AI Agent技术原理解析 —— LangManus、Deerflow...

程序猿李巡天

于 2025-05-20 09:57:15 发布

阅读量808

点赞数 23

文章标签：人工智能大数据知识图谱 windows java

本文链接：https://blog.csdn.net/m0_59235945/article/details/148081409

版权

LangManus

字节团队开源，现github下架了，使用langgraph框架开发

介绍下langgraph 多智能体架构（灵活）

langManus架构

系统由以下智能体协同工作：

协调员（Coordinator）：工作流程的入口点，处理初始交互并路由任务
规划员（Planner）：分析任务并制定执行策略
主管（Supervisor）：监督和管理其他智能体的执行
研究员（Researcher）：收集和分析信息
程序员（Coder）：负责代码生成和修改
浏览器（Browser）：执行网页浏览和信息检索
汇报员（Reporter）：生成工作流结果的报告和总结

技术细节

模型分3种

推理模型
基础模型
多模态模型

7个智能体使用的模型

协调员（Coordinator）

如果是闲聊就直接回复，其他去planner

规划员（Planner）

研究员（Researcher）、程序员（Coder）、浏览器（Browser）

deer-flow

看下来是langmanus的优化版本

架构

协调器：管理工作流生命周期的入口点
1. 根据用户输入启动研究过程
2. 在适当时候将任务委派给规划器
3. 作为用户和系统之间的主要接口

规划器：负责任务分解和规划的战略组件

分析研究目标并创建结构化执行计划
确定是否有足够的上下文或是否需要更多研究
管理研究流程并决定何时生成最终报告

研究团队：执行计划的专业智能体集合：

研究员：使用网络搜索引擎、爬虫甚至 MCP 服务等工具进行网络搜索和信息收集。
编码员：使用 Python REPL 工具处理代码分析、执行和技术任务。每个智能体都可以访问针对其角色优化的特定工具，并在 LangGraph 框架内运行

报告员：研究输出的最终阶段处理器

汇总研究团队的发现
处理和组织收集的信息
生成全面的研究报告

manus架构网上揭秘

任务规划器、任务调度器、搜索、编码、数据分析员、报告员

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。

在这里插入图片描述