后点击Submit提交，随后会跳转到安装页面

我下载了Windows 64位的安装包，安装过程按默认选项一路下一步即可。安装完成后，打开命令提示符或PowerShell，确认安装成功：

bash 复制代码

conda --version

2. 创建并激活环境

接下来创建一个专用的环境用于OpenManus：

bash 复制代码

conda create -n open_manus python=3.12
conda activate open_manus

安装Ollama

1. 下载并安装Ollama

前往Ollama官网下载Windows版本的安装程序。安装过程很简单，双击exe文件并按提示完成即可。安装完成后，Ollama会在后台运行，可以在系统托盘找到它的图标。

安装完成后，打开命令提示符或PowerShell输入ollama --version，确认安装成功：

2. 拉取Mistral模型

打开命令提示符，运行：

bash 复制代码

ollama run mistral

这一步会下载Mistral模型文件，根据网络状况可能需要一段时间（文件大约7GB左右）。完成后可以测试一下：

如果能看到模型返回的回答，说明Ollama工作正常。

安装OpenManus

1. 克隆仓库

在激活的conda环境中，我首先克隆了OpenManus的代码库：

bash 复制代码

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

2. 安装依赖

bash 复制代码

pip install -r requirements.txt

这一步可能会有一些依赖冲突，我遇到了numpy版本的问题，通过以下方式解决：

bash 复制代码

pip install numpy==1.23.5

然后再次运行pip install -r requirements.txt完成安装。

3. 配置OpenManus

OpenManus的配置主要在config.yaml文件中，我复制了示例配置并进行了修改：

bash 复制代码

copy config\config.example.toml config\config.toml

使用文本编辑器打开config.yaml，将LLM部分配置修改为：

连接OpenManus与Ollama

1. 网络配置

确保Ollama的API可以被OpenManus访问。Ollama默认在11434端口提供服务，我检查了Windows防火墙设置，确保这个端口没有被阻止。

2. 启动服务

现在可以启动OpenManus服务了：

bash 复制代码

python main.py

首次启动时，OpenManus会尝试连接Ollama服务并验证Mistral模型是否可用。在控制台上应该能看到成功连接的日志信息。

总结与心得

通过这次本地部署OpenManus和Mistral模型的实践，我获得了一套完全私有化的AI对话系统。这种开源替代方案不需要像原版Manus那样等待邀请码，任何人都可以立即部署使用，真正体现了开源社区的力量。

与云服务相比，虽然部署过程更复杂一些，但数据完全在本地，没有隐私泄露的风险，而且没有API调用费用，非常适合个人或小团队使用。

Mistral:latest模型的表现让我很惊喜，在多数日常任务中，它的回答质量已经可以满足我的需求，而且本地运行的响应速度也相当不错。

最后，通过Conda管理环境确实是个明智的选择，它让我能够随时切换、升级或回滚环境，而不影响系统中的其他Python项目。

希望这篇部署记录对感兴趣的朋友有所帮助！如果你有任何问题或改进建议，欢迎留言交流。