1.系统架构分析<br>
1.1 基础模型
Claude 3.5/3.7
阿里Qwen微调模型
多模型动态调用(Claude、GPT-4、Gemini)
1.2 云端虚拟计算环境
Ubuntu linux全功能环境
shell命令、Web浏览器、代码执行
文件系统持久化
1.3 代建循环与编排
分析→计划→执行→观察
每轮仅执行一步，防止失控
1.4 规划器模块
任务分解为有序步骤
todo.md文件跟踪进度
1.5 知识与数据模块
知识库/最佳实践注入
数据API调用(RAG)
1.6 多代理协作
各子代理在独立沙盒下专注子任务
主代理协调整合
2.技术组件<br>
2.1 可执行代码动作(CodeAct)
以Python代码为通用动作格式
代码执行结果作为观察，支持自我调试
2.2 工具集成与控制流
工具API统一调用接口
工具：Web搜索、浏览器、Shell、文件、API等<br>
严格一轮一步，错误处理自诊断
2.3 记忆与状态管理
事件流上下文 (对话、动作、观察)
文件持久化(todo.md、notes等)
长期知识库与RAG
上下文裁剪与摘要
2.4 提示词工程
明确角色、能力、规则
系统化模块化提示词，细致输出要求
禁止敏感/危险操作
3.实现策略(开源复现)
3.1 架构蓝图
LLM核心(CodeActAgent/Mistral等)
Orchestrator/循环控制器
工具/动作API
规划器模块
知识检索器
记忆存储
3.2 基础模型选择
CodeActAgent优先,或GPT-4/Claude API
本地推理服务器(vLLM/FastChat)
3.3工具执行环境
Docker沙盒(Python、 Node、 Playwright等)
工具SDK(agent_tools.py等)<br>
严格权限与资源眼制
3.4 规划与分解
规划助手LLM分步输出
计划注入主代理上下文
todo.md跟踪，变更时重规划
3.5 记忆与知识集成
向量数据库(FAISS等)
检索增通生成(RAG)
文件读写与上下文管理
3.6 提示词设计
角色、规则、工具、输出格式细化
多轮示例few-shot
3.7 开发流程
循环+工具最小化原型
工具逐步扩展
日志与错误观察
规划与记忆集成
提示词与策略调优
UI/API集成
3.8 开源项目参考
OpenManus、 LangManus等
5.总结<br>
Manus核心：架构+顶级模型+代码执行+极致提示词<br>
开源可复现，需工程打磨与测试
推动AI自主代理透明发展
