1. 背景
OpenManus 是 Manus 的开源产品，由 matagpt 团队在 3 小时内复现了一个简化版本。从目前的代码执行结果来看，OpenManus **仍处于玩具阶段**，主要依赖 LLM 进行任务推理和执行，缺乏稳定性和可扩展性。
OpenManus vs. Manus 的核心区别
对比项 | Manus | OpenManus |
开发团队 | 内部闭源 | 开源项目 |
代码成熟度 | 生产可用 | 实验阶段 |
执行方式 | 复杂任务处理 | 依赖 LLM 的推理能力 |
任务调度 | 任务拆解 + 任务调度 | 主要依靠 LLM 规划 |
工具调用 | 细粒度 API + 手动工具优化 | 依赖 Function Calling |
2. 执行流程
目前 OpenManus 主要有两种运行模式：
This content is only supported in a Lark Docs
1️⃣ 单 Agent 运行模式（Manus Agent）
用户输入查询，执行
run()方法，默认按 20 个 step 执行。Manus Agent每个step()**拆分为 think() 和 act()**。think()：调用 LLM 进行任务推理。
act()：调用工具执行任务，结果存入
memory。
think() 方法判断任务是否完成。
任务完成时，调用
Terminate工具，传入success/failure。执行 20 步后，任务自动终止。
最终返回任务结果。
2️⃣ 多 Agent 运行模式（Planning Agent + Manus Agent）
This content is only supported in a Lark Docs
用户输入查询，调用
create_flow()创建任务流程。实例化
**PlanningFlow**，并绑定Agent。Planning Agent调用_create_initial_plan()**生成任务步骤**。遍历 **workflow step**，逐步调用
Manus Agent执行任务。Manus Agent**执行任务并更新步骤状态**。所有任务执行完成后，返回最终结果。
3. 核心模块
This content is only supported in a Lark Docs
BaseAgent（基础代理）
维护 **执行状态**（IDLE, RUNNING, FINISHED, ERROR）。
维护 **任务记忆（Memory）**，记录任务历史，避免重复执行无效操作。
任务主循环，控制任务执行步数（step），防止陷入死循环。
提供 **状态管理上下文**，确保任务稳定执行。
ReActAgent（ReAct 代理）
实现 **ReAct 框架（推理 + 操作）**，在大语言模型中结合推理和动作。
每个 step 由 think() 和 act() 组成：
think()：调用 LLM **生成决策**，判断是否继续执行，并确定act()需要执行的工具。act()：执行think()选出的工具，并返回执行结果。
ReAct 是一个循环过程，每次
think()都会将memory存储的历史信息传给 LLM，包括act()产生的结果。
Function Calling（工具调用）
Function Calling 是 OpenManus 用于 扩展 LLM 执行能力 的关键机制，允许 LLM 在推理过程中**动态调用预定义的工具（函数）**，以完成更复杂的任务。
Function Calling 机制LLM 通过 **自然语言理解用户意图**。
在
think()过程中，LLM 解析**当前任务需要调用的工具**。act()负责实际调用对应工具，并返回结果。工具执行结果存入
memory，供后续think()参考。
✅ **增强 LLM 执行能力**，支持调用外部 API 或本地工具。
✅ **减少 LLM 直接生成代码的错误率**，提高执行的可靠性。
✅ **可扩展性强**，允许动态添加新工具。
ToolCalling Agent（工具调用代理）
负责 **Function Calling**，扩展
Agent对工具的调用能力。支持的工具：
PythonExecute：执行 Python 代码。
FileSaverTool：保存文件。
GoogleSearchTool：Google 搜索。
BrowserUseTool：控制浏览器，导航到搜索到的网站并复制内容。
TerminateTool：终止进程。
PlanningTool：任务规划。
统一工具调用接口，管理工具的输入和输出。
负责 **工具调用流程控制**，确保任务执行流畅。
Planning Agent（任务规划代理）
负责 **复杂任务的规划与执行**。
任务拆解：分析用户输入，拆解成多个步骤。
步骤管理：管理任务步骤的执行状态，确保流程顺利推进。
Manus Agent（通用任务代理）
OpenManus 的 **主要任务处理入口**。
负责 **执行单步任务**，调用工具完成特定需求。
4. 结论
OpenManus 目前仍处于早期阶段，**过度依赖 LLM 进行推理**，缺乏精细化的工具调用优化和稳定性控制。未来优化方向包括：
减少 LLM 依赖，引入规则引擎。
优化工具调用逻辑，支持工具组合执行。
增强任务调度，支持任务依赖管理和失败重试。
增加持久化存储，确保任务可恢复执行。
🚀 通过这些优化，OpenManus 有望从“玩具”进化为真正可用的 AI 任务执行框架！
