当前位置：首页 > wzjs >正文

iis7部署网站重庆网站建设夹夹虫

wzjs 2025/9/20 15:00:24

iis7部署网站,重庆网站建设夹夹虫,网站建设备案不通过,pageadmin和wordpress背景介绍 Manus 是最近一个现象级的大模型 Agent 工具，自从发布以来，被传出各种神乎其神的故事，自媒体又开始炒作人类大量失业的鬼故事，Manus 体验码也被炒作为 10w 的高价。之后又出现反转，被爆出实际体验效果不佳…

背景介绍

Manus 是最近一个现象级的大模型 Agent 工具，自从发布以来，被传出各种神乎其神的故事，自媒体又开始炒作人类大量失业的鬼故事，Manus 体验码也被炒作为 10w 的高价。

之后又出现反转，被爆出实际体验效果不佳，存在造假的问题，Manus在X平台的账号被冻结。沟通之后，3月8日，Manus官方X账号又被解冻。

Manus 的故事一波三折，开源社区也没有闲着，MetaGPT 团队在 Manus 发布后 3 小时就开源了 OpenManus，短短两天 Star 数量一路飙升，截止目前已经 15k+ 的 Star。本文就从开源方案来深入了解 Manus，祛魅自主 Agent 工具。

Agent 介绍

通用型AI Agent（智能体）产品的起源可以追溯到人工智能领域对"自主执行任务"能力的探索。这类产品不仅需要理解用户需求，还需具备规划、调用工具、执行复杂任务的能力。

这类产品最早的探索可以追溯到2023年，AutoGPT（2023年4月）是这个领域的开创性项目。它首次将大语言模型（LLM）与自主任务执行能力结合，开创了 AI Agent 的新范式。用户只需通过自然语言设定目标，模型就能自动分解任务、调用网络搜索和代码执行等工具，尝试完成复杂目标（如市场调研、代码生成等）。虽然受限于当时大模型的能力没能完全实现自主Agent的设想，但AutoGPT为后续Agent工具的发展奠定了基础。目前AutoGPT在Github上的Star数量依旧遥遥领先，已达173k+。

Agent 方案的设想目前来看很合理，大模型拥有类似人类大脑的思考能力，但是人类在解决实际问题时，不仅需要大脑思考，还需要双手来完成任务。而 Agent 方案的设想，就是让大模型来思考和规划，然后调用大量外部工具来完成任务。对应的架构如下所示：

请添加图片描述

在单一 Agent 之后又发展出 Multi-Agent 的方案，Multi-Agent 的方案可以理解为单 Agent 的升级版，单 Agent 是让大模型来思考和规划，然后调用大量外部工具来完成任务。而 Multi-Agent 是让多个大模型来分工合作，共同完成任务。本文介绍的 OpenManus 属于单 Agent 的方案，后续有机会再介绍 Multi-Agent 的方案。

实现方案

目前单一 Agent 的实现方案主要有以下两种：

ReAct (Reasoning + Acting) 框架

实现逻辑：将任务分解为思考(Reasoning)和行动(Acting)两个交替进行的阶段。通过少样本Prompt引导大模型生成思考链（Thought Chain），确定下一步行动，执行工具调用（Action），观察结果并迭代优化。
优势：
- 决策过程透明可解释
- 工具调用灵活，可动态调整策略
- 适合需要复杂推理的任务
劣势：
- 每个步骤都需要LLM参与，token消耗大
- 容易在复杂任务中陷入循环
- 执行效率相对较低

Plan-and-Execute 框架

实现逻辑：将任务分为规划（Planning）和执行（Execution）两个明确的阶段。首先生成完整的任务执行计划（通常是DAG图），然后按计划批量执行子任务。
优势：
- 显著减少LLM调用次数，降低成本
- 任务执行更加高效
- 适合步骤明确的复杂任务
劣势：
- 对初始规划的准确性要求高
- 难以处理高度动态的任务
- 子任务间的依赖关系复杂时容易失败

在 OpenManus 中，简单版本实现的是 ReAct 框架，复杂版本实现的是 Plan-and-Execute 框架。分别对应于 Github 提到的 main.py 和 run_flow.py 入口。截止目前 ReAct 版本完成度较高， Plan-and-Execute 版本还比较原始。本文主要介绍 ReAct 部分的流程。

核心实现细节

ReAct框架的实现遵循"思考-行动-观察"的循环模式：

请添加图片描述
核心流程包括：

思考（Reasoning）：分析当前状态，确定下一步行动
行动（Acting）：执行选定的工具调用
观察（Observation）：收集执行结果，更新状态
重复以上步骤直至任务完成

执行流程

核心执行流程的实现在 app/agent/base.py 中可以看到，就是一个简单的循环，在执行过程中重复执行 step() 方法，直到任务完成。

async def run(self, request: Optional[str] = None) -> str:if request:self.update_memory("user", request)results: List[str] = []async with self.state_context(AgentState.RUNNING):while (self.current_step < self.max_steps and self.state != AgentState.FINISHED):self.current_step += 1# 重复执行 step 直到任务完成step_result = await self.step()# 如果陷入死循环，则进行处理if self.is_stuck():self.handle_stuck_state()results.append(f"Step {self.current_step}: {step_result}")# 如果达到最大步数，则结束，避免在无法解决的问题上浪费过多 tokenif self.current_step >= self.max_steps:results.append(f"Terminated: Reached max steps ({self.max_steps})")return "\n".join(results) if results else "No steps executed"

在单个 step() 方法中，主要就是执行推理 think() 和行动 act() 两个环节。可以看到对应的实现如下所示：

async def step(self) -> str:# 推理环节should_act = await self.think()if not should_act:return "Thinking complete - no action needed"# 行动环节return await self.act()

推理环节

ReAct 推理环节主要用于确定下一步执行的动作，在 OpenManus 中，下一步动作会从下面几个可选动作中进行选择：

PythonExecute() ：执行 Python 代码
GoogleSearch() ：执行 Google 搜索
BrowserUseTool() ：执行浏览器操作
FileSaver() ：保存文件
Terminate() ：终止

如何基于大模型确定具体执行的动作呢？主要基于 OpenAI 提供的标准方案，通过 tools 使用标准格式传入所有可选的工具列表，之后大模型会根据当前的上下文选择一个最合适的工具。对应的实现如下所示：


async def think(self) -> bool:if self.next_step_prompt:user_msg = Message.user_message(self.next_step_prompt)self.messages += [user_msg]# 调用大模型，传入所有可选的工具列表，之后大模型会根据当前的上下文选择一个最合适的工具response = await self.llm.ask_tool(messages=self.messages,system_msgs=[Message.system_message(self.system_prompt)]if self.system_promptelse None,tools=self.available_tools.to_params(),tool_choice=self.tool_choices,)self.tool_calls = response.tool_calls

行动环节

行动环节主要用于执行具体的动作，在 OpenManus 中，执行动作的实现如下所示：


async def act(self) -> str:results = []# 执行推理环节确定的所有工具调用for command in self.tool_calls:result = await self.execute_tool(command)# 将工具调用的结果保存起来，对应于上面的流程中的观察反馈tool_msg = Message.tool_message(content=result, tool_call_id=command.id, name=command.function.name)self.memory.add_message(tool_msg)results.append(result)return "\n\n".join(results)