Manus！通用Agent构建解析：从理念到实践的产品思考

这两天被Manus刷屏了，Agent作为AI的执行体已逐渐从概念走向实践。本文将带领产品经理深入了解通用Agent的构建架构，探讨单Agent与多Agent体系的异同，并通过实例阐述其落地路径。

一、通用Agent：AI能力的集大成者

现在LLM已经具备了强大的理解与生成能力，但要真正完成复杂任务，仍需要一个能够规划、决策并执行的完整系统。这就是通用Agent的价值所在。

通用Agent本质上是一个能够理解用户意图、制定行动计划、调用工具执行并反馈结果的AI系统。与简单的聊天机器人不同，通用Agent具备主动性和自主性，能够基于目标自行规划并执行一系列复杂操作。

通用Agent的核心能力构成

理解能力：

• 意图识别：准确捕捉用户真实目标和意图
• 需求分析：详细解析用户请求的具体需求
• 上下文理解：把握对话历史和当前情境

规划能力：

• 任务分解：将复杂任务拆解为可执行的小步骤
• 路径规划：设计最优的执行路径和顺序
• 资源调度：合理分配计算资源和时间

工具使用能力：

• API调用：熟练调用各类外部服务和接口
• 工具选择：为特定任务选择最合适的工具
• 工具组合：协调多种工具协同工作

反馈与调整能力：

• 结果评估：分析执行结果与预期的差距
• 策略调整：基于反馈修改执行计划
• 自我优化：持续学习并提升自身能力

环境交互能力：

• 状态感知：感知和理解虚拟环境的当前状态
• 动作执行：在环境中执行具体操作
• 环境探索：主动探索未知的环境领域

二、通用Agent的构建架构

我们在看看构建一个功能完善的通用Agent，需要的一套完整的技术架构体系。目前业界已经形成了较为成熟的架构模式。

基础架构组件

常规的Agent系统架构

LLM核心：

• 位于整个系统的中心，作为Agent的”大脑”
• 负责理解用户需求、进行决策和规划
• 与用户直接交互，接收指令并返回结果

工具库（Tool Library）：

• 包含Agent可调用的各类工具和API
• 根据规划引擎的指令选择合适的工具
• 向执行环境提供必要的功能支持

记忆系统（Memory）：

• 与LLM核心双向连接，提供对话历史和上下文信息
• 存储长期知识和过去的任务经验
• 支持LLM进行连贯的对话和任务执行

规划引擎（Planner）：

• 接收来自LLM的高层指令
• 将复杂任务分解为具体可执行的步骤
• 决定调用哪些工具以及调用顺序

执行环境（Environment）：

• 提供工具运行的虚拟环境
• 执行具体的操作并返回结果
• 与工具库紧密集成

监控系统（Monitor）：

• 全方位监控各组件的运行状态
• 收集执行环境的反馈信息
• 向LLM提供性能和状态数据，促进系统自我调整

三、初阶实现方案剖析

1. Tool Use模式

Tool Use是较为基础的Agent实现方式，核心思路是让LLM通过特定格式调用预定义工具。

用户请求 → LLM分析 → 选择工具 → 格式化调用 → 获取结果 → LLM整合反馈

代表案例：OpenAI的Function Calling

OpenAI的Function Calling允许GPT模型识别何时应调用函数，并以JSON格式输出函数所需参数：

{

“name”: “search_web”,

“arguments”: {

“query”: “2024年AI技术趋势”,

“result_count”: 5

}

}

这种模式适合简单的工具调用场景，如天气查询、搜索等，但对于复杂的多步骤任务支持有限。

2. Computer Use模式

Computer Use模式赋予Agent操作虚拟计算机的能力，可以模拟用户在计算机上的各种操作。

用户请求 → 理解意图 → 规划操作步骤 → 在虚拟机执行 → 观察结果 → 调整后续操作

代表案例：Anthropic的Claude Computer Use

Claude的Computer Use功能为模型提供了一个虚拟桌面环境，可以打开浏览器、编辑文档、运行代码等，极大扩展了AI助手的能力边界。

四、云端任务执行架构

由于没拿到Manus的邀请码，只能根据官方的Usecase去简单猜测其云端架构，见下图，真实的需要在云端运行的通用Agent，其架构更为复杂，但是大致如此，通常基于容器或虚拟机技术构建。

云端运行的架构示意

前端界面

• 用户界面：用户与系统交互的入口
• API网关：处理所有外部请求，进行身份验证和请求路由

核心系统

任务管理器：

• 接收用户请求并创建任务实例
• 与LLM推理服务交互，理解用户意图
• 维护任务生命周期和状态

资源调度器：

• 基于任务需求分配计算资源
• 管理虚拟机和容器的创建与销毁
• 实现资源的弹性伸缩

LLM推理服务：

• 提供大语言模型的推理能力
• 与任务管理器通信，进行任务理解和规划

状态监控：

• 实时收集系统各组件的运行状态
• 监控资源使用情况和性能指标
• 提供监控面板供管理员查看

执行层

虚拟机池：

• 管理多个虚拟机实例
• 为任务提供隔离的执行环境
• 支持不同环境需求的灵活配置

工具容器池：

• 封装各类工具的Docker容器
• 提供标准化的工具调用接口
• 支持容器的即时启动和关闭

数据层

• 记忆存储：保存对话历史和上下文信息
• 结果存储：存储任务执行结果
• 日志数据库：记录系统运行日志和性能数据

结果处理

结果处理器：

• 收集执行结果并进行格式化
• 将结果反馈给用户界面
• 存储结果到数据库以供未来参考

系统工作流程如下

1. 用户通过界面提交请求

2. 请求经API网关传递到任务管理器

3. 任务管理器咨询LLM推理服务，理解任务并创建任务实例

4. 资源调度器分配适当的虚拟机和工具容器

5. 任务在虚拟机中执行，调用所需的工具容器

6. 状态监控系统实时跟踪执行进度和资源使用

7. 执行结果由结果处理器收集和整理

8. 最终结果返回给用户界面，展示给用户

这种架构具有高度的可扩展性、容错性和资源隔离性，特别适合处理复杂多变的任务要求和高并发的用户请求。通过容器化和虚拟化技术，不同工具和环境可以灵活组合，满足各种任务场景的需求。

同时这种架构支持并行处理多个用户请求，每个任务在独立的虚拟环境中执行，确保安全性和稳定性。

三、单Agent VS 多Agent：两种构建范式

在构建通用Agent系统时，单Agent和多Agent是两种主要的架构策略，各有优劣。

单Agent模式

单Agent模式采用”一个大脑”思路，由一个中央Agent负责所有决策和执行。

单Agent模式

工作流程

1. 用户通过界面提交请求

2. LLM接收请求并理解用户意图

3. LLM咨询记忆系统获取相关上下文

4. 规划模块将任务分解为执行步骤

5. 工具管理器选择合适的工具

6. 执行器运行工具并产生结果

7. 结果处理器格式化结果

8. 结果反馈给LLM和用户界面

9. LLM更新记忆系统

优势：

• 实现相对简单，架构清晰
• 决策一致性高，不存在协调问题
• 上下文管理更为统一

劣势：

• 单点故障风险
• 扩展性受限
• 复杂任务处理能力可能不足

适用场景：

• 个人助手类应用
• 功能相对聚焦的垂直领域应用
• 用户交互频繁的场景

多Agent模式

多Agent模式采用”分布式智能”思路，由多个专业Agent协作完成任务。

多Agent模式架构图

这个架构图展示了多Agent模式的组织架构和工作流程，采用”分布式智能”的设计理念。

核心组件

用户界面：

1. 用户与系统交互的统一入口

2. 展示最终结果和接收用户输入

协调器Agent：

1. 系统的中央协调者

2. 接收用户请求并分配给专家Agent

3. 管理Agent间的协作流程

4. 监控整体任务进度

专家Agent：

1. Agent A（领域专家）：负责特定领域的知识处理

2. Agent B（规划专家）：负责任务规划和步骤分解

3. Agent C（工具专家）：负责工具选择和调用

4. Agent D（执行专家）：负责具体任务执行和监控

共享记忆系统：

1. 所有Agent共享的知识库和状态存储

2. 存储对话历史、任务状态和中间结果

3. 促进Agent间的知识共享和协作

工具集：

1. 各种专用工具，由工具专家Agent调用

2. 支持各类专业任务的执行

结果整合器：

1. 收集和整合各Agent的执行结果

2. 生成统一、连贯的最终输出

3. 将结果传递给用户界面

通信与协作

图中的实线表示直接命令和数据流，虚线表示Agent间的协商和沟通：

• 所有Agent都可以访问共享记忆系统
• Agent之间可以直接通信和协商
• 协调器负责启动、监督和终止各Agent的工作

特性说明

优势：

• 更好的任务分工与专业化
• 可并行处理复杂任务
• 系统扩展性好

劣势：

• 协调复杂度高
• 可能存在通信开销
• 一致性保障困难

适用场景：

• 复杂企业级应用
• 需要多专业领域知识的场景
• 大规模任务处理系统

工作流程

1. 用户通过界面提交请求

2. 协调器Agent接收请求并进行初步分析

3. 协调器将任务分配给相关专家Agent

4. 专家Agent们通过共享记忆系统和直接通信进行协作

5. 领域专家提供专业知识

6. 规划专家制定执行计划

7. 工具专家选择合适的工具

8. 执行专家运行工具并监控执行

9. 结果整合器收集各Agent结果，生成统一输出

10. 最终结果返回给用户界面

这种架构特别适合处理需要多领域专业知识和复杂工作流的大型任务，虽然协调开销较大，但能够提供更强的专业性和可扩展性。

单Agent与多Agent架构对比表

特性	单Agent架构	多Agent架构
核心设计	“一个大脑”模式	“分布式智能”模式
决策流程	中央化	分布式
架构复杂度	较低	较高
实现难度	简单	复杂
扩展性	有限	优秀
任务并行能力	弱	强
响应速度	简单任务快	复杂任务快
上下文一致性	高	需要额外机制保证
专业化程度	通用型	专家型
资源需求	较低	较高
调试难度	简单	复杂
单点故障风险	高	低
代表产品	Claude, ChatGPT	AutoGPT, LangChain Agents

真实案例对比

特性	Claude (单Agent)	AutoGPT (多Agent)
架构模式	单一大语言模型	多个专业化Agent协作
核心优势	对话一致性、用户体验	任务自主性、复杂任务处理
交互模式	对话式	目标导向式
主要功能	对话、问答、内容创作	自动化任务执行、网络搜索、内容创作
用户参与度	高（频繁交互）	低（设定目标后自主运行）
任务复杂度	中等	高
系统自主性	需要用户指导	高度自主
适用场景	日常助手、创意写作、信息咨询	研究、数据分析、复杂项目自动化

---

Agent架构选择决策树

四、通用Agent构建的关键技术挑战

对于产品经理而言，了解通用Agent构建中的技术挑战至关重要，有助于制定合理的产品规划和路线图。

1. 规划能力的局限性

当前LLM在复杂任务规划方面仍存在局限，特别是在需要多步推理的场景中。

应对策略：

• 采用迭代规划模式，将复杂计划分解为可管理的子计划
• 引入人类反馈机制，关键节点由人类干预

2. 工具使用的可靠性

LLM在工具调用方面可能出现参数错误、格式不匹配等问题。

应对策略：

• 实现严格的参数校验和错误处理
• 设计重试机制和降级策略

3. 安全与控制风险

Agent具备自主行动能力，可能带来安全隐患。

应对策略：

• 实施权限控制和行为边界
• 构建监控系统实时追踪行为

五、产品经理的实践指南

作为产品经理，如何规划和推动通用Agent产品的落地？

1. 从垂直场景切入

选择特定的业务场景，如客户服务、数据分析、营销助手等，聚焦解决具体问题。

2. 构建循序渐进的能力体系

• 初级阶段：实现基础工具调用能力
• 中级阶段：增强环境交互和多步骤执行能力
• 高级阶段：实现自主规划和复杂任务处理

3. 人机协作优先于完全自动化

设计合理的人机协作流程，在Agent能力不足时无缝切换到人工支持。

4. 重视用户反馈机制

建立完善的用户反馈渠道，收集Agent表现数据，持续优化能力。

六、未来展望

通用Agent技术正处于快速发展阶段，未来可能出现的方向包括：

1. 更强的认知规划能力：Agent将具备更强的推理能力和常识理解

2. 环境适应性增强：能够适应更复杂多变的执行环境

3. 多模态交互：融合视觉、语音等多模态输入输出

4. Agent协作生态：形成专业化Agent网络，实现更复杂任务

结语

通用Agent代表了AI应用的重要发展方向，它将AI从被动响应工具转变为主动服务助手。对于产品经理而言，把握通用Agent的架构原理和发展趋势，有助于在这一变革浪潮中占据先机。

未来已来，只是尚未均匀分布。通用Agent的广泛应用将重塑人机交互方式，创造前所未有的产品体验和商业价值。作为产品经理，应当积极拥抱这一技术变革，探索创新的应用场景和商业模式。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】