mangaba_ai
Mangaba-ai/mangaba_ai加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
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。
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。
Mangaba AI的设计哲学围绕两个关键协议展开：
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：
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。
mangaba/core/llm/目录实现了对五大LLM提供商的一致性封装：
gemini-2.5-flash模型，默认配置通过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。
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。
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。
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 callingBaseToolkit：工具箱基类，逻辑分组一组相关工具这套系统让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。
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。
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）。
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")
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。