目錄

一、引言

二、以「對(duì)話為中心」的ChatBot

三、以「交付為中心」的多智能體Agent

三、什么是智能體Agent

    1. 從Prompt到思維鏈

    2. ReAct架構(gòu)

    3. Agent

    4. Manus：一個(gè)Agent典型案例

    5.大模型上下文協(xié)議（MCP）

四、智能體Agent實(shí)現(xiàn)的源碼剖析（OpenManus項(xiàng)目）

    1. 準(zhǔn)備

    2. 代碼

五、總結(jié)

一、引言

從2022年12月份OpenAI發(fā)布ChatGPT產(chǎn)品至今已有2年多的時(shí)間，當(dāng)大家已經(jīng)習(xí)慣于在對(duì)話框中與AI交互，習(xí)慣于通過(guò)各種Prompt技巧讓AI更好的理解并回答我們的問(wèn)題，似乎默認(rèn)這就是一種比較好與AI的交互方式了。

然而，這就是我們期盼的與AI交互的形式嘛？這是一種高效的方式嘛？

顯然，這是不夠的。

我們期望的是：告訴AI我們想要的目標(biāo)或者任務(wù)，AI能夠理解深度理解并分析我們的意圖、自動(dòng)的進(jìn)行任務(wù)的拆解、自動(dòng)的尋找可以使用的工具、自動(dòng)的進(jìn)行結(jié)果數(shù)據(jù)的匯總過(guò)濾、自動(dòng)的呈現(xiàn)符合任務(wù)的展示形式。同時(shí)在任務(wù)處理過(guò)程中，可以自己完成異常的檢測(cè)和修改。就如同一位優(yōu)秀的同學(xué)，我們告訴他任務(wù)的目標(biāo)，他可以自己尋找飛書(shū)文檔、搜索網(wǎng)絡(luò)知識(shí)、使用內(nèi)部系統(tǒng)、自己編碼驗(yàn)證方案可行性，并最終給一份好的解決方案。

二、以「對(duì)話為中心」的ChatBot

我們發(fā)送一條指令，AI被動(dòng)的響應(yīng)指令。即完成一輪人與AI的交互。

三、以「交付為中心」的多智能體Agent

我們發(fā)送一個(gè)任務(wù)，AI自動(dòng)分析任務(wù)、調(diào)用可用的工具、分析結(jié)果、過(guò)濾數(shù)據(jù)并自動(dòng)處理異常，最終呈現(xiàn)解決方案。

完成這樣的一個(gè)任務(wù)，需要多智能體Agent間的協(xié)作以及對(duì)常用工具的調(diào)用。那什么是智能體Agent呢？

四、什么是智能體Agent

從Prompt到思維鏈

隨著大模型的發(fā)展，Prompt工程已成為撬動(dòng)大模型潛能的核心技術(shù)。即使我們普通用戶在與大模型的交互中，也通過(guò)角色定義（如"資深工程師"）或示例引導(dǎo)來(lái)優(yōu)化輸出效果，但這類簡(jiǎn)單提示往往難以突破模型固有的邏輯天花板——就像給賽車(chē)裝自行車(chē)輪胎，再怎么調(diào)整也難以突破速度極限。

但偶然間，人們發(fā)現(xiàn)了一個(gè)神奇的咒語(yǔ)：只需要告訴大模型，你的 think 要 step by step。研究者發(fā)現(xiàn)只要加了這個(gè)prompt，就能極為顯著地改善大模型做數(shù)學(xué)題的正確率。

大模型的數(shù)學(xué)與邏輯能力短板，是所有體驗(yàn)過(guò)其對(duì)話功能的用戶都能直觀感受到的痛點(diǎn)。這一缺陷嚴(yán)重制約了大模型的商業(yè)化落地進(jìn)程，畢竟沒(méi)有人敢輕易信任一個(gè)邏輯混亂的智能系統(tǒng)能輸出可靠的決策結(jié)果。于是，提升大模型數(shù)學(xué)能力，被所有做基礎(chǔ)模型的公司當(dāng)作了第一目標(biāo)。

研究者試圖通過(guò)強(qiáng)化思維鏈來(lái)突破這一瓶頸。一個(gè)直觀的思路是：讓模型像人類解題時(shí)在草稿紙上推演那樣，通過(guò) "step by step" 的方式展開(kāi)邏輯鏈條 —— 在這個(gè)過(guò)程中，包含假設(shè)、演繹、反思、糾錯(cuò)等一系列思維活動(dòng)。既然人類通過(guò)這種結(jié)構(gòu)化的思考方式能夠有效解決數(shù)學(xué)問(wèn)題，那么大模型是否也能通過(guò)類似機(jī)制實(shí)現(xiàn)能力躍遷？這一猜想推動(dòng)著研究向縱深發(fā)展，最終形成了思維鏈技術(shù)的核心框架。這樣的觀念經(jīng)過(guò)繼續(xù)鉆研，最終就構(gòu)成了思維鏈，思維鏈?zhǔn)且粋€(gè)能以最小的代價(jià)，而非常顯著提升模型智力水平（邏輯能力、解題能力、代碼能力）的技術(shù)。

值得注意的是，2025 年春節(jié)期間引發(fā)廣泛關(guān)注的 DeepSeek 大模型，正是思維鏈技術(shù)的成功實(shí)踐典范。盡管 DeepSeek 并非首創(chuàng)者，但其通過(guò)創(chuàng)新性地融合混合專家（MoE）架構(gòu)與強(qiáng)化學(xué)習(xí)技術(shù)，顯著提升了思維鏈推理的計(jì)算效率與性能表現(xiàn)。這種技術(shù)優(yōu)化使得 DeepSeek 在保持高精度推理的同時(shí)，大幅降低了計(jì)算成本，最終實(shí)現(xiàn)了屠榜級(jí)表現(xiàn)。

ReAct架構(gòu)

如果說(shuō)思維鏈（COT）是給 AI 裝上了人類的 "草稿紙"，那么 ReAct 框架就是為它配備了 "雙手"—— 讓 AI 不僅能在腦子里推演，還能主動(dòng)采取行動(dòng)獲取信息。這種 "思考 + 行動(dòng)" 的組合，正在把大模型從 "紙上談兵" 的理論家，變成能解決現(xiàn)實(shí)問(wèn)題的實(shí)干家。

ReAct 的核心在于將推理（Reasoning）與行動(dòng)（Action）緊密結(jié)合。當(dāng)模型面對(duì)復(fù)雜問(wèn)題時(shí)，會(huì)先像人類一樣拆解思考步驟，然后根據(jù)中間結(jié)果調(diào)用外部工具（如搜索引擎、數(shù)據(jù)庫(kù)、計(jì)算器）獲取實(shí)時(shí)數(shù)據(jù)，再把這些信息整合到后續(xù)推理中。

其實(shí)，實(shí)現(xiàn)一個(gè)ReAct很簡(jiǎn)單，只需要構(gòu)建Prompt+提供工具+循環(huán)執(zhí)行即可，筆者在這里不進(jìn)行詳細(xì)的介紹，只需要給一個(gè)Prompt例子，讀者就能理解：

盡可能最好地為用戶回答接下來(lái)的問(wèn)題，你可以使用以下工具來(lái)輔助你：{tools} 使用以下格式：

- 問(wèn)題：你需要回答的輸入問(wèn)題

- 思考：你需要持續(xù)思考下一步采取什么行動(dòng) 

- 行動(dòng)：要采取的行動(dòng)，應(yīng)該是 [{tool_names}] 中的一個(gè)，以及該行動(dòng)的輸入內(nèi)容 

- 觀察：行動(dòng)并觀測(cè)結(jié)果，并判斷結(jié)果是否合理 ...（這個(gè)思考 / 行動(dòng)  / 觀察可以重復(fù) N 次，直到你認(rèn)為知道了最終答案 

- 最終答案：原始輸入問(wèn)題的最終答案 

開(kāi)始！ 

- 問(wèn)題：{input}

Tools支持開(kāi)發(fā)者自定義，比如給予LLM一個(gè)查詢天氣的接口、計(jì)算器接口等。

ReAct架構(gòu)實(shí)現(xiàn)了一種"問(wèn)題拆解-工具調(diào)用-結(jié)果整合"的閉環(huán)機(jī)制，使得開(kāi)發(fā)者僅需通過(guò)定義工具集（如天氣API、計(jì)算器、知識(shí)圖譜接口）和設(shè)計(jì)任務(wù)引導(dǎo)詞，就能將大模型轉(zhuǎn)化為可執(zhí)行多步驟決策的智能體。最終可以使大模型突破純文本推理的局限，真正具備了在動(dòng)態(tài)場(chǎng)景中解決開(kāi)放性問(wèn)題的工程化能力。

Agent

Agent作為大模型技術(shù)的集大成者，通過(guò)整合思維鏈（CoT）的推理能力和ReAct框架的行動(dòng)機(jī)制，構(gòu)建了具備自主決策與執(zhí)行能力的智能系統(tǒng)。其核心突破在于將“大腦”與“四肢”有機(jī)統(tǒng)一，標(biāo)志著大模型從被動(dòng)應(yīng)答邁向主動(dòng)干預(yù)現(xiàn)實(shí)的質(zhì)變。

在架構(gòu)上，Agent與ReAct差別不大，ReAct是Agent的核心實(shí)現(xiàn)范式之一，Agent進(jìn)一步整合記憶存儲(chǔ)、多智能體協(xié)作等模塊，形成更完整的自主決策系統(tǒng)。下圖是一個(gè)簡(jiǎn)單的Agent架構(gòu)圖：

Agent處理流程

1-4步會(huì)循環(huán)進(jìn)行，直到LLM認(rèn)為問(wèn)題已被回答。

1.規(guī)劃（Planning）：

• 定義：規(guī)劃是Agent的思維模型，負(fù)責(zé)拆解復(fù)雜任務(wù)為可執(zhí)行的子任務(wù)，并評(píng)估執(zhí)行策略。
• 實(shí)現(xiàn)方式：通過(guò)大模型提示工程（如ReAct、CoT推理模式）實(shí)現(xiàn)，使Agent能夠精準(zhǔn)拆解任務(wù)，分步解決。

2.記憶（Memory）：

• 定義：記憶即信息存儲(chǔ)與回憶，包括短期記憶和長(zhǎng)期記憶。
• 實(shí)現(xiàn)方式：短期記憶用于存儲(chǔ)會(huì)話上下文，支持多輪對(duì)話；長(zhǎng)期記憶則存儲(chǔ)用戶特征、業(yè)務(wù)數(shù)據(jù)等，通常通過(guò)向量數(shù)據(jù)庫(kù)等技術(shù)實(shí)現(xiàn)快速存取。

3.工具（Tools）：

• 定義：工具是Agent感知環(huán)境、執(zhí)行決策的輔助手段，如API調(diào)用、插件擴(kuò)展等。
• 實(shí)現(xiàn)方式：通過(guò)接入外部工具（如API、插件）擴(kuò)展Agent的能力，如ChatPDF解析文檔、Midjourney文生圖等。

4.行動(dòng)（Action）：

• 定義：行動(dòng)是Agent將規(guī)劃與記憶轉(zhuǎn)化為具體輸出的過(guò)程，包括與外部環(huán)境的互動(dòng)或工具調(diào)用。
• 實(shí)現(xiàn)方式：Agent根據(jù)規(guī)劃與記憶執(zhí)行具體行動(dòng)，如智能客服回復(fù)、查詢天氣預(yù)報(bào)、AI機(jī)器人抓起物體等。

Manus：一個(gè)Agent典型案例

在讀完前一節(jié)關(guān)于智能體（Agent）的技術(shù)解析后，讀者也許會(huì)認(rèn)為這類系統(tǒng)的工程實(shí)現(xiàn)并非難事，實(shí)際上也確實(shí)是這樣。近期爆火的 Agent 產(chǎn)品 Manus 便是典型案例。當(dāng)用戶提出 "定制 7 天日本旅行計(jì)劃" 的需求時(shí)，Manus 能夠基于目標(biāo)，自主進(jìn)行網(wǎng)絡(luò)搜索并將信息整合，展現(xiàn)出高度擬人化的任務(wù)執(zhí)行邏輯。

盡管 Manus 目前尚未向普通用戶開(kāi)放，且采用邀請(qǐng)制注冊(cè)的封閉運(yùn)營(yíng)模式，但其通過(guò)官方演示視頻呈現(xiàn)的強(qiáng)大智能化表現(xiàn)，已在技術(shù)圈引發(fā)廣泛關(guān)注。值得關(guān)注的是，隨著Agent技術(shù)的熱度攀升，開(kāi)源社區(qū)已迅速涌現(xiàn)出 OpenManus、OWL 等多個(gè)復(fù)刻項(xiàng)目。

因?yàn)镸anus并非開(kāi)源，我們很難了解其技術(shù)細(xì)節(jié)。但好在：

1. "Manus 的部分技術(shù)細(xì)節(jié)，包括其提示詞設(shè)計(jì)、運(yùn)行機(jī)制等內(nèi)容被網(wǎng)友通過(guò)非官方渠道披露，感興趣的讀者可自行查閱相關(guān)公開(kāi)資料。
2. 我們可以了解一下大模型上下文協(xié)議（Model Context Protocol，MCP），這是 Anthropic (Claude) 主導(dǎo)發(fā)布的一個(gè)開(kāi)放的、通用的、有共識(shí)的協(xié)議標(biāo)準(zhǔn)，雖然Manus不一定用了這個(gè)協(xié)議，但目前一些相關(guān)開(kāi)源項(xiàng)目也是基于MCP的，本文會(huì)在下面介紹MCP。
3. 目前已有復(fù)刻的開(kāi)源項(xiàng)目Openmanus，筆者會(huì)在接下來(lái)的章節(jié)剖析其源碼。

大模型上下文協(xié)議（MCP）

MCP是做什么的？

MCP（Model Context Protocol）作為一項(xiàng)開(kāi)放協(xié)議，旨在為應(yīng)用程序與大型語(yǔ)言模型（LLMs）之間的上下文交互提供標(biāo)準(zhǔn)化框架。其設(shè)計(jì)理念可類比為數(shù)字時(shí)代的 "USB-C 接口"—— 正如 USB-C 統(tǒng)一了設(shè)備與外設(shè)的連接標(biāo)準(zhǔn)，MCP 通過(guò)標(biāo)準(zhǔn)化的上下文交互接口，實(shí)現(xiàn)了 AI 模型與多樣化數(shù)據(jù)源、工具之間的無(wú)縫對(duì)接。

如下圖所示，圖中的MCP server都可以看成一個(gè)個(gè)工具(如搜索引擎、天氣查詢)，通過(guò)“接口”連接到MCP clients(大模型)上，大模型可以使用各種MCP server來(lái)更好地處理用戶的問(wèn)題。

此外，下游工具的開(kāi)發(fā)者也可以更好的開(kāi)發(fā)其工具，目前在MCP官網(wǎng)即可了解其各種編程語(yǔ)言的SDK和相關(guān)概念。

MCP架構(gòu)

MCP 的核心采用客戶端-服務(wù)器架構(gòu)，其中 host 可以連接到多個(gè)服務(wù)器，讀者簡(jiǎn)單看看即可：

• MCP 主機(jī)（MCP Hosts）：指需要通過(guò) MCP 協(xié)議獲取數(shù)據(jù)的應(yīng)用程序，涵蓋 AI 開(kāi)發(fā)工具（如 Claude Desktop）、集成開(kāi)發(fā)環(huán)境（IDEs）等智能應(yīng)用場(chǎng)景。
• MCP 客戶端（MCP Clients）：作為協(xié)議的執(zhí)行者，每個(gè)客戶端與對(duì)應(yīng)的 MCP 服務(wù)器建立一對(duì)一的專屬連接，負(fù)責(zé)協(xié)議層面的通信交互。
• MCP 服務(wù)器（MCP Servers）：輕量化的功能載體，通過(guò)標(biāo)準(zhǔn)化的 Model Context Protocol 對(duì)外開(kāi)放特定能力，可視為連接模型與工具的智能橋梁。
• 本地化數(shù)據(jù)源（Local Data Sources）：包括服務(wù)器可安全訪問(wèn)的本地文件系統(tǒng)、數(shù)據(jù)庫(kù)及專有服務(wù)，構(gòu)成數(shù)據(jù)交互的近端生態(tài)。
• 遠(yuǎn)程服務(wù)（Remote Services）：通過(guò)互聯(lián)網(wǎng)連接的外部系統(tǒng)，例如各類 API 接口服務(wù)，拓展了模型的能力邊界。

為什么要用MCP？

從技術(shù)演進(jìn)視角看，MCP 的誕生是提示工程（Prompt Engineering）發(fā)展的必然產(chǎn)物。研究表明，結(jié)構(gòu)化的上下文信息能顯著提升大模型的任務(wù)表現(xiàn)。在傳統(tǒng)提示工程中，我們往往需要人工從數(shù)據(jù)庫(kù)篩選信息或通過(guò)工具檢索相關(guān)內(nèi)容，再手動(dòng)將這些信息注入提示詞。然而，隨著復(fù)雜任務(wù)場(chǎng)景的增多，這種手工注入信息的操作變得愈發(fā)繁瑣且低效。

為解決這一痛點(diǎn)，主流大模型平臺(tái)（如 OpenAI、Google）先后引入了函數(shù)調(diào)用（Function Call）機(jī)制。該機(jī)制允許模型在推理過(guò)程中主動(dòng)調(diào)用預(yù)定義函數(shù)獲取數(shù)據(jù)或執(zhí)行操作，極大提升了自動(dòng)化水平。然而，函數(shù)調(diào)用機(jī)制存在顯著局限性：其一，不同平臺(tái)的函數(shù)調(diào)用 API 存在較大差異，例如 OpenAI 與 Google 的實(shí)現(xiàn)方式互不兼容，開(kāi)發(fā)者在切換模型時(shí)需重新編寫(xiě)代碼，徒增適配成本；其二，該機(jī)制在安全性、交互性及復(fù)雜場(chǎng)景的擴(kuò)展性方面仍存在優(yōu)化空間。

在此背景下，MCP 協(xié)議通過(guò)標(biāo)準(zhǔn)化的上下文交互接口，為大模型構(gòu)建了更具普適性的工具調(diào)用框架。它不僅解耦了模型與工具的依賴關(guān)系，還通過(guò)統(tǒng)一的協(xié)議規(guī)范解決了跨平臺(tái)兼容性問(wèn)題。更重要的是，MCP 將上下文管理提升到系統(tǒng)架構(gòu)層面，為大模型在復(fù)雜業(yè)務(wù)場(chǎng)景中的深度應(yīng)用提供了可擴(kuò)展的技術(shù)底座。這種從碎片化的提示工程到體系化的上下文協(xié)議的演進(jìn)，標(biāo)志著大模型應(yīng)用正在向更高效、更規(guī)范的方向邁進(jìn)。

四、智能體Agent實(shí)現(xiàn)的源碼剖析（OpenManus項(xiàng)目）

OpenManus 是一個(gè)基于 MCP 協(xié)議的開(kāi)源智能體實(shí)現(xiàn)項(xiàng)目，旨在通過(guò)標(biāo)準(zhǔn)化的上下文協(xié)議實(shí)現(xiàn)大模型與工具的高效協(xié)同。當(dāng)前項(xiàng)目仍處于快速迭代階段，本文以其 2025 年 3 月 12 日的版本為分析對(duì)象。選擇該項(xiàng)目的原因如下：

• 團(tuán)隊(duì)背景與代碼質(zhì)量：項(xiàng)目作者來(lái)自MetaGPT，具備深厚的工程經(jīng)驗(yàn)，代碼結(jié)構(gòu)清晰且注釋完善，兼顧了技術(shù)實(shí)現(xiàn)與可讀性。
• 部署便捷性：只需通過(guò)虛擬環(huán)境安裝依賴并配置大模型 API Key（如 OpenAI 的 API 密鑰），即可快速啟動(dòng)，降低了技術(shù)門(mén)檻。
• 技術(shù)前沿性：項(xiàng)目緊跟大模型技術(shù)發(fā)展，且目前仍在不斷迭代的過(guò)程中。

在經(jīng)過(guò)前面對(duì)相關(guān)概念的討論，我們可以得知實(shí)現(xiàn)Agent有幾個(gè)關(guān)鍵的點(diǎn)，讀者可以帶著問(wèn)題在項(xiàng)目中尋找答案：

• Prompt：其結(jié)構(gòu)化的Prompt是什么樣的？通過(guò)Prompt可以對(duì)其架構(gòu)有一個(gè)初步認(rèn)識(shí)。
• OpenManus：怎么通過(guò)大模型思考和處理問(wèn)題？
• 工具相關(guān)：怎么進(jìn)行工具注冊(cè)、工具管理的？工具執(zhí)行邏輯是什么的？

準(zhǔn)備

項(xiàng)目地址：https://github.com/mannaandpoem/OpenManus/tree/main

構(gòu)建環(huán)境

創(chuàng)建一個(gè)pythnotallow=3.12的虛擬環(huán)境

• 筆者測(cè)試了一下，非3.12版本會(huì)有一個(gè)package不兼容。
• 可以用conda或python內(nèi)置的uv，項(xiàng)目文檔提供了詳細(xì)的指令。

安裝playwright

• 如果第一次使用，需要安裝playwright。

playwright install
## 或者
python -m playwright install
## 以上命令會(huì)安裝所有瀏覽器，如果只需要安裝一個(gè)瀏覽器比如firefox
python -m playwright install firefox

配置大模型API Key

• 可以用DeepSeek或通義千問(wèn)的API Key，其中通義有免費(fèi)額度，DeepSeek雖然收費(fèi)但價(jià)格便宜，測(cè)試一次使用約1000token,成本不到0.01元。
• 根據(jù)項(xiàng)目文檔配置cofig.yaml即可，但項(xiàng)目調(diào)用大模型是使用基礎(chǔ)的OpenAI API，如果使用其他大模型，可能需要基于對(duì)應(yīng)的官方文檔小改一下。

代碼

OpenManus客戶端

Python OpenManus/main.py即可在終端運(yùn)行OpenManus，讀者也可以嘗試其Web版本。

• 具體會(huì)調(diào)用20行代碼，執(zhí)行Manus類的方法run()。

進(jìn)入OpenManus/app/agent/manus.py查看Manus類，可以發(fā)現(xiàn)它繼承了ToolCallAgent類，再進(jìn)入會(huì)發(fā)現(xiàn)又是繼承，有點(diǎn)復(fù)雜，這里我畫(huà)一張關(guān)系圖。

• act()執(zhí)行時(shí)使用execute_tools()進(jìn)行具體的工具執(zhí)行。
• 總體來(lái)說(shuō)，Manus類定義了Prompt和可使用的工具。
• Base類定義了run()，在run()中會(huì)循環(huán)執(zhí)行ReAct類的方法step()，直到Finish或達(dá)到max_step。
• step()類會(huì)順序執(zhí)行ToolCallAgent類的think()和act()。

當(dāng)然，這里只羅列了重要的組件和方法，一些方法沒(méi)有畫(huà)在圖中。

Prompt

一般來(lái)說(shuō)，輸入給LLM的prompt分為兩種：1）系統(tǒng) prompt，用于定義模型的角色定位和行為規(guī)則；2）用戶 prompt(OpenManus稱為Next Step Prompt)，用于傳達(dá)具體的任務(wù)指令或信息需求。

在OpenManus/app/prompt/manus.py中即可看到Manus的Prompt，這里展示一下中文版，讀者基于此可對(duì)OpenManus架構(gòu)有一個(gè)初步認(rèn)識(shí)：

• 系統(tǒng)Prompt（SYSTEM_PROMPT）：“你是 OpenManus，一個(gè)全能的人工智能助手，旨在解決用戶提出的任何任務(wù)。你擁有各種可使用的工具，能調(diào)用這些工具高效地完成復(fù)雜的請(qǐng)求。無(wú)論是編程、信息檢索、文件處理還是網(wǎng)頁(yè)瀏覽，你都能應(yīng)對(duì)自如。”
• 下一步Prompt（NEXT_STEP_PROMPT）：“你可以使用 PythonExecute 與計(jì)算機(jī)進(jìn)行交互，通過(guò) FileSaver 保存重要的內(nèi)容和信息文件，使用 BrowserUseTool 打開(kāi)瀏覽器，并使用 GoogleSearch 檢索信息。根據(jù)用戶的需求，主動(dòng)選擇最合適的工具或工具組合。對(duì)于復(fù)雜的任務(wù)，你可以將問(wèn)題分解，逐步使用不同的工具來(lái)解決它。在使用完每個(gè)工具后，清晰地解釋執(zhí)行結(jié)果并給出下一步的建議。

當(dāng)然，在實(shí)際執(zhí)行時(shí)會(huì)對(duì)prompt有進(jìn)一步優(yōu)化，不過(guò)核心的系統(tǒng)定位與任務(wù)指導(dǎo)原則是不會(huì)改變的。

Manus類

我們先看一下OpenManus擁有的工具，工具也支持自定義，會(huì)在后文進(jìn)行介紹。

• PythonExecute：執(zhí)行 Python 代碼以與計(jì)算機(jī)系統(tǒng)交互、進(jìn)行數(shù)據(jù)處理、自動(dòng)化任務(wù)等等。
• FileSaver：在本地保存文件，例如 txt、py、html 等文件。
• BrowserUseTool：打開(kāi)、瀏覽并使用網(wǎng)絡(luò)瀏覽器。如果你打開(kāi)一個(gè)本地 HTML 文件，必須提供該文件的絕對(duì)路徑。
• GoogleSearch：執(zhí)行網(wǎng)絡(luò)信息檢索。
• Terminate：如果LLM認(rèn)為回答完畢，會(huì)調(diào)用這個(gè)工具終止循環(huán)。

Base類

run()

• 首先，輸入的request就是用戶輸入的提問(wèn)。

狀態(tài)管理

• 執(zhí)行時(shí)首先檢查代理的當(dāng)前狀態(tài)是否為 IDLE?（空閑狀態(tài)）。如果不是空閑狀態(tài)，會(huì)拋出 RuntimeError 異常，因?yàn)橹挥性诳臻e狀態(tài)下才能啟動(dòng)代理的執(zhí)行。

• 當(dāng)進(jìn)入循環(huán)時(shí)前，使用 state_context?上下文管理器將代理的狀態(tài)臨時(shí)切換到 RUNNING?（運(yùn)行狀態(tài)）。在上下文管理器中執(zhí)行的代碼塊會(huì)在進(jìn)入時(shí)將狀態(tài)切換為指定狀態(tài)，在退出時(shí)恢復(fù)到之前的狀態(tài)。如果在執(zhí)行過(guò)程中發(fā)生異常，會(huì)將狀態(tài)切換為 ERROR。

Memory管理

我們調(diào)用大模型的API，本質(zhì)是向大模型提供方發(fā)http請(qǐng)求，http請(qǐng)求是無(wú)狀態(tài)的。

• 也就是說(shuō)，服務(wù)端不會(huì)保留任何會(huì)話信息。對(duì)于每次都完成一個(gè)獨(dú)立的任務(wù)，無(wú)狀態(tài)是沒(méi)有任何問(wèn)題的。但對(duì)持續(xù)聊天來(lái)說(shuō)，就會(huì)出現(xiàn)對(duì)之前會(huì)話一無(wú)所知的情況。

所以為了讓大模型持續(xù)與用戶的對(duì)話，一種常見(jiàn)的解決方案就是把聊天歷史告訴大模型。

• 因此，在OpenManus中會(huì)進(jìn)行Memory的管理。

• 用戶提供的 request? 參數(shù)，調(diào)用 update_memory 方法將該請(qǐng)求作為用戶消息添加到代理的Memory中。
• 除了這個(gè)函數(shù)，Manus也在進(jìn)行think()、act()時(shí)也會(huì)更新Memory，同時(shí)Memory容量也不是無(wú)限大的，容量滿時(shí)需要?jiǎng)h除老的Message。

主循環(huán)

agent本質(zhì)就是循環(huán)執(zhí)行。

• step實(shí)現(xiàn)參考react step。
• 循環(huán)結(jié)束條件：max_steps或者FINISHED狀態(tài)。
• 每次執(zhí)行一個(gè)step并獲得result——step_result = await self.step()。
• is_stuck? 方法用于檢查代理是否陷入了循環(huán)（即是否出現(xiàn)了重復(fù)的響應(yīng)）。如果是，則調(diào)用 handle_stuck_state 方法處理這種情況，例如添加一個(gè)提示來(lái)改變策略。

ReAct

step()

• 這里的邏輯很簡(jiǎn)單。

ToolcallAgent

Think()

• 輸入：不需要輸入，因?yàn)橛脩舻膓uestion是被存放在Memory中。
• 輸出：一個(gè)bool類型，當(dāng)內(nèi)部LLM判斷需要act()時(shí)，為T(mén)rue，否則為Fasle。

詢問(wèn)LLM

• 55行的代碼用于調(diào)用LLM的API接口，獲取回復(fù)。

對(duì)應(yīng)到OpenManus/app/llm.py 233行附近，這里就是基于OpenAI提供的API接口進(jìn)行對(duì)話，具體的參數(shù)可參考相應(yīng)官方文檔。

• 這里會(huì)將之前定義的下一步Prompt發(fā)給LLM，LLM會(huì)根據(jù)提供的工具列表，判斷是否需要且調(diào)用的是哪個(gè)工具，當(dāng)然也可能是：1）不需要工具只進(jìn)行回復(fù) 2）調(diào)用Terminate工具結(jié)束會(huì)話。

下圖是一次返回response結(jié)果。

• 輸入的question是“計(jì)算Kobe Bryant的BMI？”，LLM先分析出了要通過(guò)瀏覽器查詢資料，因此要use the BrowserUseTool。
• 根據(jù)傳入的工具類型等信息，LLM自動(dòng)構(gòu)建了執(zhí)行工具需要用的tool_name、action等參數(shù)。

ChatCompletionMessage(
    cnotallow="It seems there was an issue with retrieving the information about Kobe Bryant's height and weight through a Google search. To calculate Kobe Bryant's BMI, we need his height and weight. Let's try to find this information by opening a browser and visiting a reliable source. I will use the BrowserUseTool to navigate to a website that provides details about Kobe Bryant's height and weight. Let's proceed with this approach.", 
    refusal=None, 
    role='assistant', 
    annotatinotallow=None, 
    audio=None, 
    function_call=None, 
    tool_calls=[
        ChatCompletionMessageToolCall(
            id='call_aez57ImfIEZrqjZdcW9sFNEJ',
            functinotallow=Function(
            arguments='{
                "action":"navigate",
                "url":"https://www.biography.com/athlete/kobe-bryant"
                }', 
            name='browser_use'), 
            type='function')]
)

think后續(xù)邏輯

• think()后續(xù)的邏輯比較簡(jiǎn)單，主要是更新memory(memory存儲(chǔ)單位是message)，最后在100行附近的邏輯，基于self.tool_choices等參數(shù)的設(shè)置和LLM返回的工具列表，輸出bool類型結(jié)果。
• 同時(shí)，需要被調(diào)用的工具會(huì)被記錄到self.tool_calls這個(gè)列表中，后續(xù)的act()會(huì)執(zhí)行對(duì)應(yīng)的工具。

Act()

• 輸入：同think()，不需要輸入。
• 輸出：results，根據(jù)工具結(jié)果構(gòu)建的一個(gè)字符串。

• 這個(gè)函數(shù)比較簡(jiǎn)單，主要是調(diào)用execute_tool()函數(shù)。

Execute_tool()

該函數(shù)會(huì)調(diào)用Tool類提供的接口execute()。

• Tool類接口會(huì)在后面介紹。

同時(shí)，對(duì)于預(yù)設(shè)定的special tool，會(huì)self._handle_special_tool(name=name, result=result)進(jìn)行特殊處理。

• 當(dāng)前的special tool只有一個(gè)Terminate工具，特殊處理就是設(shè)置Agent的狀態(tài)為AgentState.FINISHED，結(jié)束對(duì)話。

工具相關(guān)

我們?cè)谥敖榻B了MCP相關(guān)的概念，如下圖所示：

事實(shí)上，OpenManus也是基于MCP的，OpenManus的tool相當(dāng)于MCP server，根據(jù)MCP協(xié)議，我們只需要定義tool類支持的方法和參數(shù)等，每次注冊(cè)一個(gè)新工具，根據(jù)父類override一個(gè)子類即可。

那我們首先要了解父類都定義了什么參數(shù)和方法，也就是OpenManus/app/tool/base.py定義的Basetool類。

Base Tool

可以看出，代碼很簡(jiǎn)單，每個(gè)tool包含的參數(shù)為:name、description(提供給LLM看的，對(duì)工具的介紹)、parameters(執(zhí)行工具時(shí)要用的參數(shù))。

同時(shí)，一個(gè)tool支持的方法有execute()和to_param()。

• execute()用于執(zhí)行具體的邏輯，每個(gè)子類需要override這個(gè)方法。
• to_param()將工具調(diào)用的結(jié)果結(jié)構(gòu)化輸出。

當(dāng)然，這里還有一個(gè)python關(guān)鍵字__call__，這個(gè)關(guān)鍵字很簡(jiǎn)單，定義了__call__，該類的實(shí)例對(duì)象可以像函數(shù)一樣被調(diào)用。

工具JSON

可以根據(jù)OpenManus預(yù)定義的工具json簡(jiǎn)單了解一下，每個(gè)工具執(zhí)行時(shí)需要的參數(shù)。

[
  {
    "type": "function",
    "function": {
      "name": "python_execute",
      "description": "Executes Python code string. Note: Only print outputs are visible, function return values are not captured. Use print statements to see results.",
      "parameters": {
        "type": "object",
        "properties": {
          "code": {
            "type": "string",
            "description": "The Python code to execute."
          }
        },
        "required": ["code"]
      }
    }
  },
  {
    "type": "function",
    "function": {
      "name": "google_search",
      "description": "Perform a Google search and return a list of relevant links.\nUse this tool when you need to find information on the web, get up-to-date data, or research specific topics.\nThe tool returns a list of URLs that match the search query.\n",
      "parameters": {
        "type": "object",
        "properties": {
          "query": {
            "type": "string",
            "description": "(required) The search query to submit to Google."
          },
          "num_results": {
            "type": "integer",
            "description": "(optional) The number of search results to return. Default is 10.",
            "default": 10
          }
        },
        "required": ["query"]
      }
    }
]

工具示例——google_search

OpenManus項(xiàng)目在OpenManus/app/tool中定義了bash工具、瀏覽器工具、谷歌搜索工具等，這里簡(jiǎn)單看一下谷歌搜索工具。

當(dāng)然，國(guó)內(nèi)可能比較難使用谷歌搜索，OpenManus社區(qū)也有大佬提供了baidu、bing等搜索引擎工具。

可以看出，代碼很簡(jiǎn)單，主要做了兩件事。

• 定義工具參數(shù)：name、description、parameters。
• 定義execute：基于googlesearch庫(kù)提供的函數(shù)進(jìn)行搜索并返回。

五、總結(jié)

OpenManus的代碼介紹到這里，主要是介紹一下核心代碼，同時(shí)，原作者寫(xiě)了planning部分的代碼但暫時(shí)沒(méi)有應(yīng)用到項(xiàng)目中，筆者也沒(méi)有介紹。如果想對(duì)該項(xiàng)目有更進(jìn)一步的了解，請(qǐng)大家查看github上提供的源碼。而且，作者還是非常積極的，每天會(huì)有十幾個(gè)commit。

同時(shí)，讀者可以簡(jiǎn)單本地部署玩一下OpenManus，通過(guò)幾個(gè)prompt，就可以知道該項(xiàng)目還是停留在“玩具階段”，比如筆者測(cè)試了一下，當(dāng)詢問(wèn)“計(jì)算一下科比的BMI？”，OpenManus可以很準(zhǔn)確的實(shí)現(xiàn)谷歌搜索——瀏覽器訪問(wèn)——python計(jì)算這個(gè)過(guò)程。但如果詢問(wèn)“計(jì)算科比、梅西的BMI并排序？”，無(wú)論我改寫(xiě)了幾次prompt，OpenManus都沒(méi)有給我滿意的回答。

此外，無(wú)論是在工具參數(shù)信息、還是prompt、memory管理中，都可以看到agent應(yīng)用大模型token消耗量巨大，即使我們不考慮token成本，但大模型的上下文仍然是有限的，這種資源消耗也會(huì)直接導(dǎo)致模型在處理多步驟任務(wù)時(shí)面臨信息截?cái)嗟娘L(fēng)險(xiǎn) —— 早期的關(guān)鍵信息可能因上下文溢出而被丟棄，進(jìn)而引發(fā)推理鏈條的斷裂。更值得警惕的是，當(dāng)模型試圖在有限的上下文中 “腦補(bǔ)” 缺失的信息時(shí)，往往會(huì)產(chǎn)生與事實(shí)不符的幻覺(jué)。

鑒于此，盡管 OpenManus 展示出了利用工具鏈解決復(fù)雜問(wèn)題的潛力，不過(guò)距離成為一個(gè)實(shí)用、高效且穩(wěn)定的生產(chǎn)級(jí)人工智能助手仍有很長(zhǎng)的路要走。未來(lái)，開(kāi)發(fā)者們或許需要在優(yōu)化工具使用邏輯、提升多任務(wù)處理能力、降低大模型 token 消耗以及增強(qiáng)上下文管理等方面進(jìn)行深入探索與改進(jìn)。同時(shí)，對(duì)于普通用戶而言，在體驗(yàn)這類項(xiàng)目時(shí)，也應(yīng)該保持理性和客觀的態(tài)度，既看到其創(chuàng)新性和趣味性，也認(rèn)識(shí)到其當(dāng)前存在的局限性。希望在技術(shù)的不斷迭代和完善下，OpenManus 以及類似的項(xiàng)目能夠早日突破現(xiàn)有的瓶頸，真正為人們的工作和生活帶來(lái)實(shí)質(zhì)性的幫助。

本文轉(zhuǎn)載自??得物技術(shù)??，作者：漢堡