企业官网建设流程全解析

1. 为什么要在本地跑 OpenManus + Ollama

OpenManus 是 Manus 的开源复刻版本，核心能力是让大模型自己规划任务、调用工具、操作浏览器、读写文件，最终把一个模糊的需求拆成可执行的动作链。它本身不绑定任何云端服务，只要后端模型兼容 OpenAI 风格的接口，就能接进来。而 Ollama 正好在本地暴露了http://localhost:11434/v1这样一个兼容端点，两者一拼，整套 Agent 流程就完全跑在你自己的开发机上，不花一分钱，也不依赖外部网络。

这套组合适合谁？一类是想研究 Agent 调度逻辑的开发者，本地跑通后可以随意改 prompt、改工具集，不用担心 token 账单；另一类是手头有显卡但不想把数据发出去的场景，比如处理内部文档、跑代码分析任务。我实测下来，14B 级别的 coder 模型在 16G 显存上能跑，32B 需要 24G 以上，视觉任务再单独挂一个 minicpm-v 就行。

整篇内容会覆盖两条环境路线：conda 适合 Windows 和习惯 conda 管理的用户，uv 适合 macOS/Linux 上追求速度的人。两条路最终都指向同一个config.toml和同一个python main.py启动入口。下面按顺序把每一步命令、每个字段、每个容易踩的坑都写清楚。

2. 前置准备：Python、Ollama 与 TaoToken 的定位

在动手之前，先把三样东西确认好。第一是 Python 3.12，OpenManus 的依赖里有些包对 3.10 以下不友好，直接用 3.12 最省事。第二是 Ollama，去官网下载对应平台的安装包，装完后终端里能执行ollama --version就算成功。第三是模型，必须选支持 function calling 的，否则 Agent 调不动工具。

这里要说明一下 TaoToken 的位置。TaoToken 是一个模型接入网关，官网在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，它提供 OpenAI 兼容的 API 端点 https://taotoken.net/api 。本地 Ollama 跑的是你自己的模型，完全免费；但如果你后面想切换到更强的云端模型做对比，或者本地显卡不够跑大参数模型，就可以在config.toml里把base_url换成 TaoToken 的地址，用同一个配置文件切换后端，不用改代码。它的 API Key 在 https://taotoken.net/api-keys 生成，接入文档在 https://taotoken.net/doc 。

注意：本地 Ollama 和 TaoToken 是两种后端选择，不是必须同时用。本地跑通后再考虑切换，避免一开始就混淆变量。

模型选择上，函数调用能力是关键。qwen2.5-coder 系列表现稳定，14b 适合 16G 显存，32b 适合 24G 以上。视觉模型用 minicpm-v，装的时候直接ollama run minicpm-v即可。装完用ollama list确认模型在列表里。

3. 路线一：conda 环境搭建（Windows 友好）

conda 的优势是环境隔离干净，Windows 上装依赖不容易出编译问题。先创建环境：

conda create -n open_manus python=3.12 conda activate open_manus

激活后终端提示符前面会出现(open_manus)。接着克隆仓库并进目录：

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

然后装依赖。这一步如果网络慢，可以换国内镜像源，但不要用任何代理工具，直接加-i参数指向清华源即可：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

装完后验证一下关键包：

python -c "import openai, pydantic; print('ok')"

输出ok说明基础依赖没问题。conda 路线到这里环境就绪，接下来跳到第 5 节配 Ollama 和 config.toml。

4. 路线二：uv 环境搭建（macOS/Linux 推荐）

uv 是 Rust 写的包管理器，装依赖比 pip 快很多，macOS 上体验尤其好。先装 uv：

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

装完重开终端或 source 一下配置文件，然后确认：

uv --version

接着克隆仓库，和 conda 路线一样：

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

创建虚拟环境并激活。Windows 下用：

uv venv .venv\Scripts\activate

macOS/Linux 下用：

uv venv source .venv/bin/activate

激活后装依赖：

uv pip install -r requirements.txt

uv 的解析速度很快，通常几十秒就完成。装完同样用python -c "import openai"验证。两条路线的区别只在环境管理工具，后面的配置和启动完全一致。

5. 对接 Ollama 与 config.toml 关键字段

先把 Ollama 服务跑起来。装好 Ollama 后，拉取模型：

ollama run qwen2.5-coder:14b

这条命令会下载模型并进入交互模式，输入/bye退出即可，模型已经留在本地。视觉模型同理：

ollama run minicpm-v

确认模型列表：

ollama list

如果之前装过旧模型想清理，用ollama rm 模型名称删除。Ollama 默认监听 11434 端口，OpenManus 通过http://localhost:11434/v1访问它。

接下来配 config.toml。进入 OpenManus 目录，找到config/config.example.toml，复制一份改名为config.toml：

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

然后编辑config.toml，把[llm]段改成：

[llm] model = "qwen2.5-coder:14b" base_url = "http://localhost:11434/v1" api_key = "sk-local" max_tokens = 4096 temperature = 0.0 [llm.vision] model = "minicpm-v" base_url = "http://localhost:11434/v1" api_key = "sk-local"

几个字段说明：model必须和ollama list里的名字完全一致，大小写和标签都不能错；base_url末尾的/v1不能省，Ollama 的兼容层靠它路由；api_key本地服务不校验，随便填一个非空字符串即可，但留空有些版本会报错；temperature设 0.0 让 Agent 的动作更确定，减少随机乱调工具的情况。

提示：如果你后面想切到 TaoToken 的云端模型，把base_url改成 https://taotoken.net/api ，api_key换成在 https://taotoken.net/api-keys 生成的真实 Key，model改成对应模型名即可，其余字段不动。

6. 启动验证：一次端到端任务跑通

配置完成后，在 OpenManus 目录下执行：

python main.py

启动后会出现交互提示，输入一个具体任务，比如：

帮我搜索今天关于开源 Agent 的新闻，整理成三条摘要

正常情况下，你会看到 Agent 开始规划步骤，调用浏览器工具打开页面，抓取内容，最后输出摘要。整个过程在终端里能看到工具调用日志，类似Tool: browser_use这样的输出。如果它成功返回了三条摘要，说明本地模型、Ollama 服务、config.toml 三者全部打通。

下次再启动，conda 用户执行：

conda activate open_manus cd OpenManus python main.py

uv 用户执行：

cd OpenManus source .venv/bin/activate python main.py

想验证模型本身是否正常，可以单独测一下 Ollama 的兼容端点：

curl http://localhost:11434/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{"model":"qwen2.5-coder:14b","messages":[{"role":"user","content":"say hi"}]}'

返回 JSON 里有choices字段就说明端点通。这一步能快速区分是模型服务的问题还是 OpenManus 配置的问题。

7. 本篇常见错误排查

报错model not found：config.toml 里的 model 名和ollama list输出不一致。Ollama 的模型名带标签，比如qwen2.5-coder:14b，少写:14b就会找不到。改完保存再启动。

报错Connection refused：Ollama 服务没起来。执行ollama serve手动启动，或者确认 Ollama 桌面端在运行。端口被占用的话，ollama list也会失败，先解决端口冲突。

Agent 不调用工具，只聊天：模型不支持 function calling。换 qwen2.5-coder 系列或确认你装的模型有工具调用能力。有些小参数模型虽然能对话，但不会触发工具，表现就是一直输出文字不执行动作。

依赖装到一半报编译错误：Python 版本不对。确认python --version是 3.12，conda 环境激活后版本没切过去的话，重新conda create一次。

config.toml 改了没生效：文件名必须是config.toml，不是config.example.toml。有些人直接改 example 文件，程序读的是另一个，自然不生效。

显存不够跑 14b：换 7b 级别的 coder 模型，或者用量化版本。ollama run qwen2.5-coder:7b在 8G 显存上能跑，函数调用能力也够用。

视觉任务报错：[llm.vision]段没配或模型名写错。视觉模型和主模型可以不同，但 base_url 要指向同一个 Ollama 端点。

排查顺序建议从下往上：先 curl 测 Ollama 端点，再确认 config.toml 字段，最后看 OpenManus 启动日志。这样能快速定位是模型层、配置层还是应用层的问题。

8. 后续切换与扩展

本地跑通之后，如果你想对比云端模型的效果，或者本地显卡跑不动 32b，可以在 config.toml 里把base_url换成 TaoToken 的 https://taotoken.net/api ，api_key换成 https://taotoken.net/api-keys 生成的 Key。这样同一套 OpenManus 代码不用改，只换配置就能在本地模型和云端模型之间切换。想先感受一下模型对话效果，可以直接在 https://taotoken.net 的模型对话页面试；如果是长期跑编码类 Agent 任务，Coding Plan 在 https://taotoken.net/coding-plan 有更划算的额度方案。接入细节看 https://taotoken.net/doc ，控制台在 https://taotoken.net/console 。

本地这套环境最大的好处是可复现。把 conda 环境导出成 yaml，或者把 uv 的依赖锁文件存下来，换机器时几分钟就能重建。config.toml 里除了 api_key 之外都可以直接提交到自己的私有仓库，团队里其他人拉下来改个模型名就能跑。Agent 的工具集在app/tool目录下，想加自定义工具直接往里写，注册后重启即可生效。