我要投稿

手把手教你实现自己的“Manus”：构建基于容器的多用户Agent应用【下】

发布日期：2025-03-13 08:48:00 浏览次数： 1544 来源：AI大模型应用实践

点击上方蓝字关注我们

继续上文（手把手教你实现自己的“Manus”：构建基于容器的多用户Agent应用【上】）来完成自己的“Manus”。再重复下我们关注的重点：

编码Agent与Web Agent是主要任务工具
它们需要在容器环境中执行以确保安全
多用户环境，每个用户有自己的Agent与容器

本篇将完成剩下的任务（代码地址在文末）：

构建Tool：Python代码执行器（Docker版）
构建Tool：浏览器自动化（Docker版）
组装Prompts与ReAct Agent
测试与未来改进

构建Tool：Python代码执行器

这个工具的任务是把AI生成的代码在一个动态启动的容器中执行，并返回结果。它并不关心代码的目的，仅仅是纯粹的执行。首先准备一个工具函数：

...
def execute_code_docker(
    code: str,
    language: str,
    user_id: str  ,
    task_id: str
) -> str:
    """
    在Docker容器中执行代码的函数
    
    Args:
        code: 要执行的代码
        language: 代码语言 ("python", "bash", "sh")
        user_id: 用户ID，区分不同用户
        task_id: 任务ID，如果不提供则创建新任务
        
    Returns:
        字符串结果，包含输出或错误信息
    """
    .........此处省略.......
    return json.dumps(result_data)

把这个函数转化为Agent需要的Tool，这里包装一个create函数：

def create_code_executor_docker_tool():
    """创建docker代码执行工具"""
    return FunctionTool.from_defaults(
        name="docker_code_executor",
        description="在Docker容器中执行Python代码或Shell脚本。对于Python代码，使用language='python'；对于Shell脚本，使用language='bash'或'sh'。需要提供user_id区分不同用户，可以指定task_id继续在特定任务上下文中执行，不指定则创建新任务。",
        fn=execute_code_docker,
    )

OK，这就是全部工作。如果不放心，你可以单独测试这个工具。

构建Tool：浏览器自动化

这个Tool依赖于一个Web Agent，用来完成浏览器自动化任务（参考：Web Agent技术揭秘：如何让DeepSeek接管与控制你的浏览器？）。常见的技术方案有微软的OmniParse视觉分析以及browser-use开源Agent框架。可以借助browser-use来快速实现这个Agent：

...
# 初始化浏览器
browser = Browser(config=browser_config)
    
# 创建代理，输入task即可，比如“上youtube看当前热点”
agent = Agent(
            task=task,
            llm=llm,
            use_vision=use_vision,
            max_failures=max_failures,
            max_actions_per_step=max_actions,
            browser=browser
)

result = await agent.run()

由于需要在容器中完成web浏览，为了方便，我们把这个Agent调试好再直接build到容器镜像中（参考上篇的Dockerfile）。而Tool只需要调用容器中的Agent即可：

所以这个工具函数就很简单了，无非是把输入任务转换成调用agent_browser的脚本并通过容器执行：

def execute_browser_task(
    task_description: str, 
    user_id: str = "default", 
    task_id: Optional[str] = None
) -> str:
    """
    执行浏览器任务并返回结果
    
    Args:
        task_description: 浏览器工作任务描述文本
        user_id: 用户ID，区分不同用户
        task_id: 任务ID，如果不提供则创建新任务
        
    Returns:
        str: JSON格式的任务执行结果
    """
    shell_code = f'python /app/agent_browser.py -t "{task_description}"'
   
    ...此处省略...

    result = container.execute(shell_code, "bash")

    ...

然后参考上一节的方法把这个函数转化为工具即可。

组装Prompts与ReAct Agent

除了上面两个以外，我们还有两个工具：

CodeGenerator: 为了各司其职，这里把生成代码的工作交给一个独立的Tool（也可以是Agent）完成，而不是由任务推理的LLM直接生成，这样有利于单独调试，并使用更擅长编码的模型。
WebpageCrawler: 采集指定网址的内容。主要用于测试。

【Prompts建议】

大模型”咒语“的重要性不言而喻。在这个Agent中，有两个主要的提示：

* 主任务推理提示：由于这里使用ReActAgent，因此使用其标准化提示，由框架内置。不过LlamaIndex允许插入一个Context_prompt，可以在这增加一些指令，以帮助更好的推理任务步骤与参数。我这里给了一些任务拆分的”Tips“，如：

* 编码提示：即LLM代码生成的提示。这个提示中可以根据实际需要给出一些编码的规则、约束以及环境信息等，帮助生成一次性成功的代码。如：

这些编码规则最后组装到完整的Prompt中：

...
prompt = f"""{CODE_GENERATION_PROMPT}
任务描述：{task_description}
额外上下文：{additional_context}

请直接返回代码，无需其他解释。
"""

【Agent组装】

为了简化，这里采用LlamaIndex中预置的ReActAgent抽象来实现这个Agent。把工具交给Agent，并设定LLM及部分参数即可：

...
 # 创建用户专属的工具实例
        tool_code_executor_docker = create_code_executor_docker_tool()
        tool_browser_docker = create_browser_docker_tool()
        tool_code_generator = create_code_generator_tool()
        tool_webpage_crawler = create_webpage_crawler_tool() # 新增网页采集工具
        
        # 创建用户专属的Agent
        _agents[user_id] = ReActAgent.from_tools(
            max_iterations=20,
            tools=[
                tool_code_generator,
                tool_code_executor_docker,
                tool_browser_docker,
                tool_webpage_crawler # 添加到工具列表
            ],
            llm=llm,
            verbose=True,
            context=REACT_AGENT_CONTEXT
        )
...

【客户端模拟】

实际应用中，你需要借助Flask或者FastAPI让Agent对外提供服务接口。不过我们这里直接采用客户端程序做模拟。这个程序的输入有：

一个用户标识（模拟不同的登录用户）
一个任务描述（模拟用户的任务要求）
一个输入文件名（模拟用户上传的文件）

处理流程如下：

测试与改进

现在我们就完成了一个初具雏形的、支持多用户与容器环境的“Manus”，当然它的工具箱还不够丰富，任务规划能力也相对受限(ReAct)，你需要在后期不断的完善。

我们做一些简单的测试验证：

" 帮我看一下youtube今天最火的视频有哪些？"

"演示汉诺塔算法的过程，并搜一下汉诺塔问题来源”

"解压我的zip文件，识别其中的PDF文件信息，输出到Excel中”

这个PDF是一张发票信息，因为我提示不够清楚，AI使用了普通的PDF解析，尽管信息被提取了出来，但并没有使用价值。

“创建一个测试的订单数据文件，模拟小米公司各种手机型号的销售数据，数据尽量仿真，至少100条数据”

“对我刚生成的模拟数据做个分析，输出一个分析图表到图片文件”

这里经历了多次调试。原因是大部分LLM会自作主张的假设数据格式直接进行分析，而不是首先学习文件中的数据内容与格式，然后选择合适的角度做分析。

【不足与后续改进】

首先是最大的问题，相信也是Agent的普遍问题：不可预测性。当然原因主要来自于LLM的不确定，体现在：

任务规划：长距任务的合理规划上能力不足。子任务什么时候要拆分，什么时候要合并，特别是步骤多了以后，后期很容易失控。
代码生成：很多通用任务依赖AI编程，这受限于LLM能力。常见问题是相似的任务有时候用方法A，有时候用方法B，导致过多的失败与反复迭代。

不可预测性很大程度上依赖于LLM能力的进化。可能的改进还有：

不直接依赖于ReAct思维链立即开始任务，而是借助LLM先生成全盘优化的任务执行计划，并在过程中迭代调整（Refine）。
对常见类型的任务过程进行一定程度的“固化”，即给予LLM一定的任务执行“指南”。这个指南可以通过Prompt、RAG甚至微调的方式注入。
企业环境下，针对业务场景可借助于Workflow编排来降低任务的不确定性，提高可预测性，因为对“通用性“要求没那么高。

长期记忆能力。即能够超越单次Agent的使用来理解甚至预测用户的行为、个性与偏好，从而提高任务理解的准确性与客户体验。比如这样的任务：“到我常去的购物网站查询下最新的折扣信息”。
更丰富的工具。依靠编码与浏览器是远远不够的，更何况这两种方式还存在一定的性能问题。很多任务需要更专一且高效的工具来完成，需要一个即插即用的让AI更方便的连接世界的手段（MCP？）
异步的任务处理。提交任务后可以离开，并在任务结束后得到通知。
任务过程中的人工参与。必要时任务可以暂停等待人工输入或者确认。
多用户环境下的性能优化。并发控制、容器管理机制、缓存机制等。