以 manus 为例，拆解以 multi-agent 为基础的通用任务智能体的工作流程：

一. 意图识别

1. 获取用户输入内容，进行必要的意图识别和关键词提取，比如用户输入的是“想去日本旅游，需要一个旅行计划”，拆解之后得到的关键词是： japan-trip，任务类型为：travel

2. 如果用户输入的需求比较简单，不能识别用户的意图，此步骤可以引导用户继续对话，补充更多的信息，或者上传文档 / 图片等资料

二. 任务初始化

1. 用识别出来的任务关键词创建任务文件夹，启动 docker 容器，为后续的任务执行做环境隔离

2. 任务执行过程中的内容产物，写入到任务文件夹，任务结束之后清理 docker 容器

三. 步骤规划

1. 使用意图识别的结果 + 补充背景信息，请求一个推理模型，对任务进行步骤拆分

2. 将任务拆分的步骤信息，写入到任务文件夹的 https://t.co/tYosIUPa9o

四. 任务执行

1. 遍历任务文件夹中的 https://t.co/tYosIUPa9o，[ ] 表示待执行的任务，[x] 表示已执行的任务

2. 取出待执行的任务，带上任务上下文信息，做一次 function call，这里带上的 function tools 是系统内置的可以执行不同任务的 agent，比如 search agent / code agent / data-analysis agent

3. 根据 function call 的结果，调度指定的 agent 执行任务，把执行过程中产生的内容，写入到容器中的任务文件夹

4. 任务执行完，由主线程，更新 https://t.co/tYosIUPa9o，继续下一个任务

五. 归纳整理

1. https://t.co/tYosIUPa9o 里面的任务全部执行完之后，主线程针对用户的初始需求，做一次整理输出

2. 把任务的内容产物，给到用户浏览或下载（文档 / 代码 / 图片 / 链接等）

3. 收集用户对任务的满意度

----

整个方案理下来，核心在于执行任务的 agent 设计，以及主线程的调度流程，以 search agent 为例，在处理“日本旅行计划”这个任务中，主要的执行步骤：

1. 拿到 japan-trip 等关键词信息，调用谷歌第三方 API，获取 10-20 条搜索结果

2. 模拟浏览器点开第一个网页，浏览网页内容，获取网页文本内容 + 浏览器截图拿到网页视觉信息

3. 调用支持多模态输入的模型，输入当前任务要求，从当前浏览的网页中提取有效信息（是否有符合要求的结果，如果不满足要求，返回下一个该点击的 button 元素）

4. 模拟浏览器点击 + 网页滚动行为，拿到更多的网页内容 + 视觉信息，重复几次，直到收集到的内容满足任务要求为止

5. 把收集到的内容保存到任务文件夹

这个 search agent 的核心在于模拟用户浏览网页行为，需要用到无头浏览器和多模态模型。

code agent 和 data-analysis agent 相对而言比较简单：

1. 根据任务需求，创建本地文件，写入代码（python 代码做数据分析，html 代码做视觉呈现）

2. 通过系统调用执行代码，把执行结果保存到任务文件夹

3. 通过 code-preview 服务，预览 html 文件的内容

---

此类 multi-agent 产品，还有一些改进的空间：

1. https://t.co/tYosIUPa9o 的多个任务，是线性依赖关系，可以使用 DAG（有向无环图）实现更加复杂的任务依赖

2. 需要引入自动化测试 agent，对任务结果进行判断和矫正，如果对某个步骤评分过低，需要回溯到之前的某个任务节点重新执行

3. 允许全自动 + 用户介入的混合模式，在某个步骤执行完，先寻求用户反馈，如果几秒内没收到反馈，则自动继续运行

---

整体评价：manus 在工程层面做了很多工作，整体交互比其他产品好很多。技术层面，依然是没什么壁垒，对模型有比较深的依赖：

1. 也许有个小模型，做任务执行前的意图识别

2. 任务规划和推理，用 deepseek-r1

3. 图片识别 + 代码生成，用 claude-3.7-sonnet

token 消耗会很高，能不能广泛用起来，取决于谁来负担这个成本。

最终的任务准确性和用户满意度，还需要更多的案例来说明。

点击图片查看原图