OpenManus项目中的模块缺失问题分析与解决
问题背景
OpenManus项目在近期更新后出现了一个严重的运行问题,当用户尝试执行python main.py启动程序时,系统会抛出ModuleNotFoundError: No module named 'app.prompt.mcp'错误。这个问题源于项目代码结构调整后,部分关键文件未被正确包含在提交中。
错误分析
根据错误堆栈跟踪,问题发生在以下调用链中:
main.py尝试导入app.agent.manus模块app.agent.__init__尝试导入app.agent.mcp模块app.agent.mcp尝试从app.prompt.mcp导入三个常量(MULTIMEDIA_RESPONSE_PROMPT,NEXT_STEP_PROMPT,SYSTEM_PROMPT)
核心问题在于app/prompt/mcp.py文件在提交14fa48e8d7eef2baca40984ef339204d5d792840后被意外遗漏,导致后续依赖该文件的模块无法正常工作。
临时解决方案
开发团队提供了几种临时解决方案:
-
回退到特定提交:执行
git checkout f25ed7d49ec1bd710d3ef71a7da2c74f2c3136b0可以回退到问题出现前的稳定版本 -
切换到mcp分支:使用
git checkout mcp命令切换到专门修复此问题的分支 -
等待官方修复:开发团队很快修复了这个问题,用户只需执行
git pull获取最新代码即可
后续依赖问题
在解决初始问题后,部分用户遇到了第二个问题:ModuleNotFoundError: No module named 'boto3'。这是因为项目依赖的AWS SDK Python包(boto3)未被正确安装。
解决方案是重新安装所有依赖:
pip install -r requirements.txt
项目结构分析
从这个问题可以看出OpenManus项目的模块化设计:
agent模块负责核心代理逻辑prompt模块存储各种提示模板llm和bedrock模块处理底层大语言模型交互
这种分层架构虽然清晰,但也增加了模块间的依赖关系,需要特别注意文件完整性和导入顺序。
最佳实践建议
- 版本控制:在更新项目前,先创建一个分支或备份当前工作版本
- 依赖管理:定期更新并重新安装项目依赖
- 错误处理:遇到类似问题时,先检查错误堆栈,理解模块依赖关系
- 测试验证:在提交重大更改前,确保所有导入路径和依赖关系测试通过
总结
OpenManus项目中的这个典型问题展示了Python项目中模块管理和依赖关系的重要性。通过分析问题原因和解决方案,开发者可以更好地理解项目架构,并在遇到类似问题时快速定位和解决。这也提醒我们在进行代码重构时,需要特别注意文件完整性和跨模块引用的一致性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00