企业官网建设流程全解析

AgenticSeek 完全本地化部署指南：从零搭建私有 Manus AI 替代品（Docker 与 CLI 双模式实战）

【免费下载链接】agenticSeekFully Local Manus AI. No APIs, No $200 monthly bills. Enjoy an autonomous agent that thinks, browses the web, and code for the sole cost of electricity.项目地址: https://gitcode.com/GitHub_Trending/ag/agenticSeek

导读：本文以 AgenticSeek 官方日文 README（README_JP.md）为主体骨架，结合仓库源码（sources/llm_provider.py、docker-compose.yml、start_services.sh、.env.example 等）展开，系统讲解如何把这一 100% 本地化、支持语音交互的多智能体 AI 助手跑起来。读完你将掌握：.env 与 config.ini 双配置文件每一项的准确含义与取值原则、Ollama/LM Studio/云 API/自建远程服务器四种 LLM 接入方案的完整配置、Docker Web 界面与 CLI 两种运行模式、语音识别唤醒流程，以及 ChromeDriver 版本不匹配等高频故障的排查方法。

AgenticSeek 是一个面向本地推理模型设计的 AI 助手项目：它默认不依赖任何云端 LLM API，所有推理、网页浏览、代码执行、语音处理均在自有硬件上完成，并把文件读写限制在指定的工作区目录内。与 Manus 这类托管式智能体不同，它把控制权、隐私和 API 成本的控制权完全交还给你——你只需付出电费。下文所有路径均以仓库根目录为基准。

一、为什么选择本地化多智能体架构

AgenticSeek 的核心卖点可以用一句项目描述概括："Fully Local Manus AI. No APIs, No $200 monthly bills."（100% 本地化的 Manus AI，无需 API，无需每月 200 美元的订阅费）。它围绕以下能力设计：

• 完全本地与隐私：LLM、网页搜索（SearXNG）、语音识别、文本转语音全部在本机运行，文件、会话、搜索记录不出设备；
• 智能网页浏览：基于 Selenium 的自动化浏览器可以自主搜索、阅读、提取信息、填写表单（见 sources/browser.py 的Browser类）；
• 自主编程助手：可编写、调试并执行 Python、C、Go、Java 等语言程序，对应 sources/tools 目录下的多个解释器实现；
• 智能体路由：查询输入后，系统自动为任务分配合适的 Agent。路由由 sources/router.py 中的AgentRouter完成——它同时运行一个轻量 BART 分类器与本地 LLM 路由器，并对两者的置信度加权投票（router_vote方法），决策过程与结果写入router.log；
• 复杂任务规划：将大型任务拆分为步骤，交由多个 Agent 协作完成；
• 语音支持：CLI 模式下可用语音输入与 TTS 输出（开发中，当前仅支持英文）。

二、准备工作：环境与前置依赖

官方文档明确要求以下软件（对应 README_JP.md 的 "前提条件" 一节）：

Linux 下单独安装 Compose 时请确保是 V2 插件，例如sudo apt-get install docker-compose-plugin；使用 Docker Desktop（Windows/macOS）则自带 Compose V2。

三、第一步部署：克隆仓库与环境变量

3.1 克隆并初始化

git clone https://github.com/Fosowl/agenticSeek.git cd agenticSeek mv .env.example .env

3.2 .env 文件全字段解析

仓库根目录的 .env.example 提供了带注释的完整模板，核心字段如下：

SEARXNG_BASE_URL="http://searxng:8080" # 取决于后端运行位置，详见下文 SEARXNG_PORT=8080 REDIS_BASE_URL="redis://redis:6379/0" WORK_DIR="/Users/mlg/Documents/workspace_for_ai" OLLAMA_PORT="11434" LM_STUDIO_PORT="1234" CUSTOM_ADDITIONAL_LLM_PORT="11435" OPENAI_API_KEY='optional' DEEPSEEK_API_KEY='optional' OPENROUTER_API_KEY='optional' TOGETHER_API_KEY='optional' GOOGLE_API_KEY='optional' ANTHROPIC_API_KEY='optional'

各字段的精确含义（在 .env 中设置，不是config.ini）：

• SEARXNG_PORT：Docker 向宿主机发布SearXNG 的端口。若本机 8080 被占用，可改为如8001。注意：容器内部始终监听 8080，该变量只改宿主机映射；
• SEARXNG_BASE_URL：后端访问 SearXNG 用的地址，取值仅由后端运行位置决定：

浏览器验证 SearXNG 请始终访问宿主机端口http://localhost:<SEARXNG_PORT>；.env只在进程启动时读取，修改后必须重启后端。该配置逻辑在 docker-compose.yml 中得到了印证：searxng 服务端口映射为${SEARXNG_PORT:-8080}:8080，backend 服务注入SEARXNG_BASE_URL=${SEARXNG_BASE_URL:-http://searxng:8080}与REDIS_URL=${REDIS_BASE_URL:-redis://redis:6379/0}。

• REDIS_BASE_URL：保持默认即可，SearXNG 依赖 Redis；
• WORK_DIR：本地工作目录绝对路径，AgenticSeek 只能在该目录内读写文件。在 Docker 模式下该目录被挂载到容器的/opt/workspace（见 docker-compose.yml 第 85 行）；start_services.sh 还会校验它不能等于仓库根目录，且数据量不能超过 20GB；
• OLLAMA_PORT / LM_STUDIO_PORT / CUSTOM_ADDITIONAL_LLM_PORT：分别对应 Ollama、LM Studio、自定义 LLM 服务的端口；
• 各 API Key：全部可选——选择本地推理的用户留空即可，这正是本项目的主要目的。

补充说明：.env.example 还提供了 .env.example 中注释的进阶变量——AGENT_RUNTIME_DIR（运行时数据目录，宿主默认./.agent-data）、BACKEND_PORT（默认 7777）、BACKEND_HOST（默认仅回环 127.0.0.1，因后端/query接口无鉴权且 Agent 会在宿主机执行 shell 命令，官方强烈建议不要暴露到网络）、FRONTEND_ORIGINS（CORS 白名单）与REACT_APP_BACKEND_URL（远程访问 UI 时配置）。

3.3 启动 Docker 并验证

sudo systemctl start docker # Linux；macOS/Windows 直接打开 Docker Desktop docker info # 能打印 Docker 安装信息即运行正常

四、LLM 接入的四种方案与 config.ini 详解

AgenticSeek 的推理后端由项目根目录的config.ini控制（注意：它不是仓库内已提交的文件，需自行创建；.env 管理端口与搜索服务，config.ini 管理 LLM 提供方）。所有配置解析在 sources/llm_provider.py 的Provider类中完成。

4.1 方案一：本机运行本地 LLM（Ollama / LM Studio / OpenAI 兼容本地服务）

硬件门槛：官方 FAQ 指出至少需要能跑 14B 级推理模型的 GPU。模型规模与显存对照见下文"硬件需求"小节。

先启动本地提供方，并确保其监听地址可被访问：

export OLLAMA_HOST=0.0.0.0:11434 # 若在 Docker 内运行后端，必须绑定所有网卡 ollama serve

然后创建 config.ini：

[MAIN] is_local = True provider_name = ollama provider_model = deepseek-r1:14b provider_server_address = 127.0.0.1:11434 agent_name = Jarvis recover_last_session = True save_session = True speak = False listen = False jarvis_personality = False languages = en zh [BROWSER] headless_browser = True stealth_mode = True

三条警告（官方明确强调）：

1. config.ini的 INI 格式不支持注释。上例中的#注释仅用于说明，切勿直接复制粘贴带注释的配置，否则会解析报错，应手工去除注释后填写；
2. 使用 LM Studio 时provider_name不要写成openai，要写lm-studio；
3. 部分提供方（如 lm-studio）要求地址带http://前缀，例如http://127.0.0.1:1234。

本地提供方对照表：

从源码看，sources/llm_provider.py 的ollama_fn在is_local=True时会从provider_server_address中只取端口号，并把主机部分替换为DOCKER_INTERNAL_URL（即http://host.docker.internal）——这正是"后端在 Docker、Ollama 在宿主机"场景能连通的关键，也是下文 Ollama 连接失败故障的根源所在。

4.2 方案二：使用云 API（OpenAI / Google / Deepseek 等）

当本地硬件不足时，可切换到外部云 LLM：

① 获取 API Key并注册服务商；② 设为环境变量：

# Linux/macOS（建议写入 ~/.bashrc、~/.zshrc 以便持久化） export TOGETHER_API_KEY="xxxxxxxxxxxxxxxxxxxxxx" # Windows 临时设置 set PROVIDER_API_KEY=your_api_key_here # PowerShell $env:PROVIDER_API_KEY="your_api_key_here"

③ 修改 config.ini：

[MAIN] is_local = False provider_name = openai # 或 google、deepseek、togetherAI、huggingface provider_model = gpt-3.5-turbo # 或 gemini-1.5-flash、deepseek-chat、mistralai/Mixtral-8x7B-Instruct-v0.1 等 provider_server_address = # is_local = False 时大多数 API 忽略该字段，可留空

警告：config.ini 的值不能带行尾空格。

API 提供方对照表（provider_name与官方文档一致）：

官方文档补充了三条选型建议：

• 复杂的网页浏览与任务规划不建议用gpt-4o等 OpenAI 模型——当前 prompt 面向 Deepseek 这类推理模型优化；
• Gemini 在 coding/bash 任务上可能失败，因为它倾向不遵循为 Deepseek r1 优化的输出格式；
• is_local = False时provider_server_address通常被忽略，API 端点由对应客户端库处理。

需要说明的是，仓库源码 sources/llm_provider.py 的available_providers映射中，除文档列出的提供方外还实现了minimax（MiniMax，.env中可配MINIMAX_API_KEY与MINIMAX_BASE_URL）、anthropic、litellm（LiteLLM 网关）与dsk_deepseek（非官方免费 Deepseek 通道）等，说明该映射持续扩展，README 表格并非穷尽列表。API Key 的读取逻辑在get_api_key中：它按{PROVIDER}_API_KEY的规则从 .env 取环境变量，缺失时抛出明确错误。

4.3 方案三：在自建服务器上运行 LLM（远程 Ollama / OpenAI 兼容服务）

如果你有一台强力的服务器而想在笔记本上使用，官方文档（英文 README 与日文 README 的对应章节）推荐标准 LLM 服务器方案，服务器上无需运行任何 AgenticSeek 专用代码。

先获取服务器 IP：

ip a | grep "inet " | grep -v 127.0.0.1 | awk '{print $2}' | cut -d/ -f1 # 本地 IP curl https://ipinfo.io/ip # 公网 IP

方式 A：远程 Ollama（推荐）。服务器上：

OLLAMA_HOST=0.0.0.0 ollama serve ollama pull deepseek-r1:14b

个人电脑 config.ini 配置：

[MAIN] is_local = False provider_name = ollama provider_model = deepseek-r1:14b provider_server_address = x.x.x.x:11434

注意：此处is_local必须为False——若为True，AgenticSeek 会去本机找 Ollama 而忽略该地址。

方式 B：llama.cpp 或任意 OpenAI 兼容服务。服务器上启动：

llama-server -m your-model.gguf --host 0.0.0.0 --port 8080

个人电脑端使用lm-studio提供方（它走裸的 OpenAI 兼容/v1/chat/completions接口、无需 API Key）：

[MAIN] is_local = False provider_name = lm-studio provider_model = your-model provider_server_address = http://x.x.x.x:8080

遗留方案（已弃用）：早期版本曾随仓库附带一个基于 Flask 的专用封装服务 llm_server/app.py，对应provider_name = server，通过/setup、/generate、/get_updated_sentence三个路由与客户端轮询交互（对应 sources/llm_provider.py 的server_fn）。官方文档已将其标记为deprecated：它一次只能处理一个请求、不支持流式输出、无认证，标准服务器方案完全覆盖其功能，仅出于兼容保留，未来可能移除。新部署请使用方式 A/B。

4.4 config.ini 全参数速查手册

官方"配置"章节的完整参数说明如下，配合源码可进一步理解其作用位置：

[MAIN] 段

[BROWSER] 段

4.5 硬件需求速查（官方 FAQ）

五、启动服务并运行：Web 界面与 CLI 双模式

默认情况下 AgenticSeek 完全运行在 Docker 中。

5.1 方案一：Docker + Web 界面

./start_services.sh full # macOS/Linux；Windows 用 start start_services.cmd full

full会启动 docker-compose.yml 中的所有服务：searxng、redis（searxng 依赖）、frontend、backend。该文件为每个服务定义了 Compose profiles：core（redis+searxng+frontend）与full（core+backend），start_services.sh正是通过--profile full up/--profile core up区分两种部署。

官方警告：首次运行需下载并加载全部 Docker 镜像，最长可达 30 分钟；后端服务首次启动可能需要 5 分钟。请务必等到日志中出现backend: "GET /health HTTP/1.1" 200 OK再发送消息（start_services.sh 会等待 backend 容器进入 Running 且非 Restarting 状态，最多轮询 30 秒）。就绪后访问http://localhost:3000/即可使用 Web 界面。

5.2 方案二：CLI 模式

先在宿主机安装依赖并修正 .env：

./install.sh # Windows 用 ./install.bat # 将 .env 中的 SEARXNG_BASE_URL 改为宿主机映射地址（改 .env，不是 config.ini） SEARXNG_BASE_URL="http://localhost:8080"

然后启动核心服务（不含 backend）：

./start_services.sh # macOS/Linux；Windows 用 start start_services.cmd

确保 uv 已启用 pip，并启动 CLI：

uv run python -m ensurepip uv run cli.py

5.3 使用示例与提示词技巧

官方给出的可复现实例（注意文件一律落在 WORK_DIR 内）：

• 用 Python 写一个贪吃蛇游戏！
• 在网上搜索法国雷恩最好的咖啡馆，把三家及地址保存到 rennes_cafes.txt
• 写一个计算阶乘的 Go 程序，保存为 workspace 中的 factorial.go
• 在 summer_pictures 文件夹中查找所有 JPG 文件，用今天的日期重命名，并把重命名清单保存到 photos_list.txt
• 搜索 2024 年热门科幻电影，挑三部今晚观看，保存到 movie_night.txt
• 搜索 2025 年最新 AI 新闻，选三篇，写一个 Python 脚本抓取标题和摘要，脚本存为 news_scraper.py，摘要存到 /home/projects 下的 ai_news.txt
• Friday，搜索免费的股票价格 API，用 supersuper7434567@gmail.com 注册，然后写 Python 脚本获取特斯拉每日股价，保存到 stock_prices.csv

几点官方提醒：

• 表单填写能力仍属实验性，可能失败；
• 输入查询后，AgenticSeek 会自动分配最佳 Agent。但这是早期原型，路由系统不一定总能选对 Agent，因此表达必须非常明确。想触发网页搜索，不要说"你知道哪些适合独自旅行的国家吗？"，而要说"执行一次网页搜索，找出最适合独自旅行的国家"；
• 退出：对 CLI 说/输入goodbye。

六、语音识别：让 Agent 听见你

语音识别当前仅支持 CLI 模式、且仅支持英文，默认关闭。启用方式：

listen = True

交互流程为：listen = True后，系统持续监听唤醒词（即 agent_name），例如：

agent_name = Friday

官方建议用 "John"、"Emma" 等常见英文名作为 agent_name 以获得最佳识别率。使用步骤：看到转写开始出现 → 大声喊出 Agent 名字（如 "Friday"）唤醒 → 清晰说出查询 → 以确认短语结尾让系统继续执行，例如："do it"、"go ahead"、"execute"、"run"、"start"、"thanks"、"would ya"、"please"、"okay?"、"proceed"、"continue"、"go on"、"do that"、"do you understand?"。

仓库中 sources/speech_to_text.py 与 sources/text_to_speech.py 即语音链路的实现模块；speak = True时启用 TTS 输出，音色语言取languages列表第一个。

七、常见故障排查（Known Issues）

7.1 ChromeDriver 版本不匹配

报错示例：SessionNotCreatedException: Message: session not created: This version of ChromeDriver only supports Chrome version XXX或Exception: Failed to initialize browser: ... Current browser version is 134.0.6998.89 with binary path。

根因：ChromeDriver 与 Chrome 浏览器大版本不一致；Docker 环境下undetected_chromedriver可能自行下载自己的 ChromeDriver 版本，绕过挂载的二进制。

解决步骤：

1. 打开 Chrome → 设置 → 关于 Chrome，记录版本号（如 134.0.6998.88）；
2. Chrome 115+ 使用Chrome for Testing API下载与浏览器版本匹配的 ChromeDriver（Docker 环境选 Linux64）；更老的版本用遗留的 ChromeDriver 下载页；
3. 安装（二选一）：
   • 方法 A（Docker 推荐）：把下载的 chromedriver 放到项目根目录：

     cp path/to/downloaded/chromedriver ./chromedriver chmod +x ./chromedriver

   • 方法 B（系统 PATH）：sudo mv chromedriver /usr/local/bin/后sudo chmod +x /usr/local/bin/chromedriver（Windows 放 PATH 目录）；
4. 验证：./chromedriver --version应输出对应版本。

Docker 专属提示：卷挂载方式在 stealth 模式（undetected_chromedriver）下可能失效，务必把二进制放在项目根目录./chromedriver；应用会自动检测并使用它，日志中应出现"Using ChromeDriver from project root: ./chromedriver"。这一逻辑在 sources/browser.py 的install_chromedriver中完全可见：它依次尝试项目根目录./chromedriver→ 系统 PATH → Docker 固定路径/usr/local/bin/chromedriver→chromedriver_autoinstaller自动安装，并对每个候选二进制用is_chromedriver_compatible比对主版本号。

版本兼容矩阵（文档给出的参考）：

要点：优先精确匹配；版本 134.0.6998.88 可用最近的 134.0.6998.165；主版本号必须一致（134=134）。

7.2 Docker 后端连不上宿主机 Ollama

报错示例：An error occurred: Provider ollama failed: Ollama connection failed at http://host.docker.internal:11434. Check if the server is running.前端显示Error: Unable to get a response.，后端/query返回 HTTP 500。

根因：后端在 Docker 中通过host.docker.internal访问宿主机 Ollama，且 Docker 模式下只取provider_server_address的端口、主机部分被替换为DOCKER_INTERNAL_URL（见 sources/llm_provider.py 的ollama_fn与 docker-compose.yml 中DOCKER_INTERNAL_URL=http://host.docker.internal）。失败往往不是配置拼写问题，而是宿主机 Ollama 只绑定127.0.0.1:11434，拒绝了来自 Docker 网桥的连接。

不要改provider_server_address = 127.0.0.1:11434（容器内主机部分会被忽略）。正确解法是让 Ollama 监听所有网卡：

# 临时验证 OLLAMA_HOST=0.0.0.0:11434 ollama serve

持久化方案：Linux systemd：sudo systemctl edit ollama加入[Service]下Environment="OLLAMA_HOST=0.0.0.0:11434"，然后sudo systemctl daemon-reload && sudo systemctl restart ollama；macOS（Ollama.app）：launchctl setenv OLLAMA_HOST "0.0.0.0:11434"后退出并重启应用。

验证：从后端容器内执行docker compose exec backend curl -sS http://host.docker.internal:11434/api/tags，应返回模型 JSON 列表。

Linux 注意事项：host.docker.internal只有在 docker-compose 中配置了extra_hosts: - "host.docker.internal:host-gateway"才能在容器内解析（docker-compose.yml 已包含该配置）；Docker Desktop（macOS/Windows）开箱即用。若启用了 ufw/firewalld，还需放行 Docker 网桥到 11434：sudo ufw allow from 172.16.0.0/12 to any port 11434。

7.3 LM Studio 连接适配器错误

报错示例：Exception: Provider lm-studio failed: HTTP request failed: No connection adapters were found for '127.0.0.1:1234/v1/chat/completions'（端口可能不同）。

根因与解决：provider_server_address缺少http://前缀或端口错误。LM Studio 默认地址为http://127.0.0.1:1234，正确配置应为：

provider_server_address = http://127.0.0.1:1234

7.4 SearXNG Base URL 未提供

报错示例：

raise ValueError("SearxNG base URL must be provided either as an argument or via the SEARXNG_BASE_URL environment variable.") ValueError: SearxNG base URL must be provided either as an argument or via the SEARXNG_BASE_URL environment variable.

通常是在 CLI 模式下使用了错误的 searxng 地址。SEARXNG_BASE_URL在.env中设置，取值只取决于后端运行位置（参见 3.2 节表格）。端口冲突场景速查：

• 宿主机 8080 被占用时，在.env设SEARXNG_PORT（如 8001）；
• Web 界面（后端在 Docker）：SEARXNG_BASE_URL="http://searxng:8080"保持不变——容器内部端口不变；
• CLI 模式（后端在宿主机）：SEARXNG_BASE_URL="http://localhost:8001"——必须与SEARXNG_PORT一致；
• 浏览器检查：访问http://localhost:<SEARXNG_PORT>；如果旧的 8080 端口有响应，那是别的应用，不是 AgenticSeek 的 SearXNG；
• 修改.env后必须重启后端（api.py或cli.py），因为该文件只在进程启动时读取。

八、FAQ 精选与安全边界

Q: 遇到错误怎么办？检查本地推理服务是否运行（ollama serve）、config.ini 是否与提供方匹配、依赖是否安装齐全；仍无法解决可到仓库提交 issue。

Q: 真的能 100% 本地运行吗？可以。使用 ollama、lm-studio 或 server 提供方时，语音识别、LLM、文本转语音全部在本地执行；OpenAI 等非本地 API 只是可选方案。

Q: 有了 Manus 为什么还要用 AgenticSeek？与 Manus 不同，AgenticSeek 优先强调对外部系统的独立性，给你更多控制权、隐私保护，并省去 API 成本。

Q: 谁在维护这个项目？项目由作者与两位共同维护者及 GitHub 开源社区贡献者运营，属于兴趣驱动的开源项目，并非创业公司。

安全边界提醒：后端/query接口无鉴权、Agent 会执行 shell 命令，因此 docker-compose.yml 将 backend 端口仅发布到宿主机回环地址127.0.0.1:${BACKEND_PORT:-7777}，并默认BACKEND_HOST=127.0.0.1；只有在你完全信任的网络中、且置于带认证的反向代理或防火墙之后，才应考虑对外暴露。

九、延伸阅读

• 中文部署文档：README_CHS.md；繁体中文：README_CHT.md；英文原版：README.md
• 前端实现（React）：frontend/agentic-seek-front/src/App.js
• 多 Agent 实现：sources/agents/agent.py 及各专用 Agent 源码（sources/agents/browser_agent.py、sources/agents/code_agent.py 等）
• 工具层：sources/tools/tools.py（工作区路径校验、safe_mode等）与各解释器（sources/tools/PyInterpreter.py 等）
• 测试用例（可用于验证行为）：tests/test_provider.py、tests/test_workspace.py、tests/test_browser_agent_parsing.py

【免费下载链接】agenticSeekFully Local Manus AI. No APIs, No $200 monthly bills. Enjoy an autonomous agent that thinks, browses the web, and code for the sole cost of electricity.项目地址: https://gitcode.com/GitHub_Trending/ag/agenticSeek