# AgenticSeek: Alternativa Privada e Local ao Manus.
English | [中文](./README_CHS.md) | [繁體中文](./README_CHT.md) | [Français](./README_FR.md) | [日本語](./README_JP.md) | [Português (Brasil)](./README_PTBR.md)
*Uma **alternativa 100% local ao Manus AI**, este assistente de voz com IA navega autonomamente na web, escreve código e planeja tarefas mantendo todos os dados no seu dispositivo. Feito para modelos de raciocínio locais, roda inteiramente no seu hardware, garantindo total privacidade e zero dependência da nuvem.*
[](https://fosowl.github.io/agenticSeek.html)  [](https://discord.gg/8hGDaME3TC) [](https://x.com/Martin993886460) [](https://github.com/Fosowl/agenticSeek/stargazers)
### Por que AgenticSeek?
* 🔒 Totalmente Local & Privado - Tudo roda na sua máquina — sem nuvem, sem compartilhamento de dados. Seus arquivos, conversas e buscas permanecem privados.
* 🌐 Navegação Inteligente na Web - O AgenticSeek pode navegar na internet sozinho — pesquisar, ler, extrair informações, preencher formulários — tudo sem as mãos.
* 💻 Assistente Autônomo de Programação - Precisa de código? Ele pode escrever, depurar e executar programas em Python, C, Go, Java e mais — tudo sem supervisão.
* 🧠 Seleção Inteligente de Agentes - Você pede, ele escolhe automaticamente o melhor agente para a tarefa. Como ter uma equipe de especialistas pronta para ajudar.
* 📋 Planeja & Executa Tarefas Complexas - De planejamento de viagens a projetos complexos — pode dividir grandes tarefas em etapas e concluí-las usando múltiplos agentes de IA.
* 🎙️ Ativado por Voz - Voz limpa, rápida e futurista, além de reconhecimento de fala, permitindo que você converse como se fosse sua IA pessoal de um filme de ficção científica. (Em desenvolvimento)
### **Demo**
> *Você pode pesquisar sobre o projeto agenticSeek, aprender quais habilidades são necessárias, depois abrir o CV_candidates.zip e então me dizer quais combinam melhor com o projeto?*
https://github.com/user-attachments/assets/b8ca60e9-7b3b-4533-840e-08f9ac426316
Aviso: Esta demonstração, incluindo todos os arquivos que aparecem (ex: CV_candidates.zip), são totalmente fictícios. Não somos uma corporação, buscamos colaboradores open-source, não candidatos.
> 🛠⚠️️ **Trabalho Ativo em Progresso**
> 🙏 Este projeto começou como um projeto paralelo e não tem roteiro nem financiamento. Cresceu muito além do esperado ao aparecer no GitHub Trending. Contribuições, feedback e paciência são profundamente apreciados.
## Pré-requisitos
Certifique-se de ter chrome driver, docker e python3.10 instalados.
Para problemas relacionados ao chrome driver, veja a seção **Chromedriver**.
### 1. **Clone o repositório e configure**
```sh
git clone https://github.com/Fosowl/agenticSeek.git
cd agenticSeek
mv .env.example .env
```
### 2. Altere o conteúdo do arquivo .env
```sh
SEARXNG_BASE_URL="http://127.0.0.1:8080"
REDIS_BASE_URL="redis://redis:6379/0"
WORK_DIR="/Users/mlg/Documents/workspace_for_ai"
OLLAMA_PORT="11434"
LM_STUDIO_PORT="1234"
CUSTOM_ADDITIONAL_LLM_PORT="11435"
OPENAI_API_KEY='opcional'
DEEPSEEK_API_KEY='opcional'
OPENROUTER_API_KEY='opcional'
TOGETHER_API_KEY='opcional'
GOOGLE_API_KEY='opcional'
ANTHROPIC_API_KEY='opcional'
```
**As chaves de API são totalmente opcionais para quem optar por rodar LLM localmente. Que é o objetivo principal deste projeto. Deixe em branco se você tiver hardware suficiente**
As seguintes variáveis de ambiente configuram as conexões e chaves de API do seu aplicativo.
Atualize o arquivo `.env` com seus próprios valores conforme necessário:
- **SEARXNG_BASE_URL**: Deixe inalterado
- **REDIS_BASE_URL**: Deixe inalterado
- **WORK_DIR**: Caminho para seu diretório de trabalho local. O AgenticSeek poderá ler e interagir com esses arquivos.
- **OLLAMA_PORT**: Porta para o serviço Ollama.
- **LM_STUDIO_PORT**: Porta para o serviço LM Studio.
- **CUSTOM_ADDITIONAL_LLM_PORT**: Porta para qualquer serviço LLM adicional.
Todas as variáveis de ambiente de chave de API abaixo são **opcionais**. Só forneça se for usar APIs externas em vez de rodar LLMs localmente.
### 3. **Inicie o Docker**
Certifique-se de que o Docker está instalado e rodando no seu sistema. Você pode iniciar o Docker com os seguintes comandos:
- **No Linux/macOS:**
Abra um terminal e execute:
```sh
sudo systemctl start docker
```
Ou inicie o Docker Desktop pelo menu de aplicativos, se instalado.
- **No Windows:**
Inicie o Docker Desktop pelo menu Iniciar.
Você pode verificar se o Docker está rodando executando:
```sh
docker info
```
Se aparecerem informações sobre sua instalação do Docker, está funcionando corretamente.
---
## Configuração para rodar LLM localmente na sua máquina
**Requisitos de Hardware:**
Para rodar LLMs localmente, você precisará de hardware suficiente. No mínimo, uma GPU capaz de rodar Qwen/Deepseek 14B é necessária. Veja o FAQ para recomendações detalhadas de modelo/desempenho.
**Configure seu provedor local**
Inicie seu provedor local, por exemplo com ollama:
```sh
ollama serve
```
Veja abaixo a lista de provedores locais suportados.
**Atualize o config.ini**
Altere o arquivo config.ini para definir o provider_name para um provedor suportado e provider_model para um LLM suportado pelo seu provedor. Recomendamos modelos de raciocínio como *Qwen* ou *Deepseek*.
Veja o **FAQ** no final do README para hardware necessário.
```sh
[MAIN]
is_local = True # Se está rodando localmente ou com provedor remoto.
provider_name = ollama # ou lm-studio, openai, etc.
provider_model = deepseek-r1:14b # escolha um modelo compatível com seu hardware
provider_server_address = 127.0.0.1:11434
agent_name = Jarvis # nome da sua IA
recover_last_session = True # recuperar sessão anterior
save_session = True # lembrar sessão atual
speak = False # texto para fala
listen = False # fala para texto, apenas para CLI, experimental
jarvis_personality = False # usar personalidade "Jarvis" (experimental)
languages = en zh # Lista de idiomas, TTS usará o primeiro da lista
[BROWSER]
headless_browser = True # deixe inalterado a menos que use CLI no host.
stealth_mode = True # Usa selenium indetectável para reduzir detecção do navegador
```
**Aviso**:
- O formato do arquivo `config.ini` não suporta comentários.
Não copie e cole a configuração de exemplo diretamente, pois comentários causarão erros. Em vez disso, modifique manualmente o arquivo `config.ini` com suas configurações desejadas, sem comentários.
- *NÃO* defina provider_name como `openai` se estiver usando LM-studio para rodar LLMs. Use `lm-studio`.
- Alguns provedores (ex: lm-studio) exigem `http://` antes do IP. Exemplo: `http://127.0.0.1:1234`
**Lista de provedores locais**
| Provedor | Local? | Descrição |
|------------|--------|---------------------------------------------------------|
| ollama | Sim | Rode LLMs localmente facilmente usando ollama |
| lm-studio | Sim | Rode LLM localmente com LM studio (`provider_name` = `lm-studio`)|
| openai | Sim | Use API compatível com openai (ex: servidor llama.cpp) |
Próximo passo: [Inicie os serviços e rode o AgenticSeek](#Start-services-and-Run)
*Veja a seção **Problemas conhecidos** se tiver problemas*
*Veja a seção **Rodar com uma API** se seu hardware não rodar deepseek localmente*
*Veja a seção **Config** para explicação detalhada do arquivo de configuração.*
---
## Configuração para rodar com uma API
**Rodar com uma API é opcional, veja acima para rodar localmente.**
Defina o provedor desejado no `config.ini`. Veja abaixo a lista de provedores de API.
```sh
[MAIN]
is_local = False
provider_name = google
provider_model = gemini-2.0-flash
provider_server_address = 127.0.0.1:5000 # não importa
```
Aviso: Certifique-se de não haver espaço no final da linha no config.
Exporte sua chave de API: `export <>_API_KEY="xxx"`
Exemplo: exportar `TOGETHER_API_KEY="xxxxx"`
**Lista de provedores de API**
| Provedor | Local? | Descrição |
|------------|--------|---------------------------------------------------------|
| openai | Depende| Use API do ChatGPT |
| deepseek | Não | API Deepseek (não privado) |
| huggingface| Não | API Hugging-Face (não privado) |
| togetherAI | Não | Use API together AI (não privado) |
| google | Não | Use API google gemini (não privado) |
Observe que código/bash pode falhar com gemini, pois ignora nosso prompt de formatação, que é otimizado para deepseek r1. Modelos como gpt-4o também apresentam desempenho ruim com nosso prompt.
Próximo passo: [Inicie os serviços e rode o AgenticSeek](#Start-services-and-Run)
*Veja a seção **Problemas conhecidos** se tiver problemas*
*Veja a seção **Config** para explicação detalhada do arquivo de configuração.*
---
## Inicie os serviços e rode
Inicie os serviços necessários. Isso iniciará todos os serviços do docker-compose.yml, incluindo:
- searxng
- redis (necessário para searxng)
- frontend
- backend (se usar `full`)
```sh
./start_services.sh full # MacOS
start ./start_services.cmd full # Windows
```
**Aviso:** Este passo fará download e carregará todas as imagens Docker, o que pode levar até 30 minutos. Após iniciar os serviços, aguarde até que o serviço backend esteja totalmente rodando (você verá backend: no log) antes de enviar mensagens. O backend pode demorar mais para iniciar.
Acesse `http://localhost:3000/` e você verá a interface web.
**Opcional:** Rode com a interface CLI:
Para rodar com CLI, instale os pacotes no host:
```sh
./install.sh
./install.bat # windows
```
Inicie os serviços:
```sh
./start_services.sh # MacOS
start ./start_services.cmd # Windows
```
Depois execute: `python3 cli.py`
---
## Uso
Certifique-se de que os serviços estão rodando com `./start_services.sh full` e acesse `localhost:3000` para a interface web.
Você também pode usar fala para texto definindo `listen = True` no config. Apenas para modo CLI.
Para sair, basta dizer/digitar `goodbye`.
Exemplos de uso:
> *Faça um jogo da cobrinha em python!*
> *Pesquise na web pelos melhores cafés em Rennes, França, e salve uma lista de três com seus endereços em rennes_cafes.txt.*
> *Escreva um programa Go para calcular o fatorial de um número, salve como factorial.go no seu workspace*
> *Procure na pasta summer_pictures por todos os arquivos JPG, renomeie com a data de hoje e salve a lista dos arquivos renomeados em photos_list.txt*
> *Pesquise online por filmes de ficção científica populares de 2024 e escolha três para assistir hoje à noite. Salve a lista em movie_night.txt.*
> *Pesquise na web pelos últimos artigos de notícias de IA de 2025, selecione três e escreva um script Python para extrair títulos e resumos. Salve o script como news_scraper.py e os resumos em ai_news.txt em /home/projects*
> *Sexta-feira, pesquise na web por uma API gratuita de preços de ações, registre-se com supersuper7434567@gmail.com e escreva um script Python para buscar os preços diários da Tesla usando a API, salvando os resultados em stock_prices.csv*
*Observe que o preenchimento de formulários ainda é experimental e pode falhar.*
Após digitar sua consulta, o AgenticSeek alocará o melhor agente para a tarefa.
Como este é um protótipo inicial, o sistema de roteamento de agentes pode não alocar sempre o agente certo para sua consulta.
Portanto, seja explícito no que deseja e como a IA deve proceder. Por exemplo, se quiser que faça uma busca na web, não diga:
`Você conhece alguns bons países para viajar sozinho?`
Em vez disso, peça:
`Faça uma busca na web e descubra quais são os melhores países para viajar sozinho`
---
## **Configuração para rodar o LLM em seu próprio servidor**
Se você tem um computador potente ou servidor, mas quer usar a partir do seu laptop, pode rodar o LLM em um servidor remoto usando nosso servidor LLM customizado.
No seu "servidor" que rodará o modelo de IA, obtenha o endereço IP
```sh
ip a | grep "inet " | grep -v 127.0.0.1 | awk '{print $2}' | cut -d/ -f1 # ip local
curl https://ipinfo.io/ip # ip público
```
Nota: Para Windows ou macOS, use ipconfig ou ifconfig para encontrar o IP.
Clone o repositório e entre na pasta `server/`.
```sh
git clone --depth 1 https://github.com/Fosowl/agenticSeek.git
cd agenticSeek/llm_server/
```
Instale os requisitos específicos do servidor:
```sh
pip3 install -r requirements.txt
```
Rode o script do servidor.
```sh
python3 app.py --provider ollama --port 3333
```
Você pode escolher entre usar `ollama` e `llamacpp` como serviço LLM.
Agora, no seu computador pessoal:
Altere o arquivo `config.ini` para definir `provider_name` como `server` e `provider_model` como `deepseek-r1:xxb`.
Defina `provider_server_address` para o IP da máquina que rodará o modelo.
```sh
[MAIN]
is_local = False
provider_name = server
provider_model = deepseek-r1:70b
provider_server_address = x.x.x.x:3333
```
Próximo passo: [Inicie os serviços e rode o AgenticSeek](#Start-services-and-Run)
---
## Fala para Texto
Aviso: fala para texto só funciona no modo CLI no momento.
Atualmente, fala para texto só funciona em inglês.
A funcionalidade de fala para texto está desativada por padrão. Para ativar, defina listen como True no arquivo config.ini:
```
listen = True
```
Quando ativado, o recurso escuta por uma palavra-chave de ativação, que é o nome do agente, antes de processar sua entrada. Você pode personalizar o nome do agente atualizando o valor `agent_name` no *config.ini*:
```
agent_name = Friday
```
Para melhor reconhecimento, recomendamos usar um nome comum em inglês como "John" ou "Emma" como nome do agente.
Quando o transcript começar a aparecer, diga o nome do agente em voz alta para ativá-lo (ex: "Friday").
Fale sua consulta claramente.
Finalize seu pedido com uma frase de confirmação para o sistema prosseguir. Exemplos de frases de confirmação incluem:
```
"do it", "go ahead", "execute", "run", "start", "thanks", "would ya", "please", "okay?", "proceed", "continue", "go on", "do that", "go it", "do you understand?"
```
## Configuração
Exemplo de config:
```
[MAIN]
is_local = True
provider_name = ollama
provider_model = deepseek-r1:32b
provider_server_address = 127.0.0.1:11434
agent_name = Friday
recover_last_session = False
save_session = False
speak = False
listen = False
jarvis_personality = False
languages = en zh
[BROWSER]
headless_browser = False
stealth_mode = False
```
**Explicação**:
- is_local -> Roda o agente localmente (True) ou em servidor remoto (False).
- provider_name -> Provedor a ser usado (um de: `ollama`, `server`, `lm-studio`, `deepseek-api`)
- provider_model -> Modelo usado, ex: deepseek-r1:32b.
- provider_server_address -> Endereço do servidor, ex: 127.0.0.1:11434 para local. Qualquer valor para API não local.
- agent_name -> Nome do agente, ex: Friday. Usado como palavra-chave para TTS.
- recover_last_session -> Retoma da última sessão (True) ou não (False).
- save_session -> Salva dados da sessão (True) ou não (False).
- speak -> Ativa saída de voz (True) ou não (False).
- listen -> Ativa entrada por voz (True) ou não (False).
- jarvis_personality -> Usa personalidade tipo JARVIS (True) ou não (False). Apenas muda o prompt.
- languages -> Lista de idiomas suportados, necessário para o roteador de LLM funcionar corretamente. Evite muitos idiomas ou muito parecidos.
- headless_browser -> Roda navegador sem janela visível (True) ou não (False).
- stealth_mode -> Dificulta detecção de bot. Único contra é instalar manualmente a extensão anticaptcha.
- languages -> Lista de idiomas suportados. Necessário para o sistema de roteamento de agentes. Quanto maior a lista, mais modelos serão baixados.
## Provedores
Tabela de provedores disponíveis:
| Provedor | Local? | Descrição |
|------------|--------|---------------------------------------------------------|
| ollama | Sim | Rode LLMs localmente facilmente usando ollama |
| server | Sim | Hospede o modelo em outra máquina, use localmente |
| lm-studio | Sim | Rode LLM localmente com LM studio (`lm-studio`) |
| openai | Depende| Use API do ChatGPT (não privado) ou API compatível |
| deepseek-api| Não | API Deepseek (não privado) |
| huggingface| Não | API Hugging-Face (não privado) |
| togetherAI | Não | Use API together AI (não privado) |
| google | Não | Use API google gemini (não privado) |
Para selecionar um provedor, altere o config.ini:
```
is_local = True
provider_name = ollama
provider_model = deepseek-r1:32b
provider_server_address = 127.0.0.1:5000
```
`is_local`: deve ser True para qualquer LLM rodando localmente, senão False.
`provider_name`: Selecione o provedor pelo nome, veja a lista acima.
`provider_model`: Defina o modelo a ser usado pelo agente.
`provider_server_address`: pode ser qualquer valor se não usar o provedor server.
# Problemas conhecidos
## Problemas com Chromedriver
**Erro conhecido #1:** *chromedriver incompatível*
`Exception: Failed to initialize browser: Message: session not created: This version of ChromeDriver only supports Chrome version 113
Current browser version is 134.0.6998.89 with binary path`
Isso ocorre se houver incompatibilidade entre seu navegador e a versão do chromedriver.
Você precisa baixar a versão mais recente:
https://developer.chrome.com/docs/chromedriver/downloads
Se estiver usando Chrome versão 115 ou superior, acesse:
https://googlechromelabs.github.io/chrome-for-testing/
E baixe o chromedriver correspondente ao seu sistema operacional.
Se esta seção estiver incompleta, abra uma issue.
## Problemas de adaptadores de conexão
```
Exception: Provider lm-studio failed: HTTP request failed: No connection adapters were found for '127.0.0.1:11434/v1/chat/completions'
```
Certifique-se de ter `http://` antes do IP do provedor:
`provider_server_address = http://127.0.0.1:11434`
## SearxNG base URL deve ser fornecida
```
raise ValueError("SearxNG base URL must be provided either as an argument or via the SEARXNG_BASE_URL environment variable.")
ValueError: SearxNG base URL must be provided either as an argument or via the SEARXNG_BASE_URL environment variable.
```
Talvez você não tenha movido `.env.example` para `.env`? Você também pode exportar SEARXNG_BASE_URL:
`export SEARXNG_BASE_URL="http://127.0.0.1:8080"`
## FAQ
**P: Que hardware eu preciso?**
| Tamanho do Modelo | GPU | Comentário |
|-------------------|-------------|---------------------------------------------------------|
| 7B | 8GB Vram | ⚠️ Não recomendado. Desempenho ruim, alucinações frequentes, agentes de planejamento podem falhar. |
| 14B | 12 GB VRAM (ex: RTX 3060) | ✅ Usável para tarefas simples. Pode ter dificuldades com navegação web e planejamento. |
| 32B | 24+ GB VRAM (ex: RTX 4090) | 🚀 Sucesso na maioria das tarefas, pode ainda ter dificuldades com planejamento |
| 70B+ | 48+ GB Vram (ex: mac studio) | 💪 Excelente. Recomendado para uso avançado. |
**P: Por que Deepseek R1 em vez de outros modelos?**
Deepseek R1 se destaca em raciocínio e uso de ferramentas para seu tamanho. Achamos que é uma ótima escolha para nossas necessidades, outros modelos funcionam bem, mas Deepseek é nossa principal escolha.
**P: Recebo erro ao rodar `cli.py`. O que faço?**
Certifique-se de que o local está rodando (`ollama serve`), seu `config.ini` corresponde ao provedor e as dependências estão instaladas. Se nada funcionar, abra uma issue.
**P: Pode rodar 100% localmente mesmo?**
Sim, com Ollama, lm-studio ou provedores server, todo o reconhecimento de fala, LLM e TTS rodam localmente. Opções não locais (OpenAI ou outras APIs) são opcionais.
**P: Por que usar AgenticSeek se já tenho Manus?**
Começou como um projeto paralelo por interesse em agentes de IA. O diferencial é usar modelos locais e evitar APIs.
Nos inspiramos em Jarvis e Friday (filmes do Homem de Ferro) para torná-lo "legal", mas funcionalmente nos inspiramos mais no Manus, pois é isso que as pessoas querem: uma alternativa local ao Manus.
Ao contrário do Manus, o AgenticSeek prioriza independência de sistemas externos, dando mais controle, privacidade e evitando custos de API.
## Contribua
Procuramos desenvolvedores para melhorar o AgenticSeek! Veja as issues abertas ou discussões.
[Guia de contribuição](./docs/CONTRIBUTING.md)
[](https://www.star-history.com/#Fosowl/agenticSeek&Date)
## Mantenedores:
> [Fosowl](https://github.com/Fosowl) | Horário de Paris
> [antoineVIVIES](https://github.com/antoineVIVIES) | Horário de Taipei
> [steveh8758](https://github.com/steveh8758) | Horário de Taipei
## Agradecimentos Especiais:
> [tcsenpai](https://github.com/tcsenpai) e [plitc](https://github.com/plitc) pela ajuda na dockerização do backend