面经策

什么是 OpenManus？它的实现原理是什么？ ​

  • 标签：后端、编程导航

🏛 业务架构师 ​

OpenManus 是开源社区对通用智能体 Manus 的复刻：一个可本地部署的通用 Agent 框架——接受自然语言目标，自主规划→执行（调工具：浏览器、代码执行、文件操作、搜索）→迭代，产出最终交付物。

实现原理的三个核心件：

  1. Planning（规划）：先用模型把任务拆解为步骤清单（todo list），执行中动态更新状态（已完成/进行中/新增）——外化的任务状态让长任务不迷航（上下文窗口记不全的，靠计划文件记）；
  2. ReAct 执行循环：逐步执行——Thought/Action/Observation 交替，工具集（浏览器自动化、Python 沙箱、搜索、文件读写）按需调用——浏览器是它的杀手锏：像人一样打开网页、点击、填表，能力边界从"API 世界"扩展到"网页世界"；
  3. 记忆与上下文管理：长任务的中间产物落盘（文件/结果），上下文只保留必要部分——用外部存储换无限长任务。

我的架构评估（业务视角）：

  • 价值：它验证了"通用任务 Agent = 规划 + 工具 + 循环"的最小闭环，是学习 Agent 架构的最佳教材（代码量克制，三天能读透）；
  • 现实边界：通用 Agent 的能力天花板由工具质量与模型推理决定——OpenManus 的浏览器操作成功率、长任务的漂移，都说明通用好用仍有距离；商业上垂直场景 Agent（只做行程、只做财报分析）成功率远高于通用——我借鉴它的架构，但产品化走垂直路线；
  • 风险：给它浏览器和代码执行权限等于给了一双手——沙箱隔离、权限白名单、操作审计是自部署的安全底线。

一句话：OpenManus 是通用智能体的"参考实现"——抄它的架构，别神话它的能力。

🏗 系统架构师 ​

OpenManus 是开源的通用智能体项目（MetaGPT 团队 2025 出品），定位"开源版 Manus"——用户给一个目标，Agent 自主规划并调用工具完成（写代码、上网查资料、生成文档、操作文件）。它的价值在于用极简的工程实现了完整 Agent 内核，是学习 Agent 架构的绝佳标本。

实现原理（架构拆解）：

  • 分层智能体内核：BaseAgent 实现 Agent Loop——think（LLM 决策下一步）→ act（执行工具）循环，直到模型输出结束标志或达到最大步数；
  • ReAct + Plan 混合：PlanningTool 维护动态任务计划（plan list，可增删改状态），每步基于计划决定行动——比裸 ReAct 的规划性强；
  • 工具体系：PythonExecute（代码执行器是核心武器——把不确定的任务转化为"生成代码执行"兜底，浏览器操作、文件处理都可用代码完成）、BrowserUseTool（PlayDriver 驱动浏览器，视觉定位+DOM 结合）、Search、FileSandbox；
  • Memory：对话与工具结果作为短期记忆逐轮累积，上下文超限压缩；
  • Prompt 驱动：角色、规则（何时结束/如何用 plan）全部在系统提示词，行为调整主要靠提示工程。

我的借鉴：分层抽象（Base → Planning → 特化 Agent）+ 代码执行兜底 + 动态计划修订，这三点我直接吸收进自己的智能体设计——用最少的机制（loop + tools + memory）组合出最大自主性，是 Agent 工程的美学。

💻 全栈开发专家 ​

OpenManus = 开源社区对闭源产品 Manus（通用自主智能体）的复刻：给它一个高层目标，它自主拆解任务、连续调用工具（浏览器、代码执行、文件操作）完成交付。定位是"通用 Agent 的参考实现"，代码量小但把 Agent 的核心范式讲清楚了。

实现原理拆成四件套：

  1. Planner（规划）：LLM 把用户目标拆成带状态的 todo 列表（todo write 工具），随执行推进动态增删——这是 Manus"任务自组织"的核心，规划本身就是一次工具调用。

  2. ToolController（工具执行）：PythonExecute（代码执行引擎——把任务翻译成 Python 代码在沙箱跑，比逐个原子工具更强，爬虫/数据处理/画图一段代码搞定）、BrowserUse（浏览器自动化：导航、点击、截图、提取）、FileIO、Search、Shell。

  3. Agent Loop（ReAct 循环）：while True：模型根据 todo 和历史决定下一步 → 执行工具 → 结果回填上下文 → 直到模型输出终止标志。上下文管理：历史超长时自动摘要压缩。

  4. Replay/可视化：全程轨迹（每步动作截图/日志）可回放——工程上这是最值得抄的设计，Agent 的可解释性全靠它。

给我的启发（落地到我们项目）：规划层（todo 驱动）+ 执行层（工具/代码沙箱）+ 循环控制（预算与终止）+ 轨迹回放——这四层是所有自主 Agent 的骨架；我们自研 Agent 时按这个分层实现，浏览器自动化换成 API 调用，成本更低。