深入浅出，火爆全网的Manus Agent 核心运转机制解读来了！
shareAI shareAI 2025年04月15日 22:22 河南
大家好啊！今天为大家带来6000+字的Manus Agent 核心运转机制硬核解读。
1. 系统概述
Manus Agent 作为一个基于大型语言模型（LLM）的智能代理系统，通过定义明确的事件流和循环机制，能够实现复杂任务的自动化处理。它能够访问各种工具，与用户交互，并自主完成任务。
是的，它真的可以给你打工~
Manus Agent 的核心运转机制包括事件流、Agent 循环、Planner、Knowledge 和 Datasource 模块，以及工具执行系统等关键组件。
2. 事件流系统
事件流是 Manus Agent 的“神经系统”，负责记录和传递系统中的所有信息。
2.1 核心事件类型
事件流由六种基本事件类型组成：
Message 事件：用户输入的消息，触发 Agent 的任务处理
Action 事件：Agent 决定执行的工具调用，包含工具名称和参数
观察事件：工具执行后的结果，反馈给 Agent
Plan 事件：任务规划信息，指导 Agent 的整体行动
Knowledge 事件：向 Agent 提供的知识片段，辅助决策
Datasource 事件：数据源信息，提供外部数据访问方式
一句话解释：事件流就像 Manus Agent 的"大脑工作日记"：用户发话（Message）触发任务，AI 决定用哪个工具干活（Action），工具干完活汇报结果（观察），AI 规划整体步骤（Plan），过程中参考知识库（Knowledge），需要时调用外部数据源（Datasource）——这六类事件环环相扣，共同完成智能决策。
2.2 事件结构示例
每种事件类型都有特定的结构。以下是典型事件的 JSON 结构示例：
// Message事件示例{"type": "Message","role": "user","timestamp": "2023-05-01T14:30:45Z","content": "请帮我创建一个简单的网站"}// Action事件示例{"type": "Action","role": "assistant","timestamp": "2023-05-01T14:30:50Z","tool_calls": [{"id": "call_001","name": "message_notify_user","arguments": {"text": "好的，我将帮您创建一个简单的网站。"}}]}// Observation事件示例{"type": "Observation","role": "tool","timestamp": "2023-05-01T14:30:52Z","tool_call_id": "call_001","name": "message_notify_user","status": "success","result": "Notification sent."}// Plan事件示例{"type": "Plan","timestamp": "2023-05-01T14:31:00Z","plan_id": "plan_001","step": 1,"total_steps": 5,"status": "in_progress","pseudocode": "1. 确定网站需求\n2. 创建HTML文件\n3. 添加CSS样式\n4. 添加JavaScript功能\n5. 测试网站","reflection": "这是一个创建基本网站的计划，从需求分析到最终测试。"}
2.3 事件流管理伪代码
这段伪代码实现了一个事件流管理器：创建存储队列（events 列表），支持添加/查询事件，当总长度超限时自动删减旧事件（保留最新的前半段）。
核心功能是能够动态维护可控的上下文窗口，避免大模型在处理长文本时崩溃。
class EventStream:def __init__(self, max_context_length=10000):self.events = []self.max_context_length = max_context_lengthdef add_event(self, event):"""添加新事件到事件流"""self.events.append(event)self._manage_context_length()def get_recent_events(self, n=None):"""获取最近的n个事件，如不指定则返回全部"""if n is None:return self.eventsreturn self.events[-n:]def get_events_by_type(self, event_type):"""按类型获取事件"""return [e for e in self.events if e["type"] == event_type]def _manage_context_length(self):"""管理上下文长度，避免超出LLM的token限制"""if self._calculate_token_length() > self.max_context_length:# 简单策略：保留最新的事件self.events = self.events[-int(self.max_context_length/2):]# 更复杂的策略可能包括：# 1. 保留所有Plan事件# 2. 保留最近的Message事件# 3. 对旧事件进行摘要def _calculate_token_length(self):"""计算当前事件流的token长度"""# 实际实现会使用tokenizer来计算return sum(len(str(e)) for e in self.events)
3. Agent 循环机制
Agent 循环是 Manus 系统的“心脏”，定义了 Agent 如何迭代处理任务。
3.1 循环步骤详解
分析事件：检查最新用户消息，理解任务需求分析工具执行结果，了解当前状态参考 Plan 事件，明确当前任务步骤考虑 Knowledge 和 Datasource 信息。
选择工具：根据当前状态和任务目标选择合适的工具确定工具参数，准备执行遵循相关规则约束（如消息规则、浏览器规则等）。
执行与观察：工具在沙箱环境中执行捕获执行结果，生成 Observation 事件将 Observation 添加到事件流。
迭代：循环返回到"分析事件"步骤每轮只选择一个（或一组相关的）工具调用持续迭代直到任务完成。
3.2 Agent 循环伪代码
class ManusAgent:def __init__(self, llm_service, event_stream, tools, sandbox):self.llm_service = llm_serviceself.event_stream = event_streamself.tools = toolsself.sandbox = sandboxdef run(self):"""运行Agent主循环"""while True:# 1. 分析事件context = self._analyze_events()# 检查是否需要结束循环if self._should_idle(context):self._call_tool("idle", {})break# 2. 选择工具tool_name, tool_args = self._select_tool(context)# 3. 执行工具并观察结果observation = self._execute_tool(tool_name, tool_args)# 4. 添加观察结果到事件流self.event_stream.add_event(observation)# 循环继续...def _analyze_events(self):"""分析事件流，提取相关上下文"""recent_events = self.event_stream.get_recent_events()# 使用LLM处理和理解事件return self.llm_service.process_events(recent_events)def _select_tool(self, context):"""根据上下文选择合适的工具"""tool_selection = self.llm_service.select_tool(context=context,available_tools=self.tools)return tool_selection["name"], tool_selection["arguments"]def _execute_tool(self, tool_name, tool_args):"""在沙箱环境中执行工具调用"""# 创建Action事件action = {"type": "Action","role": "assistant","timestamp": self._current_time(),"tool_calls": [{"id": self._generate_id(),"name": tool_name,"arguments": tool_args}]}# 将Action添加到事件流self.event_stream.add_event(action)# 在沙箱中执行工具result = self.sandbox.execute_tool(tool_name=tool_name,tool_args=tool_args,tool_call_id=action["tool_calls"][0]["id"])# 创建Observation事件observation = {"type": "Observation","role": "tool","timestamp": self._current_time(),"tool_call_id": action["tool_calls"][0]["id"],"name": tool_name,"status": result["status"],"result": result["output"]}return observationdef _should_idle(self, context):"""判断是否应该进入空闲状态"""# 判断任务是否完成或用户是否请求停止return self.llm_service.should_idle(context)def _current_time(self):"""获取当前时间戳"""return datetime.now().isoformat()def _generate_id(self):"""生成唯一ID"""return f"call_{uuid.uuid4().hex[:8]}"
4. Planner 模块
Planner 是 Manus 系统的“战略大脑”，负责高层次任务规划。
4.1 功能与作用
·将复杂任务分解为可执行的步骤序列
·生成结构化的伪代码规划
·在任务目标变更时更新规划
·对任务执行进行反思和调整
4.2 工作机制
Planner 通过向事件流注入 Plan 事件来工作。它在以下情况下会触发：
·新任务启动时
·任务目标变更时
·执行环境发生重大变化时
·执行过程与规划产生重大偏差时
4.3 Planner 模块伪代码
这段伪代码实现了一个智能规划器：通过大模型分析事件流中的用户消息，自动判断何时需生成或更新多步骤任务计划（如用户请求复杂操作时），生成含步骤分解与反思的规划文档，并转化为 Markdown 格式的待办清单文件。采用事件驱动式任务管理，实现人机协作的智能工作流。
class Planner:def __init__(self, llm_service, event_stream):self.llm_service = llm_serviceself.event_stream = event_streamself.current_plan = Nonedef monitor_and_plan(self):"""监控事件流并在需要时生成或更新计划"""# 获取最新事件recent_events = self.event_stream.get_recent_events(50)# 如果没有当前计划，检查是否需要生成新计划if not self.current_plan:if self._needs_new_plan(recent_events):new_plan = self._generate_plan(recent_events)self.event_stream.add_event(new_plan)self.current_plan = new_planself._create_todo_file(new_plan)return# 检查是否需要更新现有计划if self._needs_plan_update(recent_events, self.current_plan):updated_plan = self._update_plan(recent_events, self.current_plan)self.event_stream.add_event(updated_plan)self.current_plan = updated_planself._update_todo_file(updated_plan)def _needs_new_plan(self, events):"""判断是否需要生成新计划"""# 检查是否有新的用户消息且没有现有计划user_messages = [e for e in events if e["type"] == "Message" and e["role"] == "user"]if not user_messages:return False# 使用LLM判断最新用户消息是否需要规划latest_message = user_messages[-1]decision = self.llm_service.generate(prompt=f"以下用户消息是否需要多步骤规划来完成？\n{latest_message['content']}",temperature=0.1)return "是" in decision or "yes" in decision.lower()def _generate_plan(self, events):"""生成新的任务规划"""# 提取相关上下文context = self._extract_planning_context(events)# 使用LLM生成规划plan_content = self.llm_service.generate(prompt=self._create_planning_prompt(context),temperature=0.2)# 解析规划内容steps = self._parse_steps(plan_content)reflection = self._extract_reflection(plan_content)# 创建Plan事件plan = {"type": "Plan","timestamp": datetime.now().isoformat(),"plan_id": f"plan_{uuid.uuid4().hex[:8]}","step": 1,"total_steps": len(steps),"status": "in_progress","pseudocode": "\n".join([f"{i+1}. {step}" for i, step in enumerate(steps)]),"reflection": reflection}return plandef _create_todo_file(self, plan):"""根据规划创建todo.md文件"""steps = plan["pseudocode"].split("\n")todo_content = "\n".join([f"- [ ] {step[step.find('.')+1:].strip()}" for step in steps])# 这里假设有file_write工具可用from tools import file_writefile_write(file="/home/ubuntu/todo.md", content=todo_content)
5. Knowledge 和 Datasource 模块
这两个模块为 Agent 提供决策所需的知识和数据支持。
5.1 Knowledge 模块
Knowledge 模块向 Agent 提供与任务相关的知识和经验。
5.1.1 Knowledge 模块伪代码
这段伪代码实现了一个智能知识管家：实时监控事件流中的任务进展（如用户提问或操作卡壳时），自动调用大模型判断是否需要补充知识，从知识库精准抓取 3 条最相关文档，打包成知识卡片插入事件流，帮助 AI 更好地决策。主要是让系统在任务执行中"自动查资料"提升准确性。
class KnowledgeModule:def __init__(self, llm_service, event_stream, knowledge_base):self.llm_service = llm_serviceself.event_stream = event_streamself.knowledge_base = knowledge_basedef monitor_and_provide_knowledge(self):"""监控事件流并在需要时提供知识"""# 获取最新事件recent_events = self.event_stream.get_recent_events(30)# 判断是否需要提供知识knowledge_needed = self._needs_knowledge(recent_events)if not knowledge_needed:return# 生成知识查询query = self._generate_knowledge_query(recent_events)# 从知识库检索相关知识knowledge_entries = self.knowledge_base.search(query, top_k=3)if not knowledge_entries:return# 整合知识并创建Knowledge事件knowledge_event = {"type": "Knowledge","timestamp": datetime.now().isoformat(),"knowledge_id": f"k_{uuid.uuid4().hex[:8]}","content": self._format_knowledge(knowledge_entries),"source": "knowledge_base"}# 添加到事件流self.event_stream.add_event(knowledge_event)def _needs_knowledge(self, events):"""判断当前任务是否需要知识支持"""# 提取任务上下文context = self._extract_task_context(events)# 使用LLM判断是否需要知识支持decision = self.llm_service.generate(prompt=f"基于以下任务上下文，是否需要提供额外知识来帮助完成任务？\n{context}",temperature=0.1)return "是" in decision or "yes" in decision.lower()
5.2 Datasource 模块
Datasource 模块负责管理对外部数据源的访问。
5.2.1 Datasource 模块伪代码
这段伪代码实现了一个智能数据源管家：实时扫描事件流中的任务需求（如用户请求外部数据或工具需要 API 支持时），自动匹配注册表中的相关 API（如天气查询、数据库接口等），将 API 文档和调用方式打包成数据源卡片插入事件流，为后续工具调用提供"数据接口说明书"。能够让系统在需要时自动配置外部数据访问通道。
class DatasourceModule:def __init__(self, llm_service, event_stream, api_registry):self.llm_service = llm_serviceself.event_stream = event_streamself.api_registry = api_registrydef monitor_and_provide_datasources(self):"""监控事件流并在需要时提供数据源信息"""# 获取最新事件recent_events = self.event_stream.get_recent_events(30)# 判断是否需要提供数据源信息datasource_needed = self._needs_datasource(recent_events)if not datasource_needed:return# 识别所需的数据APIneeded_apis = self._identify_needed_apis(recent_events)for api in needed_apis:# 获取API信息api_info = self.api_registry.get_api_info(api)if not api_info:continue# 创建Datasource事件datasource_event = {"type": "Datasource","timestamp": datetime.now().isoformat(),"datasource_id": f"ds_{uuid.uuid4().hex[:8]}","api_name": api,"documentation": api_info["documentation"],"endpoints": api_info["endpoints"]}# 添加到事件流self.event_stream.add_event(datasource_event)
6. 工具执行系统
工具是 Agent 与外部世界交互的桥梁，定义了 Agent 的能力边界。这其实不就是MCP吗hhh~
6.1 工具类型概览
Manus Agent 支持多种类型的工具：
文件工具：文件读写、查找、替换等操作
Shell 工具：执行命令、与进程交互等
浏览器工具：网页导航、点击、输入等
消息工具：向用户发送通知、询问等
其他工具：数据库操作、API 调用等
6.2 工具执行机制
工具执行系统负责在沙箱环境中安全地执行 Agent 选择的工具，并将结果反馈给 Agent。
6.2.1 工具执行伪代码
这段伪代码实现了一个安全工具执行器：初始化时加载可用工具清单，执行工具前先校验工具存在性、参数合法性，在沙箱隔离环境中运行目标工具（如文件操作、API 调用等），捕获执行异常并返回标准化结果（成功/错误+输出）。主要是是确保所有工具调用都在受控环境中安全执行，防止系统崩溃或数据泄露。
class ToolExecutor:def __init__(self, sandbox_environment):self.sandbox = sandbox_environmentself.tools = self._load_available_tools()def execute_tool(self, tool_name, tool_args, tool_call_id):"""执行指定的工具调用"""# 验证工具是否存在if tool_name not in self.tools:return {"status": "error","output": f"Tool '{tool_name}' not found"}# 验证参数validation_result = self._validate_args(tool_name, tool_args)if not validation_result["valid"]:return {"status": "error","output": f"Invalid arguments: {validation_result['message']}"}# 在沙箱中执行工具try:tool_function = self.tools[tool_name]result = tool_function(self.sandbox, **tool_args)return {"status": "success","output": result}except Exception as e:return {"status": "error","output": f"Execution error: {str(e)}"}def _validate_args(self, tool_name, args):"""验证工具参数是否符合要求"""tool_schema = self._get_tool_schema(tool_name)# 省略具体验证逻辑return {"valid": True, "message": ""}
6.3 异步工具和长时间运行工具
对于异步或长时间运行的工具（如 shell_exec 启动的进程），Manus 有专门的处理机制。
这段伪代码实现了一个异步任务管家：可启动长期运行的子进程（如数据分析脚本），通过进程 ID 持续追踪任务状态，实时捕获标准输出/错误流，在任务完成或失败时自动清理资源。将耗时操作转化为可轮询的异步任务，避免系统阻塞。
class AsyncToolHandler:def __init__(self, event_stream):self.event_stream = event_streamself.running_processes = {}def start_process(self, process_id, command):"""启动一个长时间运行的进程"""# 实际实现会在沙箱中启动进程process = subprocess.Popen(command,shell=True,stdout=subprocess.PIPE,stderr=subprocess.PIPE)self.running_processes[process_id] = {"process": process,"command": command,"start_time": time.time()}return {"status": "running","result": f"process_id: {process_id}"}def check_process(self, process_id):"""检查进程状态和输出"""if process_id not in self.running_processes:return {"status": "error","result": f"Process {process_id} not found"}process_info = self.running_processes[process_id]process = process_info["process"]# 检查进程是否仍在运行if process.poll() is None:# 进程仍在运行，获取当前输出output = self._read_process_output(process)return {"status": "running","result": output}else:# 进程已结束，获取完整输出和退出码output = self._read_process_output(process)exit_code = process.returncode# 清理进程信息del self.running_processes[process_id]if exit_code == 0:return {"status": "success","result": output}else:return {"status": "error","result": f"Process exited with code {exit_code}. Output: {output}"}
7. 系统运行全流程
下面是一个完整的 Manus Agent 系统运行流程：# 系统初始化event_stream = EventStream()llm_service = LLMService(model="advanced_llm")knowledge_base = KnowledgeBase()api_registry = APIRegistry()sandbox = SandboxEnvironment()tool_executor = ToolExecutor(sandbox)# 初始化核心组件agent = ManusAgent(llm_service, event_stream, tool_executor.tools, sandbox)planner = Planner(llm_service, event_stream)knowledge_module = KnowledgeModule(llm_service, event_stream, knowledge_base)datasource_module = DatasourceModule(llm_service, event_stream, api_registry)# 启动监控线程def monitor_thread():while True:planner.monitor_and_plan()knowledge_module.monitor_and_provide_knowledge()datasource_module.monitor_and_provide_datasources()time.sleep(0.5) # 避免过于频繁的检查threading.Thread(target=monitor_thread, daemon=True).start()# 启动Agent主循环agent.run()
8. 设计理念与优势
Manus Agent 的设计体现了几个核心理念：
结构化解决复杂性：
·通过事件流、循环、规划等机制分解复杂任务
·模块化设计确保系统可维护和可扩展
自主决策与规划：
·Planner 模块提供高层次任务分解
·循环迭代机制确保进展和适应性
·知识增强与数据驱动：
·Knowledge 和 Datasource 模块增强决策质量
·多源信息融合提高任务执行效果
安全与可控：
·沙箱执行环境确保操作安全
·明确的规则约束引导 Agent 行为
9. 总结
Manus Agent 作为一个设计精巧的智能代理系统，通过事件流驱动、Agent 循环、核心模块和工具执行等机制的协同工作，能够自主完成复杂任务。
/ 注意 /
这里仅仅是反推外网上流传的资料去解读 manus agent 可能的一种设计实现方式，并不代表官方实际实现。
另外，Planer，知识经验源、API 数据源等监听与更新的方式也有很大优化空间，比如作为副线程以每个事件步为单位去触发（而不是 AI 给的固定的 0.5 秒时间检查注入一次），也可以直接塞入主线程的执行循环中。
/ 声明 /
本文由 AI（谷歌的 gemini-2.5-pro 模型 + cursor 中的 claude3.7-max 模型）参考外网泄漏的提示词文件夹，经过探讨润色生成，仅供作为启发资料进行学习参考。
如果你想查看更多关于v0、Manus、Cursor、Same.dev 和 Lovable 的完整官方系统提示词和内部工具，请访问我们的开源地址。
ShareAI-Lab 仓库地址：
https://github.com/shareAI-lab/share-best-prompt
往期文章：
扫一扫
1966
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
