领域LLM九讲——第5讲 为什么选择OpenManus而不是QwenAgent(附LLM免费api邀请码)

领域LLM九讲------第5讲 为什么选择OpenManus而不是QwenAgent(附LLM免费api邀请码)

文章目录

• [领域LLM九讲------第5讲 为什么选择OpenManus而不是QwenAgent(`附LLM免费api邀请码`)](#领域LLM九讲——第5讲 为什么选择OpenManus而不是QwenAgent(附LLM免费api邀请码))
• [1. Multi-Agent模块对比](#1. Multi-Agent模块对比)
• • [1.1 Agent模块](#1.1 Agent模块)
  • [1.2 LLM模块](#1.2 LLM模块)
  • [1.3 Tools 模块](#1.3 Tools 模块)
  • [1.4 Memory 模块](#1.4 Memory 模块)
• [2. 表格总结](#2. 表格总结)
• [3. 免费LLM调用API（邀请码）](#3. 免费LLM调用API（邀请码）)

1. Multi-Agent模块对比

1.1 Agent模块

• OpenManus 的 Agent 体系基于面向对象设计，由抽象基类 BaseAgent 提供执行流程的基本骨架。BaseAgent 管理状态转换和内存更新（通过上下文管理器），并通过不断调用子类的 step 方法形成主循环。具体的智能体（如 ReActAgent、ToolCallAgent、PlanningAgent、Manus 等）继承自 BaseAgent，按需实现思考（think）和行动（act）逻辑，支持复杂的任务规划与工具执行。
• 相比之下，Qwen-Agent 的 Agent 框架基于 Agent 抽象类（继承自 Python 的 ABC），配合 Assistant 等具体实现快速构建对话机器人。Qwen-Agent 内置函数调用机制，智能体通过一个函数列表调用工具，且支持并行多步骤调用（参见其默认的工具调用模板）。Qwen-Agent 也提供了诸如 FnCallAgent 和 ReActChat 这样基于函数调用能力的类。总体而言，OpenManus 强调明确的规划器/执行器层次与循环结构，而 Qwen-Agent 侧重于利用语言模型的函数调用能力动态驱动工具使用与决策。

1.2 LLM模块

• OpenManus 的 LLM 模块由单个 LLM 类管理，采用单例模式维护不同配置的模型实例。该类封装了 OpenAI（或 Azure OpenAI）接口，负责消息格式化、重试机制以及生成调用。它提供 ask（普通对话）和 ask_tool（包含工具调用）的核心方法。OpenManus 的设计主要面向 OpenAI API，模型种类固定且从配置文件读取。
• Qwen-Agent 则为 Qwen 系列模型提供了 BaseChatModel 抽象，兼容不同后端（如 DashScope 提供的云服务、OpenAI 接口兼容的 vLLM/Ollama 等）。通过配置字典指定 model、model_type、api_key 等参数，Qwen-Agent 能调用多种 Qwen 模型。重要的是，Qwen-Agent 的 LLM 接口原生支持函数调用（Function Calling），允许模型直接输出工具调用的结构化结果。因此，OpenManus 的 LLM 接口专注于 OpenAI 标准调用，而 Qwen-Agent 则封装为一个兼容 Qwen 长短期记忆和函数调用的 BaseChatModel 接口。

1.3 Tools 模块

• OpenManus 的工具系统基于抽象类 BaseTool，各工具继承并实现异步的 execute(**kwargs) 方法。每个工具定义有名称（name）、描述（description）和参数 schema，BaseTool.to_param() 方法会将工具信息转换为适配函数调用 API 的格式。工具实例通过 ToolCollection 统一管理，允许按名称调用相应工具并捕获执行结果。OpenManus 的工具注册方式较为静态：用户需在代码中添加新的工具类，或者在工具集合中手动包含实例。
• Qwen-Agent 的工具也以 BaseTool 为基类（定义 name、description、parameters），但使用装饰器动态注册工具：开发者只需使用 @register_tool('tool_name') 标记工具类即可自动加入注册表。工具执行入口为 call(self, params: str) 方法，处理 LLM 生成的 JSON 字符串参数并返回结果。Qwen-Agent 强调与模型函数调用兼容性：工具的 parameters 字段直接用作函数调用的 JSON schema。其内置工具（如浏览器、代码执行器、检索器等）均可通过注册机制扩展，并支持并行多函数调用。两者的主要区别在于，OpenManus 工具管理较为手动，依赖编程方式添加和组合；而 Qwen-Agent 通过注册装饰器和统一接口，更加动态灵活地集成和调用各种工具。

1.4 Memory 模块

• OpenManus 的 Memory 模块实现十分简洁：使用一个消息列表存储对话历史。Memory 类只负责增添 (add_message) 和获取 (get_messages) 消息，没有额外的记忆检索或嵌入存储机制。BaseAgent 内部通过 update_memory(role, content) 方法将系统、用户、助手、工具等角色的消息加入记忆。这种设计属于短期对话记忆，不支持长期知识存储。
• 相比之下，Qwen-Agent 在会话记忆基础上强调"长期记忆"能力。除了保持对话上下文，它还集成了检索辅助的记忆机制。Qwen-Agent 框架常采用分块检索（RAG）方式处理超长文档：首先将大文档分割为小块，然后基于关键词或嵌入搜索检索出与当前查询最相关的片段，再由模型处理。这使得 Qwen-Agent 能"记住"并使用之前工具调用或检索的结果，有效扩展了模型的记忆边界。综上，OpenManus 的记忆仅限于对话轮次缓存，而 Qwen-Agent 则额外支持基于检索的长期记忆和嵌入存储策略。

2. 表格总结

除上述四大模块外，OpenManus 和 Qwen-Agent 各自包含一些辅助组件。OpenManus 有 Flow 模块（如 PlanningFlow）用于组织多步规划执行，并通过 FlowFactory 管理不同类型流程。Qwen-Agent 则在工具层面集成了更多功能模块，例如内置的 代码执行器（Code Interpreter）和 多轮规划 支持（如并行函数调用模板），还提供了与外部检索器集成的能力（例如向量检索、RAG）。在多智能体和上下文管理方面，Qwen-Agent 还支持 MCP（Model Context Protocol）方式的外部服务配置。

总体而言，这些额外模块在两个框架中均与 Agent 紧密集成：OpenManus 通过工具（如 PlanningTool）和 Flow 调用，而 Qwen-Agent 则通过工具接口和 LLM 函数调用能力无缝挂载各类功能。

模块	OpenManus 结构	Qwen-Agent 结构	差异点（摘要）
Agent	基于 BaseAgent 抽象类，提供状态上下文管理、内存更新和循环执行；通过派生类（ReActAgent、ToolCallAgent、PlanningAgent、Manus 等）实现具体思维和行动流程。	基于 Agent 抽象类（同为 ABC），通过内置的 Assistant、FnCallAgent、ReActChat 等快速搭建对话 Agent；使用函数调用机制驱动工具选择，支持并行多步骤调用。	OpenManus 强调计划-执行流程，Agent 设计层次分明；Qwen-Agent 则利用模型自身的函数调用能力动态驱动决策，无需显式分离规划与执行。
LLM	由 LLM 类实现，对接 OpenAI/Azure API（单例模式），提供 ask/ask_tool 方法以标准格式调用模型。	由 BaseChatModel 抽象类封装，兼容各种 Qwen 系列模型与服务（DashScope、本地 vLLM/Ollama 等）；配置灵活，原生支持函数调用与多参数选项。	OpenManus LLM 绑定到 OpenAI 系统，接口简单；Qwen-Agent LLM 支持多种模型服务，集成函数调用与更多自定义参数。
Tools	使用 BaseTool 抽象类，各工具继承并异步实现 execute 方法；工具参数通过 to_param() 转为函数调用所需格式，工具集合由 ToolCollection 管理。	使用 BaseTool 基类，但通过 @register_tool 装饰器动态注册工具；工具定义中的 parameters 即函数调用的 JSON schema，支持直接返回 JSON 格式结果。内置工具（浏览、代码执行、检索等）均符合函数调用规范。	OpenManus 工具注册和调用较为手动，依赖代码新增和工具集合管理；Qwen-Agent 工具注册自动化，紧密集成函数调用规范，支持并行多工具调用。
Memory	通过 Memory 类维护简单的消息列表，仅记录会话历史。内存功能有限，主要为短期对话上下文缓存。	在维护短期对话记忆的基础上，强调长期记忆和检索辅助。支持将超长文档分块并使用关键词/向量检索，将相关信息引入模型上下文。	OpenManus 仅提供基础的对话历史缓存；Qwen-Agent 除对话缓存外，通过检索（RAG）扩展模型上下文，实现"长期记忆"能力。

3. 免费LLM调用API（邀请码）

最近在研究多智能体系统，推荐一个我正在使用的平台 ------ 硅基流动

使用邀请码b4JLOWQV注册后，即可获得 14元试用额度，可以直接免费调用如 Qwen3-8B |Qwen2.5-7B-Instruct等基础大模型。