Manifold
用多名 AI 专家持续执行长周期、多步骤自动化工作流。
- Star 数
- ★ 504
- 最近更新
- 1 个月前
- License
- MIT
- 主语言
- Go
- FA 评分
- 55/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台OpenAI API · Claude API
- 费用
- 免费,无需付费服务
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 需要让多名专业代理在数小时内协作完成多步骤目标的自动化团队。
- 不适合
- 需要生产级强稳定性保证的团队
- 不愿自行部署和配置模型端点的用户
- 官网
- intelligence.dev ↗ 来自 GitHub 仓库设置
- 维护状态
- 近 30 天有提交最近提交 2026-10-22最新版本 2026.05.14(2026-05-14)
- 源码审查
- 55/100 · 缺口较多
这个 Agent 能做什么,适合哪些场景?
Manifold 是一个实验性的长周期工作流自动化平台,让多个可配置的 AI 专家围绕复杂目标持续协作。它提供聊天界面、可视化工作流编辑器、专家注册表、项目工作区、定时任务 Pulse,以及提示词、数据集和实验工具。平台可调用 OpenAI、Google、Anthropic 模型,也能通过 OpenAI 兼容 API 连接由 llama.cpp 或 vLLM 托管的开放权重模型。工作流能够使用内置工具和 MCP 工具,已保存的工作流还能作为工具或其他工作流的节点复用。推荐部署边界是通过 Docker Compose 运行自托管服务并在浏览器中访问;本地主机版本也可使用 SQLite、FTS5、Vec1 和进程内遥测。项目明确标为实验性,不适合未经额外验证便用于要求强稳定性保证的生产环境。
用户先在 Specialist registry 中定义和配置 AI 专家,并把项目配置为相互隔离的工作区;代理会从项目的 skills/ 目录加载技能,也可通过专用技能工具发现 $HOME/.manifold/skills 和 $HOME/.agents/skills 中的通用只读技能。目标可以通过 Agent chat 交给专家,专家能够跨多轮协作,并输出文本或配置好的可视化结果。Workflow editor 将 MCP 工具自动暴露为节点;用户可以连接节点、保存流程,并将保存的工作流再次作为工具调用或嵌入其他流程。Pulse 按时间间隔、每日计划或指定日期时间运行专家任务,并可把结果发送到 Matrix;其他发送渠道可由 Skills 或 MCP 扩展。平台还调用 OpenAI、Google、Anthropic 或 OpenAI 兼容模型,并支持 OpenAI、Google 及通过自定义 ComfyUI MCP 客户端进行的本地图像生成。提示词、数据集和实验 playground 用于创建、迭代、版本化提示词并运行实验;本地遥测可提供有界的指标、日志和追踪。
- 需要让多名专业代理在数小时内协作完成多步骤目标的自动化团队。
- 希望通过可视化节点编排 MCP 工具,并把子工作流复用为工具的流程设计者。
- 需要定时运行专家任务并将结果发送到 Matrix 的运维或研究团队。
- 希望在同一平台比较提示词版本、数据集实验和代理行为的 AI 应用开发者。
- 需要在远程商业模型与 llama.cpp 或 vLLM 自托管模型之间选择的团队。
- 希望为不同客户或课题建立独立根目录和项目技能的多项目使用者。
安装与配置要点
摘自下方的安装和使用说明,以项目 README 的最新说明为准。
- 安装 / 启动命令
docker compose up -d manifold
- 端口
32180- 环境变量
OPENAI_API_KEY- 配置文件
.envconfig.yaml- 运行环境
- Node.js 22 · Go 1.26.3
- 安装说明涉及
- Docker
如何安装或部署这个 Agent?
基础本地部署需要支持 Docker Compose 的 Docker、一个 LLM API 密钥或可访问的 OpenAI 兼容端点,以及一个可写的绝对路径作为 WORKDIR。复制示例配置后,在 .env 中至少设置 OPENAI_API_KEY 和 WORKDIR,再启动服务:
cp example.env .env
cp config.yaml.example config.yaml
# Edit .env and set at minimum:
# OPENAI_API_KEY=...
# WORKDIR=/absolute/path/to/your/manifold-workdir
docker compose up -d manifold启动后访问 http://localhost:32180。只有在 Docker 外开发前端或构建本地二进制时,才需要 Node 22、pnpm 和 Go 1.26.3;从主机构建并使用浏览器驱动工具时还需要 Chrome 或兼容 Chromium 的浏览器。
如何使用这个 Agent?
启动服务后,在浏览器打开以下地址:
http://localhost:32180在 Specialist registry 中定义专家,在 Projects 中为代理配置隔离工作区,然后通过 Agent chat 分配目标。需要确定性流程时,可在 Workflow editor 中组合自动暴露的 MCP 工具节点并保存工作流;保存后的工作流可由专家调用,也可嵌入其他工作流。需要周期执行时,在 Pulse 中选择时间间隔、每日或一次性日期时间计划,并配置 Matrix 或由 Skills、MCP 提供的其他输出渠道。若使用本地主机二进制和 SQLite 配置,可在启动前检查存储:
./dist/manifold storage doctor --json标准主机构建命令为:
make build-manifold需要启用 beta UI 链接时,可使用任一命令:
make build-manifold-beta
make build-manifold FEATURE_GATE=beta这个 Agent 有哪些优点和局限?
- 同时支持 OpenAI、Google、Anthropic 和 OpenAI 兼容端点,可接入 llama.cpp 或 vLLM 托管的开放权重模型。
- MCP 工具会自动成为可视化工作流节点,保存的工作流还能继续作为工具或嵌套节点复用。
- 将专家注册、隔离项目、聊天协作、定时执行、图像生成和提示词实验整合在同一自托管界面中。
- 本地主机模式可使用 SQLite、FTS5、Vec1 和进程内遥测,无需外部数据库或遥测服务。
- 项目明确处于实验阶段,不承诺生产环境所需的强稳定性。
- 首次部署需要准备 Docker Compose、配置文件、可写的
WORKDIR和模型凭据或兼容端点。 - 本地源码构建增加了 Node 22、
pnpm、Go 1.26.3 等工具链要求。 - 可观测性仍标为开发中,严格的工作流约束、工具错误恢复和安全压缩模式也仍需运行时配置。
这个 Agent 与同类方案有什么区别?
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| Manifold 当前 | 55 · 缺口较多 | 自托管服务免费 | ★ 504 | 1 个月前 | Go | OpenAI API · Claude API |
| Keinsaas Navigator | 72 · 存在缺口 | 自托管服务免费 + 模型费 | ★ 1.2k | 14 天前 | TypeScript | OpenAI API · Claude API |
| Agentspan | 60 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 498 | 1 个月前 | TypeScript | OpenAI API · Claude API |
| Agent Swarm | 62 · 存在缺口 | Agent 插件 / 技能免费 + 模型费 | ★ 1.1k | 今天 | TypeScript | Codex · Claude Code |
FollowAgents 如何评估这个 Agent?
查看各维度的扣分理由
README说明项目隔离、可逐项启用MCP工具;API技能要求对配置修改和删除先询问,并要求脱敏密钥;认证文档说明httpOnly会话及生产环境HTTPS设置。这些措施支持一般使用,但样本未展示全面权限模型、数据保留或撤销与恢复流程,TTS服务默认还会从HF下载模型。依赖清单没有安全审计证据,发布包中的第三方声明文件由工作流创建为空文件,因此依赖安全与来源归属只获有限分数。
README明确称项目为实验性且不适合需要强稳定保障的生产环境,观测能力也标为进行中。CI文件列出格式、静态检查和测试步骤,但本次静态审查不能证明其实际运行结果;且多处文件目标或版本线索不完全一致,例如API技能的默认URL写作http:/localhost,README写作http://localhost。技能代码对未知语音返回400等错误有明确处理,故失败反馈相对充分。
README覆盖聊天、图像生成、定时任务、工作流和项目等场景,并说明多家模型提供方、兼容API及本地部署选项。工作流技能明确限定其格式与验证步骤,API技能限定用途并提供操作边界;但样本对不同用户群体、部署条件和各功能成熟度的说明仍不完整。
README提供功能结构、Docker快速启动和开发构建信息,认证文档含多提供方配置示例,并主动披露实验性、观测进行中及GitHub邮箱映射限制。MIT许可证文本完整。扣分原因是安装文档分散且部分只链接到未提供的文件,版本变更记录和明确维护负责人或更新渠道在样本中未见;Go规范文件是贡献指导而非产品运行说明,且与CLAUDE.md重复。
产品提供多助手长流程、工作流编辑器、计划任务和MCP集成,具有明确的自动化用途,工作流技能给出可操作的文档结构和验证流程。扣分原因是收益与资源消耗没有量化,长时间运行及模型调用的成本、边界和人工监督策略在样本中未充分交代。
README、技能、认证文档和源码对若干能力及配置方式提供可追踪的具体描述,技能测试文件也呈现了接口行为的示例。扣分原因是样本有限,许多README功能主张没有对应实现文件或独立来源交叉佐证;CI配置只是测试计划证据,不能当作已执行结果。文档区分了实验性功能、进行中功能和配置事实,推断空间相对受控。
- 项目自述为实验性平台;不要仅凭CI配置推断本版本测试已通过或具备生产级稳定性。
- API技能默认地址写作http:/localhost:32180,可能导致请求地址无效;部署前应核对配置。
- 发布工作流会创建空的THIRD_PARTY_NOTICES.txt,样本未展示依赖安全审计或完整第三方归属信息。
- TTS服务默认允许自动下载模型;部署前应确认网络访问及模型来源符合环境要求。
最近版本
来自该项目 GitHub Releases 的最新发布记录,说明为上游原文摘录,未经本站改写或测试。
-
发布说明摘录
What's Changed * Adds Pulse tasks view by @Art9681 in https://github.com/intelligencedev/manifold/pull/166 Full Changelog: https://github.com/intelligencedev/manifold/compare/2026.05.8...2026.05.14在 GitHub 查看 ↗ -
发布说明摘录
Release for master merge PR #165. What's Changed * Improves rolling summary, faster generation when local provider used by @Art9681 in https://github.com/intelligencedev/manifold/pull/165 Full Changelog: https://github.com/intelligencedev/manifold/compare/2026.05.6.2...2026.05.8在 GitHub 查看 ↗ -
发布说明摘录
Release Summary This release ships the fix from PR #164: local provider tokenizer and summary flow corrections for self-hosted OpenAI-compatible backends. Highlights - Fixed the plain-text summary reducer so it uses the effective summary prompt budget instead of over-splitting work into many small serial summary calls. - Added a per-call summary timeout with a safe fallback that preserves prior summary state if the summary model stalls. - Stopped self-hosted chat completions from falling back to extra /tokenize requests when the provider already returns usage metrics. …在 GitHub 查看 ↗
常见问题
必须购买商业模型 API 才能使用吗?
是否需要部署外部数据库和遥测系统?
不同项目的文件是否隔离?
skills/ 目录,通用技能则从两个用户目录中以只读方式发现。定时任务可以把结果发送到哪里?
适合直接部署到关键生产系统吗?
Manifold 用哪个端口?
Manifold 官网是什么?
Manifold 免费吗?
Manifold 开源吗?
Manifold 安全吗?
Manifold 还在维护吗?
Manifold 是谁开发的?
谢谢反馈,我们会据此改进页面。