1. 从 Manus 说起为什么我开始找国产替代Manus 年初那波热度确实猛一句话就能让 AI 自己开浏览器、写代码、跑任务很多人第一次感受到智能体不是概念而是能干活的工具。但问题也来得快国内访问不稳定、账号门槛高、任务排队久想把它接进自己的 Python 项目里做二次开发基本没有顺畅的路径。我身边不少做自动化和数据分析的朋友折腾一圈后都回到同一个诉求——要一个能在本地 Python 环境里跑、能调 LLM、能执行代码、还能私有化部署的国产智能体框架。AiPy爱派就是在这个背景下进入视野的。它由知道创宇团队打造核心思路很直接把 LLM 的规划能力和 Python 的执行能力绑在一起。你给它一句自然语言任务它负责拆解步骤、生成 Python 代码、在本机执行、根据结果继续下一步最后把产物文件、报告、网页、小游戏交给你。对开发者来说它不只是一个聊天窗口而是一个可以被 Python 调用的任务执行引擎。这篇文章面向三类人一是想从 Manus 迁移到可控方案的开发者二是需要在 Python 项目里嵌入智能体能力的工程师三是想快速验证LLM 代码执行到底能落地到什么程度的技术负责人。下面我会给出可复制的配置骨架、Python 调用示例以及验证任务执行效果的完整步骤。模型接入部分我用 TaoToken 做统一入口这样切换模型和排查问题都更省事。2. TaoToken 前置给 AiPy 一个稳定的模型入口AiPy 本身是执行框架真正干思考这步的还是背后的大模型。它支持自定义模型接入只要提供兼容 OpenAI 协议的 base_url 和 API Key 就能用。这里我推荐用 TaoToken 作为模型网关原因是它把多家模型的调用统一成一套接口AiPy 里换模型只需要改一个模型名不用动代码结构。TaoToken 的定位是 AI 模型 API 聚合与分发平台兼容 OpenAI 的/v1/chat/completions协议所以任何支持自定义 base_url 的工具都能直接接。对 AiPy 这种需要频繁调用模型做任务规划的框架来说稳定性和协议兼容性比什么都重要。你需要先拿到两样东西API Key在控制台的 API Keys 页面创建格式通常是sk-开头的一串字符。Base URLhttps://taotoken.net/api注意这个地址后面拼接/v1才是完整的 OpenAI 兼容端点。创建 Key 的入口在这里控制台 API Keyshttps://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm如果你还没决定用哪个模型可以先去模型对话页面实测一下响应速度和指令遵循能力再决定 AiPy 里默认挂哪个模型对话体验https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm接入文档里有完整的参数说明和错误码对照排障时会用到接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm这里要提醒一句AiPy 的任务规划会连续调用模型多次拆解、写码、纠错、总结所以 Key 的额度和并发要留够。如果你打算长期跑编码类或 Agent 类任务Coding Plan 的套餐在成本上更划算Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm3. 可复制配置AiPy 骨架 Python 调用示例这一节是全文的核心我把它拆成三块环境准备、AiPy 的模型配置、以及用 Python 直接调用 TaoToken 做任务规划的代码骨架。你可以按顺序跟做。3.1 环境准备AiPy 提供桌面客户端也支持在 Python 环境里以库的方式集成。我这边用 Python 3.10 做演示先建一个干净的虚拟环境避免依赖冲突python -m venv aipy-env source aipy-env/bin/activate # Windows 用 aipy-env\Scripts\activate pip install --upgrade pip pip install openai python-dotenvopenai库用来验证 TaoToken 的连通性python-dotenv用来管理 Key避免把密钥硬编码进代码。桌面版 AiPy 可以直接从官网下载安装包安装后在设置里填模型信息即可适合不想碰命令行的用户。3.2 配置模型接入在项目根目录建一个.env文件把 TaoToken 的信息写进去TAOTOKEN_API_KEYsk-你的密钥 TAOTOKEN_BASE_URLhttps://taotoken.net/api/v1 TAOTOKEN_MODEL你的模型名然后在 AiPy 的模型设置里选择自定义模型 / OpenAI 兼容填入配置项填写值说明接口地址https://taotoken.net/api/v1注意结尾的/v1API Keysk-开头的密钥从控制台创建模型名称与.env中一致按需切换协议类型OpenAI 兼容AiPy 默认支持这里有个容易踩的坑很多人只填https://taotoken.net/api少了/v1结果请求 404。完整端点一定是https://taotoken.net/api/v1/chat/completions。3.3 Python 调用骨架下面这段代码是我实测可用的最小骨架作用是让模型把一个自然语言任务拆解成可执行的 Python 步骤。你可以把它当成 AiPy 任务规划环节的替身先跑通再往框架里嵌import os import json from dotenv import load_dotenv from openai import OpenAI load_dotenv() client OpenAI( api_keyos.getenv(TAOTOKEN_API_KEY), base_urlos.getenv(TAOTOKEN_BASE_URL), ) SYSTEM_PROMPT 你是一个任务规划智能体。 用户会给你一个自然语言任务你需要 1. 把任务拆解成有序的 Python 可执行步骤 2. 每一步说明输入、输出和依赖 3. 以 JSON 数组返回每项包含 step、action、code_hint 三个字段。 只返回 JSON不要额外解释。 def plan_task(user_task: str) - list: resp client.chat.completions.create( modelos.getenv(TAOTOKEN_MODEL), messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_task}, ], temperature0.2, ) content resp.choices[0].message.content.strip() # 容错去掉可能的 markdown 代码块包裹 if content.startswith(): content content.split()[1] if content.startswith(json): content content[4:] return json.loads(content) if __name__ __main__: task 读取本地 sales.csv按月份汇总销售额输出一张柱状图并保存为 report.png steps plan_task(task) for s in steps: print(f[{s[step]}] {s[action]}) print(f 代码提示: {s[code_hint]})这段代码的关键点有三个base_url必须带/v1temperature调低到 0.2 让规划更稳定对返回内容做 markdown 代码块剥离因为模型有时会习惯性加 json 包裹。跑通这一步你就有了一个能用的任务规划器AiPy 内部做的也是类似的事只是它还多了代码执行和结果回传的闭环。4. 验证请求确认智能体真的在执行任务配置写完不代表能用得验证。我分两层验证先验证模型通道再验证任务执行闭环。4.1 验证模型通道先用最简请求确认 TaoToken 通不通from openai import OpenAI import os from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(TAOTOKEN_API_KEY), base_urlos.getenv(TAOTOKEN_BASE_URL), ) resp client.chat.completions.create( modelos.getenv(TAOTOKEN_MODEL), messages[{role: user, content: 只回复两个字通了}], ) print(resp.choices[0].message.content)如果输出通了说明 Key、base_url、模型名三者都对。如果报 401检查 Key 是否复制完整报 404检查/v1报模型不存在检查模型名拼写。4.2 验证任务执行闭环接着跑第 3.3 节的plan_task输入一个真实任务。我实测下来一个描述清晰的 CSV 汇总任务模型会返回类似这样的规划[ {step: 1, action: 读取 sales.csv 并检查列名, code_hint: pd.read_csv(sales.csv)}, {step: 2, action: 按月份分组汇总销售额, code_hint: df.groupby(month)[amount].sum()}, {step: 3, action: 绘制柱状图并保存, code_hint: plt.bar(...); plt.savefig(report.png)} ]拿到这个规划后你可以把code_hint交给 AiPy 执行或者自己拼成脚本跑。判断智能体是否真的在执行而不是在编看两点一是步骤里有没有具体的文件名、列名、函数名二是执行后有没有真实产物report.png是否生成、大小是否合理。如果模型只给泛泛的分析数据而没有具体代码提示说明提示词还不够约束把 SYSTEM_PROMPT 里的字段要求写得更死即可。4.3 对比 Manus 的典型场景我把几个常见场景在 AiPy 上的表现做了对照方便你判断迁移成本场景Manus 体验AiPy TaoToken 体验网页操作自动化依赖云端浏览器排队明显本地模拟响应快可调试数据分析报告结果不可控难复现Python 代码可留存、可复跑私有化部署不支持支持数据不出内网模型切换固定改一个模型名即可二次开发几乎无接口Python 直接调用这个对比不是说 AiPy 全面碾压而是说在可控、可复现、可集成这三个维度上本地 Python 方案对开发者更友好。5. 本篇常见错排查这一节把我踩过的坑集中列出来基本都是配置和调用层面的问题按顺序排查能解决九成故障。报错一Error code: 404 - Not Found九成是 base_url 少了/v1。正确写法是https://taotoken.net/api/v1。如果你用的是 AiPy 桌面版检查设置里接口地址那一栏有没有被自动补全成别的路径。报错二Error code: 401 - UnauthorizedKey 无效或没读到。先确认.env文件在项目根目录且load_dotenv()在OpenAI()之前调用再确认 Key 没有多余空格或换行。如果 Key 是从网页复制的注意别把前后的引号也带进去。报错三model not found模型名和 TaoToken 后台的不一致。去模型对话页面确认当前可用模型名复制粘贴到.env不要手打。报错四返回内容不是合法 JSONjson.loads报错模型偶尔会加解释文字或 markdown 包裹。两个办法一是把temperature降到 0.1二是在解析前做正则提取只取第一个[到最后一个]之间的内容。我在 3.3 节代码里已经做了代码块剥离如果还报错加一层正则兜底。报错五任务规划很泛没有可执行代码提示词约束不够。把 SYSTEM_PROMPT 里的code_hint要求写具体比如必须包含至少一个 Python 函数名或库调用。另外任务描述本身要带上下文比如读取 sales.csv比分析销售数据效果好得多。报错六连续调用被限流AiPy 一个任务会连续调模型多次免费额度或低并发套餐容易触发限流。解决办法是升级到 Coding Plan或者在代码里加指数退避重试import time from openai import RateLimitError def call_with_retry(fn, max_retry5): for i in range(max_retry): try: return fn() except RateLimitError: wait 2 ** i print(f限流{wait}s 后重试) time.sleep(wait) raise RuntimeError(重试次数用尽)报错七执行产物找不到AiPy 执行代码时的工作目录可能和你预期的不一样。在代码里用绝对路径或者在任务描述里明确保存到当前目录。跑完先ls一下确认文件真的生成了。6. 把智能体接进你的工作流配置跑通之后真正有价值的是把它嵌进日常流程。我自己的做法是把plan_task封装成一个命令行工具输入任务描述就输出规划 JSON再配合一个执行器把code_hint跑起来。这样从一句话到一个产物的链路就完整了。如果你要长期跑编码类或 Agent 类任务建议直接上 Coding Plan额度和并发都更稳Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm需要新建或管理 Key 的时候走控制台API Keyshttps://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm参数细节和错误码对照看接入文档接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm最后分享一个实用技巧把每次任务的规划 JSON 和执行结果落库存起来跑一段时间后你会发现哪些任务类型规划稳定、哪些容易翻车。这份数据比任何评测都真实也是你调优提示词的依据。智能体落地从来不是一次配置的事而是持续迭代的过程。 国产最强智能体实战：用 AiPy + Python 打造可落地的 LLM 应用，完美替代 Manus
1. 从 Manus 说起为什么我开始找国产替代Manus 年初那波热度确实猛一句话就能让 AI 自己开浏览器、写代码、跑任务很多人第一次感受到智能体不是概念而是能干活的工具。但问题也来得快国内访问不稳定、账号门槛高、任务排队久想把它接进自己的 Python 项目里做二次开发基本没有顺畅的路径。我身边不少做自动化和数据分析的朋友折腾一圈后都回到同一个诉求——要一个能在本地 Python 环境里跑、能调 LLM、能执行代码、还能私有化部署的国产智能体框架。AiPy爱派就是在这个背景下进入视野的。它由知道创宇团队打造核心思路很直接把 LLM 的规划能力和 Python 的执行能力绑在一起。你给它一句自然语言任务它负责拆解步骤、生成 Python 代码、在本机执行、根据结果继续下一步最后把产物文件、报告、网页、小游戏交给你。对开发者来说它不只是一个聊天窗口而是一个可以被 Python 调用的任务执行引擎。这篇文章面向三类人一是想从 Manus 迁移到可控方案的开发者二是需要在 Python 项目里嵌入智能体能力的工程师三是想快速验证LLM 代码执行到底能落地到什么程度的技术负责人。下面我会给出可复制的配置骨架、Python 调用示例以及验证任务执行效果的完整步骤。模型接入部分我用 TaoToken 做统一入口这样切换模型和排查问题都更省事。2. TaoToken 前置给 AiPy 一个稳定的模型入口AiPy 本身是执行框架真正干思考这步的还是背后的大模型。它支持自定义模型接入只要提供兼容 OpenAI 协议的 base_url 和 API Key 就能用。这里我推荐用 TaoToken 作为模型网关原因是它把多家模型的调用统一成一套接口AiPy 里换模型只需要改一个模型名不用动代码结构。TaoToken 的定位是 AI 模型 API 聚合与分发平台兼容 OpenAI 的/v1/chat/completions协议所以任何支持自定义 base_url 的工具都能直接接。对 AiPy 这种需要频繁调用模型做任务规划的框架来说稳定性和协议兼容性比什么都重要。你需要先拿到两样东西API Key在控制台的 API Keys 页面创建格式通常是sk-开头的一串字符。Base URLhttps://taotoken.net/api注意这个地址后面拼接/v1才是完整的 OpenAI 兼容端点。创建 Key 的入口在这里控制台 API Keyshttps://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm如果你还没决定用哪个模型可以先去模型对话页面实测一下响应速度和指令遵循能力再决定 AiPy 里默认挂哪个模型对话体验https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm接入文档里有完整的参数说明和错误码对照排障时会用到接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm这里要提醒一句AiPy 的任务规划会连续调用模型多次拆解、写码、纠错、总结所以 Key 的额度和并发要留够。如果你打算长期跑编码类或 Agent 类任务Coding Plan 的套餐在成本上更划算Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm3. 可复制配置AiPy 骨架 Python 调用示例这一节是全文的核心我把它拆成三块环境准备、AiPy 的模型配置、以及用 Python 直接调用 TaoToken 做任务规划的代码骨架。你可以按顺序跟做。3.1 环境准备AiPy 提供桌面客户端也支持在 Python 环境里以库的方式集成。我这边用 Python 3.10 做演示先建一个干净的虚拟环境避免依赖冲突python -m venv aipy-env source aipy-env/bin/activate # Windows 用 aipy-env\Scripts\activate pip install --upgrade pip pip install openai python-dotenvopenai库用来验证 TaoToken 的连通性python-dotenv用来管理 Key避免把密钥硬编码进代码。桌面版 AiPy 可以直接从官网下载安装包安装后在设置里填模型信息即可适合不想碰命令行的用户。3.2 配置模型接入在项目根目录建一个.env文件把 TaoToken 的信息写进去TAOTOKEN_API_KEYsk-你的密钥 TAOTOKEN_BASE_URLhttps://taotoken.net/api/v1 TAOTOKEN_MODEL你的模型名然后在 AiPy 的模型设置里选择自定义模型 / OpenAI 兼容填入配置项填写值说明接口地址https://taotoken.net/api/v1注意结尾的/v1API Keysk-开头的密钥从控制台创建模型名称与.env中一致按需切换协议类型OpenAI 兼容AiPy 默认支持这里有个容易踩的坑很多人只填https://taotoken.net/api少了/v1结果请求 404。完整端点一定是https://taotoken.net/api/v1/chat/completions。3.3 Python 调用骨架下面这段代码是我实测可用的最小骨架作用是让模型把一个自然语言任务拆解成可执行的 Python 步骤。你可以把它当成 AiPy 任务规划环节的替身先跑通再往框架里嵌import os import json from dotenv import load_dotenv from openai import OpenAI load_dotenv() client OpenAI( api_keyos.getenv(TAOTOKEN_API_KEY), base_urlos.getenv(TAOTOKEN_BASE_URL), ) SYSTEM_PROMPT 你是一个任务规划智能体。 用户会给你一个自然语言任务你需要 1. 把任务拆解成有序的 Python 可执行步骤 2. 每一步说明输入、输出和依赖 3. 以 JSON 数组返回每项包含 step、action、code_hint 三个字段。 只返回 JSON不要额外解释。 def plan_task(user_task: str) - list: resp client.chat.completions.create( modelos.getenv(TAOTOKEN_MODEL), messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_task}, ], temperature0.2, ) content resp.choices[0].message.content.strip() # 容错去掉可能的 markdown 代码块包裹 if content.startswith(): content content.split()[1] if content.startswith(json): content content[4:] return json.loads(content) if __name__ __main__: task 读取本地 sales.csv按月份汇总销售额输出一张柱状图并保存为 report.png steps plan_task(task) for s in steps: print(f[{s[step]}] {s[action]}) print(f 代码提示: {s[code_hint]})这段代码的关键点有三个base_url必须带/v1temperature调低到 0.2 让规划更稳定对返回内容做 markdown 代码块剥离因为模型有时会习惯性加 json 包裹。跑通这一步你就有了一个能用的任务规划器AiPy 内部做的也是类似的事只是它还多了代码执行和结果回传的闭环。4. 验证请求确认智能体真的在执行任务配置写完不代表能用得验证。我分两层验证先验证模型通道再验证任务执行闭环。4.1 验证模型通道先用最简请求确认 TaoToken 通不通from openai import OpenAI import os from dotenv import load_dotenv load_dotenv() client OpenAI( api_keyos.getenv(TAOTOKEN_API_KEY), base_urlos.getenv(TAOTOKEN_BASE_URL), ) resp client.chat.completions.create( modelos.getenv(TAOTOKEN_MODEL), messages[{role: user, content: 只回复两个字通了}], ) print(resp.choices[0].message.content)如果输出通了说明 Key、base_url、模型名三者都对。如果报 401检查 Key 是否复制完整报 404检查/v1报模型不存在检查模型名拼写。4.2 验证任务执行闭环接着跑第 3.3 节的plan_task输入一个真实任务。我实测下来一个描述清晰的 CSV 汇总任务模型会返回类似这样的规划[ {step: 1, action: 读取 sales.csv 并检查列名, code_hint: pd.read_csv(sales.csv)}, {step: 2, action: 按月份分组汇总销售额, code_hint: df.groupby(month)[amount].sum()}, {step: 3, action: 绘制柱状图并保存, code_hint: plt.bar(...); plt.savefig(report.png)} ]拿到这个规划后你可以把code_hint交给 AiPy 执行或者自己拼成脚本跑。判断智能体是否真的在执行而不是在编看两点一是步骤里有没有具体的文件名、列名、函数名二是执行后有没有真实产物report.png是否生成、大小是否合理。如果模型只给泛泛的分析数据而没有具体代码提示说明提示词还不够约束把 SYSTEM_PROMPT 里的字段要求写得更死即可。4.3 对比 Manus 的典型场景我把几个常见场景在 AiPy 上的表现做了对照方便你判断迁移成本场景Manus 体验AiPy TaoToken 体验网页操作自动化依赖云端浏览器排队明显本地模拟响应快可调试数据分析报告结果不可控难复现Python 代码可留存、可复跑私有化部署不支持支持数据不出内网模型切换固定改一个模型名即可二次开发几乎无接口Python 直接调用这个对比不是说 AiPy 全面碾压而是说在可控、可复现、可集成这三个维度上本地 Python 方案对开发者更友好。5. 本篇常见错排查这一节把我踩过的坑集中列出来基本都是配置和调用层面的问题按顺序排查能解决九成故障。报错一Error code: 404 - Not Found九成是 base_url 少了/v1。正确写法是https://taotoken.net/api/v1。如果你用的是 AiPy 桌面版检查设置里接口地址那一栏有没有被自动补全成别的路径。报错二Error code: 401 - UnauthorizedKey 无效或没读到。先确认.env文件在项目根目录且load_dotenv()在OpenAI()之前调用再确认 Key 没有多余空格或换行。如果 Key 是从网页复制的注意别把前后的引号也带进去。报错三model not found模型名和 TaoToken 后台的不一致。去模型对话页面确认当前可用模型名复制粘贴到.env不要手打。报错四返回内容不是合法 JSONjson.loads报错模型偶尔会加解释文字或 markdown 包裹。两个办法一是把temperature降到 0.1二是在解析前做正则提取只取第一个[到最后一个]之间的内容。我在 3.3 节代码里已经做了代码块剥离如果还报错加一层正则兜底。报错五任务规划很泛没有可执行代码提示词约束不够。把 SYSTEM_PROMPT 里的code_hint要求写具体比如必须包含至少一个 Python 函数名或库调用。另外任务描述本身要带上下文比如读取 sales.csv比分析销售数据效果好得多。报错六连续调用被限流AiPy 一个任务会连续调模型多次免费额度或低并发套餐容易触发限流。解决办法是升级到 Coding Plan或者在代码里加指数退避重试import time from openai import RateLimitError def call_with_retry(fn, max_retry5): for i in range(max_retry): try: return fn() except RateLimitError: wait 2 ** i print(f限流{wait}s 后重试) time.sleep(wait) raise RuntimeError(重试次数用尽)报错七执行产物找不到AiPy 执行代码时的工作目录可能和你预期的不一样。在代码里用绝对路径或者在任务描述里明确保存到当前目录。跑完先ls一下确认文件真的生成了。6. 把智能体接进你的工作流配置跑通之后真正有价值的是把它嵌进日常流程。我自己的做法是把plan_task封装成一个命令行工具输入任务描述就输出规划 JSON再配合一个执行器把code_hint跑起来。这样从一句话到一个产物的链路就完整了。如果你要长期跑编码类或 Agent 类任务建议直接上 Coding Plan额度和并发都更稳Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm需要新建或管理 Key 的时候走控制台API Keyshttps://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm参数细节和错误码对照看接入文档接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentaipy_python_llm最后分享一个实用技巧把每次任务的规划 JSON 和执行结果落库存起来跑一段时间后你会发现哪些任务类型规划稳定、哪些容易翻车。这份数据比任何评测都真实也是你调优提示词的依据。智能体落地从来不是一次配置的事而是持续迭代的过程。