mangaba_ai

Mangaba AI：轻量级多Agent协作框架，Agent界的「万能胶水」

你曾经是否遇到过这样的困境：需要让AI同时完成市场调研、报告撰写、数据分析三个任务，手动调用了三次API，拼凑结果，改到崩溃。而Mangaba AI告诉你：一个框架就能搞定。

项目起源：巴西水果启发的多Agent编排框架

Mangaba（芒加巴）是巴西东北部的热带水果。Mangaba AI以此命名，寓意框架如同这种水果——轻盈、实用、无处不在。项目由巴西团队开发，定位是CrewAI+LangChain的轻量级替代方案。

一个核心痛点催生了Mangaba：当你同时使用Gemini和Claude两种模型时，现有大框架要么只支持单一提供商，要么集成过于笨重。Mangaba的答案是——多提供商互通+多Agent协议支持+RAG全家桶，一站搞定。

核心架构：协议层驱动的Agent编排

Mangaba AI的设计哲学围绕两个关键协议展开：

A2A（Agent-to-Agent）协议

A2A是Google主推的Agent通信协议，Mangaba内置了完整实现。在protocols/a2a.py中，可以看到A2AAgent、A2AMessage、MessageType等核心类。简单说，A2A让不同Agent之间可以发送请求、接收响应、甚至广播消息——就像团队成员互相传递任务卡片，而不是所有人都去找老板转达。

Mangaba的A2A实现支持三种消息模式：

• Request/Response：点对点任务传递，比如Researcher Agent把搜索结果发给Writer Agent
• Broadcast：一个Agent的输出广播给所有订阅者
• Stream：流式响应，用于实时展示Agent思考过程

MCP（Multi-Context Protocol）协议

MCP是Anthropic主推的上下文管理协议，Mangaba的实现位于protocols/mcp.py。它解决了多Agent协作中的上下文优先级和层次问题——想象公司里，CEO的战略决策优先级高于部门经理，高于普通员工。MCP在Mangaba中管理不同Agent的上下文级别，确保高优先级Agent的决策被优先处理。

LLM提供商抽象层

mangaba/core/llm/目录实现了对五大LLM提供商的一致性封装：

• Google Gemini：通过gemini-2.5-flash模型，默认配置
• OpenAI GPT：支持GPT-4o mini及更新模型
• Anthropic Claude：通过Claude 3 Haiku等模型
• HuggingFace：支持Mistral-7B等开源模型
• OpenRouter：智能路由，自动在不同模型间failover

通过create_llm_client()工厂函数，可以根据provider参数动态实例化不同的LLM客户端，实现零代码切换模型。

ReAct Reasoning引擎

mangaba/core/reasoning.py实现了ReAct（Reasoning + Acting）推理模式。Agent的执行循环为：Thought（思考）→Action（行动）→Observation（观察），循环迭代直到任务完成。这是目前AI Agent领域最成熟的推理范式之一。

Crew多进程编排：四种协作模式

单个Agent能力有限，真正的力量来自多Agent协作。Mangaba通过mangaba/core/crew.py实现四种编排流程：

模式	说明	适用场景
Sequential	顺序执行，任务流水线	需要严格按步骤处理的流程
Hierarchical	层级指挥，类似公司组织架构	大型任务分层拆解
Parallel (asyncio)	并发执行，加速处理	独立子任务同时进行
Consensual	共识决策，多Agent投票	需要集体智慧的判断

用Sequential模式跑一个「市场调研报告」流水线：Researcher Agent先爬取数据→Analyst Agent提炼洞察→Writer Agent撰写报告→Reviewer Agent审核修改，全程无需人工干预。

Tool生态系统：让Agent真正「动手做事」

Mangaba的Tool系统设计简洁优雅：

• @tool装饰器：Python函数加@tool装饰器，自动生成Pydantic schema，暴露给LLM的function calling
• BaseToolkit：工具箱基类，逻辑分组一组相关工具
• 内置工具集：FileToolkit（文件读写）、WebToolkit（网页搜索）、TextToolkit（文本处理）、MathToolkit（数学计算）

这套系统让Agent不只「回答问题」，而是真正能操作外部世界——读写文件、搜索网络、运行代码。

RAG全家桶：文档到向量检索的完整链路

Mangaba内置完整RAG管道，支持多种向量数据库：ChromaDB（轻量级本地）、PostgreSQL+pgvector（生产级）、Redis+RediSearch（高性能）、SQLite（极简嵌入式）。通过create_vectorstore()工厂函数，可以不修改业务代码自由切换底层向量存储。

记忆系统：让Agent「记住」上下文

mangaba/memory/模块提供多种记忆机制：Entity Memory（跟踪实体和实体间关系）、Usage Tracker（累积统计每个Provider的token消耗，方便成本控制）、CallbackManager（事件驱动的回调系统）。

安装与上手

pip install mangaba

配置.env文件：

LLM_PROVIDER=google
GOOGLE_API_KEY=your_key

创建单Agent：

from mangaba_agent import MangabaAgent
agent = MangabaAgent(api_key="key", model="gemini-2.5-flash")
result = agent.run("帮我写一篇AI Agent博客")

局限与注意事项

1. 无Web UI：纯代码库，没有图形界面，所有交互通过Python API完成，对非开发者不友好
2. 文档语言：主要文档为葡萄牙语和英语，对中文用户有一定门槛
3. 无容器化：没有Dockerfile或docker-compose，生产部署需自行包装
4. API Key依赖：完全依赖外部LLM API，无本地模型内置支持
5. 调试复杂：多Agent并行执行时，错误定位和日志追踪有一定学习成本

行业意义

在CrewAI越来越重、LangChain越来越复杂的背景下，Mangaba AI代表了一种回归简约的思路：用更少的代码，做更多的事。它的A2A+MCP双协议支持走在行业前沿，与Google Anthropic两大厂商的标准保持一致。对于需要快速搭建多Agent工作流、同时接入多个LLM提供商的开发者来说，Mangaba是一个值得尝试的轻量级选择。