第09讲 Manus 通用智能体深度剖析——computer-use 与任务自主执行

本讲读完你能带走三件事① 通用智能体General-purpose Agent和平台里搭的专用 bot本质区别在哪② Manus 式的规划—执行—反思循环长什么样③ 它的能力边界与风险以及你怎样用类似思路在自己的项目里复刻一个迷你 Manus。一、引子·为什么从教它怎么做到告诉它要什么第07讲我们学会了在扣子里把一个专用智能体跑通——你精心写好人设、限定它只干一件事比如写小红书文案它表现得很好。但你想过没有当你面对的是一个开放目标——帮我调研竞品、整理成对比表、发到我的云文档里——专用 bot 就傻了。它不是不会某一步而是没人告诉它先干哪步、干完怎么交。这就是通用智能体要解决的命题。扣子、Dify 解决的是我替你把流程画好bot 照着走通用智能体解决的是我只给目标bot 自己把流程想出来并执行。二者不是替代关系而是抽象层级不同专用 bot流程在人脑里执行在机器里。通用智能体目标和验收在人手里流程与执行都在机器里。2025 年 Manus 的走红正是因为它把给个目标就自己干活这件事做到了普通人点开就能看见的程度——它会在界面上先列出任务清单然后真的去开浏览器、跑代码、读文件、改表格最后把成果交还给你。廖显东在《从0到1搭建AI智能体》里把这类系统归为自主任务型智能体强调它的核心不是某个模型多强而是一套让模型能持续想—做—看结果的闭环。作者自己在做OPC 一人公司平台时也是同一个出发点让一个没有技术团队的个人用自然语言描述业务目标系统把目标拆成可执行的智能体任务流并跑通。所以理解 Manus不只是看一个产品更是看懂一人公司这种新工作形态背后的引擎长相。二、原理·深入Manus 式的规划—执行—反思循环通用智能体之所以通用靠的不是某一个万能模型而是把第02讲讲过的感知—规划—记忆—工具—行动放大成一个可自我纠偏的循环。拆解成四个角色来看1. 任务规划器Planner拿到用户目标后先把模糊目标翻译成一份可勾选的任务清单task list。例如目标调研三家竞品并出报告规划器会拆出① 确定三家竞品名称② 分别检索各家官网/评测③ 抽取维度价格/功能/口碑④ 生成对比表⑤ 写成报告。这一步本质是把开放问题闭包成有限子任务——和单智能体里 ReAct 的先想一步同源但 Manus 把它显式成了用户可见的清单既透明又可修正。2. 上下文与记忆管理器Context/Memory长任务最大的敌人是做到第 8 步忘了第 2 步的结论。通用智能体必须有一个跨步骤的持久上下文每一步的产物抓到的网页、算出的数字、生成的草稿都落进一个可追溯的工作区而不是挤在大模型的对话窗口里。作者自研的PASM 认知引擎用事实层Fact Layer 记忆路由做类似的事——把稳定事实与临时推理分开存避免长程任务里的上下文污染。这正是第02讲记忆思想在工业级系统里的落地。3. 动作执行器Actor / computer-use规划器说去竞品官网看定价执行器就得真的能操作环境打开浏览器、点击、填表、运行 Python 脚本、读写本地/云文件。Manus 的典型做法是把智能体放进一个云沙箱虚拟机给它一套工具浏览器、shell、代码解释器、文件 API让模型通过工具调用function calling驱动这些动作。所谓 computer-use就是让模型直接产出下一步操作屏幕的坐标/指令像人一样用图形界面。4. 反思与校验器Reflector每执行一步反思器会问结果对吗离目标近了吗要不要换条路——比如脚本报错就改代码重试网页没抓到就换关键词。这个自我反思self-reflection闭环是通用智能体区别于一次性工作流的关键工作流错了就卡死通用智能体错了能绕。把这四者串起来就是本讲标题里的循环目标 → [规划] 任务清单 → [执行] 调工具/操作环境 → [观察] 拿到结果 ↑ ↓ └—————— [反思] 校验/纠错/重规划 ←——————————————┘一张表看清通用与专用的分水岭维度扣子专用 bot第07讲Manus 式通用智能体流程谁定人提前画好智能体运行时自定输入单轮指令/对话开放目标能否操作环境受限接好的插件强浏览器/代码/文件沙箱长任务记忆弱靠窗口强持久工作区出错处理多靠人介入自反思重试可控性高中需设护栏适合场景标准化重复活一次性复杂任务记住一句话专用 bot 是流程的执行者通用智能体是流程的生成者。第10讲我们要讲的多智能体协同恰恰是给通用智能体再叠一层——让多个专精角色一起把复杂目标干漂亮。三、实战·可运行复刻一个迷你 Manus的最小骨架Manus 是托管产品内部 API 不公开但它的循环思想完全可以自己复刻。下面给一段示意级 Python 骨架帮你把规划—执行—反思跑通用 OpenAI 兼容的 function calling真实接入时换你的模型与工具实现即可本片段重在展示循环结构非可直接运行的生产代码# 示意迷你通用智能体循环plan-execute-reflect from openai import OpenAI client OpenAI() # 换成你的模型端点 tools [/* browser_call, run_python, read_file ... */] # 你的工具定义 def agent_loop(goal: str, max_steps: int 12): tasks planner(goal) # ① 规划目标 - 任务清单 workspace {} # 跨步骤持久上下文 for step in range(max_steps): action actor(tasks, workspace, tools) # ② 执行选工具参数 result call_tool(action) # ③ 观察真去干活 workspace[action.id] result verdict reflector(tasks, workspace, goal) # ④ 反思 if verdict.done: return summarize(workspace) # 交还成果 if verdict.need_replan: tasks planner(f{goal}\n已有进展{workspace}) # 重规划 return 未在给定的步数内完成请缩小目标或放宽验收 print(agent_loop(调研三家竞品并生成对比 Markdown))这段代码把本讲四个角色全串起来了planner出清单、actor调工具、call_tool真执行、reflector校验并决定是否重规划。把它接到真实的浏览器/代码工具上你就拥有了一个属于自己的任务自主执行器——也正是 OPC 平台在一人公司场景里做的事把这段循环包装成可视化画布让非技术用户也能驱动。真要做稳至少要补三件事① 工具执行放进沙箱防止误删/越权② workspace 落盘断线可续③ 给reflector配明确的验收标准否则它会觉得自己做完了就停。这三点正是下一节能力边界的工程化落点。四、避坑·衔接能力边界与上线前必查清单通用智能体很香但踩坑的人更多。把它当实习生而非神仙用下面六条是血泪经验幻觉式自信模型可能在没真抓到数据时就编出竞品价格。护栏所有事实类结论必须来自工具返回值禁止模型凭空生成数字并在成稿里附来源链接。长任务失忆超过几十步后早期结论丢失。护栏强制 workspace 落盘 每步只往上下文塞摘要字段呼应第10讲节点间传字段不传记忆。computer-use 误操作让模型直接操作界面可能点错按钮、填错表、甚至触发付费操作。护栏高风险动作删除/付款/发送必须人工确认闸沙箱内禁止碰真实账号。成本与时长失控一个开放目标可能触发上百次工具调用。护栏设max_steps与预算上限超时自动降级为先交部分成果。隐私外泄任务材料可能含客户资料却随提示词发到第三方模型。护栏敏感数据本地化、在沙箱内脱敏后再出域。验收标准模糊用户说调研一下智能体不知何时算完。护栏开工前用一轮对话把交付物长什么样钉死文件表格多少条这正是《手把手教你搭建自己的AI智能体》反复强调的先定义成功再动手。与扣子怎么选一句话流程固定、要稳定可复现 → 扣子/工作流第07、10、13讲目标开放、一次性复杂、愿意设护栏 → 通用智能体本讲。两者在 OPC 平台里是同一套引擎的两种驾驶模式。下讲预告第10讲多智能体协同——低代码编排入门。通用智能体再往前一步就是让多个专精角色调研员、写手、审稿人分工协作。下讲我们不写代码先用扣子和 Dify 把一支分工团队拖出来看懂协同的本质第11讲再升级到 CrewAI/AutoGen 的代码级实现。本讲完。通用智能体是协同层之前最重要的一块拼图——它证明了一件事智能体的上限不在模型而在你敢不敢把流程生成也交给机器同时把护栏留给自己。