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

举几个非常有名的产品：

1. Manus https://manus.im/app

2. Genspark https://www.genspark.ai/

3. atypica https://atypica.musedam.cc/

..... 很多

举几个开源的项目：

1. Suna https://github.com/kortix-ai/suna

2. LangManus https://github.com/Darwin-lfl/langmanus (第3方)

3. deerflow https://github.com/bytedance/deer-flow

......

技术原理解析

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：

1. 协调员（Coordinator）：工作流程的入口点，处理初始交互并路由任务

2. 规划员（Planner）：分析任务并制定执行策略

3. 主管（Supervisor）：监督和管理其他智能体的执行

4. 研究员（Researcher）：收集和分析信息

5. 程序员（Coder）：负责代码生成和修改

6. 浏览器（Browser）：执行网页浏览和信息检索

7. 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

1. 推理模型

2. 基础模型

3. 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）

看下来是langmanus的优化版本

架构

1. 协调器：管理工作流生命周期的入口点

2. 
   

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

1. 分析研究目标并创建结构化执行计划

2. 确定是否有足够的上下文或是否需要更多研究

3. 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：

1. 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。

2. 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

1. 汇总研究团队的发现

2. 处理和组织收集的信息

3. 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