最近在学习 LLM Agent，但终觉“纸上学来终觉浅，绝知此事要躬行”，所以想写个小项目试试手。在这个人均写一个 Manus 的时代，在这个半开卷的情况下，况且 Manus 的提词已经泄漏的情况下，是不是我也可以写一个，我整理了一下自己的需求如下：
- 可单主机云上部署，好部署在我家里的 Server 上。集成浏览器、Shell、Python、Node 等工具及 Ubuntu 沙盒环境，每一个任务分配一个沙盒。Web UI 与提示词直接借鉴官方 Manus 的。
结合 Cursor 应该可以快速地写出一个 Manus 的示例，听说 OpenManus 4 小时就写出来了。
项目地址：
QQ 交流群：
Demo 演示
Browser Use
Code Use
效果可以说是相当的凑合，但是目前是学习目的，提示词与 Agent 流程可能都需要优化一下，懒得再调了，就交给广大网友了。
主要功能
- 部署：最小只需要一个 LLM 服务即可完成部署，不需要依赖其它外部服务。工具：支持 Terminal、Browser、File、Web Search 工具，并支持实查看。沙盒：每个 Task 会分配单独的一个沙盒，沙盒在本地 Dock 环境里面运行。任务会话：通过 Mongo/Redis 对会话历史进行管理，支持后台任务。对话：支持停止与打断。多语言：支持中文与英文。
整体设计
整体系统由三个模块组成：Web、Server 与 Sandbox，用户使用流程如下：
当用户发起对话时：
- Web 向 Server 发送创建 Agent 请求，Server 通过
/var/run/docker.sock创建出 Sandbox，并返回会话 ID。Sandbox 是一个 Ubuntu Docker 环境，里面会启动 chrome 浏览器及 File/Shell 等工具的 API 服务。Web 往会话 ID 中发送用户消息，Server 收到用户消息后，将消息发送给 PlanAct Agent 处理。PlanAct Agent 处理过程中会调用相关工具完成任务。Agent 处理过程中产生的所有事件通过 SSE 发回 Web。当用户浏览工具时：
- 浏览器：
- Sandbox 的无头浏览器通过 xvfb 与 x11vnc 启动了 vnc 服务，并且通过 websockify 将 vnc 转化成 websocket。Web 的 NoVNC 组件通过 Server 的 Websocket Forward 转发到 Sandbox，实现浏览器查看。
- 其它工具：其它工具原理也是差不多。
AI Agent 设计模式
AI Agent 是什么？相信大家都听烂了，我在这里说的肯定不如别人说的好，简单来说就是：AI Agent = LLM + Planning + Memory + Tools。
FunctionCall or ReAct or LangChain?
先来说一下 Tool Use 部分，目前可以使用的方式是：1）高阶模型自身的 FunctionCall 能力；2）ReAct Prompt 框架；3）LangChain Agent 框架，其实它是前两者的高度封装。
最简单是使用 LangChain 这样高度封装的框架了，但是对于学习目的的项目来说，我一直强烈想知道它背后做了什么，所以这个先 Pass 掉了。
使用 FunctionCall 来使用工具要求比较高阶的模型，但 ReAct 的设计又太繁琐，思来想去，还是先使用 FunctionCall，先用好的模型开发，后面再来研究 ReAct 框架。关于 ReAct ，感兴趣可以看看：ReAct 框架 | Prompt Engineering Guide。
因此，该项目对 LLM 的要求如下：
- 兼容 OpenAI 接口支持 FunctionCall支持 Json 格式输出（因为抛弃了 LangChain 又想省事）
Plan-and-Act Agent 设计模式
整体使用 Plan-and-Act 的 Agent 设计模式，相关论文：Plan-and-Act : Improving Planning of Agents for Long-Horizon Tasks，它的相关流程如下：
即将系统分成 Planner 和 Executor，Planner 将任务进行规划拆分，Executor 负责任务分步执行，将执行结果返回给 Planner 重新规划。
项目中的状态流转图如下：
系统支持被打断，所有打断的消息都会流向 Planner Agent，Planner Agent 为根据用户的打断消息重新规划。
Sandbox 设计
为了实现每个任务使用单独的 Docker 沙盒，我们 Server 通过/var/run/docker.sock进行机器上 Docker 沙盒的创建与销毁。
Sandbox 进程与生命周期管理
整个 Sandbox 通过 supervisord 进程管理，并且通过 supervisord 实现 Sandbox 的 TTL 管理。因为 Agent 目前没有主动销毁机制，所以需要 Sandbox 自动过期自销毁，并实现续时等接口。
File & Shell 工具
文件操作与 Shell 命令执行没有什么难度，Cursor 最擅长这些，我把 Manus 的工具描述丢给 Cursor 后，很快就用 FastAPI 帮我生成了一整套代码，不得不说很稳定，基本没有怎么改过。
Browser 工具
目前遍地的 Manus 都在使用 browser-use（github.com/browser-use…）这个库，为了学习和研究的目的，我还是决定使用 Playwright + Chrome 自己搞一个。由于目前还没有能力使用视觉模型，所以还是以文字模型为基础来操作浏览器。
为了让 Sandbox 更加纯粹，Sandbox 只启动 Chrome，并且暴露 CDP 和 VNC 让 Server 来操作。
启动 Browser
坑点一：启动参数
Chrome browser 的启动有很多参数，遇到问题再找参数有点费时费力，直接站在巨人的肩膀上，参考 browser-use 的启动参数：github.com/browser-use…。
坑点二：CDP 监听地址不支持0.0.0.0
新版本 Chrome 似乎已经不支持--remote-debugging-address参数（参考：issues.chromium.org/issues/3275…），解决方案可以通过端口转发：
# 假设 CDP 监听在 127.0.0.1:8222socat TCP-LISTEN:9222,bind=0.0.0.0,fork,reuseaddr TCP:127.0.0.1:8222VNC 访问
由于 Docker 镜像内没有 X Server 等图形环境，所有通过虚拟 X11 显示服务器Xvfb来给 Chrome 绘制窗口，并通过x11vnc提供 VNC Server：
# 启动 Xvfb 在 Display :1Xvfb :1 -screen 0 1280x1029x24# Chrome 浏览器指定 Displaygoogle-chrome \ --display=:1 \ ...# 启动 VNC 服务x11vnc -display :1 -nopw -listen 0.0.0.0 -xkb -forever -rfbport 5900由于 VNC 的四层端口对反向代理转发不友好，所以这里还使用websockify将 VNC 转成七层Websocket：
# 将暴露 5901 端口 Websocket 服务websockify 0.0.0.0:5901 localhost:5900以便于后面NoVNC连接。
AI 网页元素操作与信息提取
一开始天真地把整个 html 丢给大模型，发现是行不通的，一丢过去就爆 Token 了。小调研了一下，发现现在主流的做法是：1）可交互元素提取；2）网页信息提取。
首先是提取可见的、可交互的元素，以便让大模型识别哪些可以输入、点击等。一般将元素提取成index <tag>text</tag>，例如：
1 <input>手机号</input>2 <input>密码</input>3 <button>确认</button>...并在原标签中把 ID 号标注上去，这里是 Cursor 给我生成的代码，我也没有细看，但它能 work：
const interactiveElements = [];const viewportHeight = window.innerHeight;const viewportWidth = window.innerWidth;// Get all potentially relevant interactive elementsconst elements = document.querySelectorAll('button, a, input, textarea, select, [role="button"], [tabindex]:not([tabindex="-1"])');let validElementIndex = 0; // For generating consecutive indicesfor (let i = 0; i < elements.length; i++) { const element = elements[i]; // Check if the element is in the viewport and visible const rect = element.getBoundingClientRect(); // Element must have some dimensions if (rect.width === 0 || rect.height === 0) continue; // Element must be within the viewport if ( rect.bottom < 0 || rect.top > viewportHeight || rect.right < 0 || rect.left > viewportWidth ) continue; // Check if the element is visible (not hidden by CSS) const style = window.getComputedStyle(element); if ( style.display === 'none' || style.visibility === 'hidden' || style.opacity === '0' ) continue; // Get element type and text let tagName = element.tagName.toLowerCase(); let text = ''; if (element.value && ['input', 'textarea', 'select'].includes(tagName)) { text = element.value; // Add label and placeholder information for input elements if (tagName === 'input') { // Get associated label text let labelText = ''; if (element.id) { const label = document.querySelector(`label[for="${element.id}"]`); if (label) { labelText = label.innerText.trim(); } } // Look for parent or sibling label if (!labelText) { const parentLabel = element.closest('label'); if (parentLabel) { labelText = parentLabel.innerText.trim().replace(element.value, '').trim(); } } // Add label information if (labelText) { text = `[Label: ${labelText}] ${text}`; } // Add placeholder information if (element.placeholder) { text = `${text} [Placeholder: ${element.placeholder}]`; } } } else if (element.innerText) { text = element.innerText.trim().replace(/\\s+/g, ' '); } else if (element.alt) { // For image buttons text = element.alt; } else if (element.title) { // For elements with title text = element.title; } else if (element.placeholder) { // For placeholder text text = `[Placeholder: ${element.placeholder}]`; } else if (element.type) { // For input type text = `[${element.type}]`; // Add label and placeholder information for text-less input elements if (tagName === 'input') { // Get associated label text let labelText = ''; if (element.id) { const label = document.querySelector(`label[for="${element.id}"]`); if (label) { labelText = label.innerText.trim(); } } // Look for parent or sibling label if (!labelText) { const parentLabel = element.closest('label'); if (parentLabel) { labelText = parentLabel.innerText.trim(); } } // Add label information if (labelText) { text = `[Label: ${labelText}] ${text}`; } // Add placeholder information if (element.placeholder) { text = `${text} [Placeholder: ${element.placeholder}]`; } } } else { text = '[No text]'; } // Maximum limit on text length to keep it clear if (text.length > 100) { text = text.substring(0, 97) + '...'; } // Only add data-manus-id attribute to elements that meet the conditions element.setAttribute('data-manus-id', `manus-element-${validElementIndex}`); // Build selector - using only data-manus-id const selector = `[data-manus-id="manus-element-${validElementIndex}"]`; // Add element information to the array interactiveElements.push({ index: validElementIndex, // Use consecutive index tag: tagName, text: text, selector: selector }); validElementIndex++; // Increment valid element counter}return interactiveElements;这样大模型就可以根据 ID 号来操作元素了。
还要进行网页信息提取，目前主流做法是先去掉不可见元素后，先转成 markdown，再给大模型进行提取，以节省 Token，如下：
# Convert to Markdownmarkdown_content = markdownify(visible_content)max_content_length = min(50000, len(markdown_content))response = await self.llm.ask([{ "role": "system", "content": "You are a professional web page information extraction assistant. Please extract all information from the current page content and convert it to Markdown format."},{ "role": "user", "content": markdown_content[:max_content_length]}])至此，大模型就可以与网页交互与阅读网页信息内容了。
Web UI 设计
Web UI 编写虽然属于我的软肋，但属于 Cursor 的强项，结合对正版 Manus 的借鉴也可以搞得七七八八，页面比较简单。
如何部署？
环境要求
本项目主要依赖 Docker 进行开发与部署，需要安装较新版本的 Docker：
- Docker 20.10+Docker Compose
模型能力也是要求比较高：
- 兼容 OpenAI 接口支持 FunctionCall支持 Json Format 输出
推荐 Deepseek 与 ChatGPT。
部署
推荐使用 Docker Compose 进行部署：
services: frontend: image: simpleyyt/manus-frontend ports: - "5173:80" depends_on: - backend restart: unless-stopped networks: - manus-network environment: - BACKEND_URL=http://backend:8000 backend: image: simpleyyt/manus-backend depends_on: - sandbox restart: unless-stopped volumes: - /var/run/docker.sock:/var/run/docker.sock:ro networks: - manus-network environment: # OpenAI API base URL - API_BASE=https://api.openai.com/v1 # OpenAI API key, replace with your own - API_KEY=sk-xxxx # LLM model name - MODEL_NAME=gpt-4o # LLM temperature parameter, controls randomness - TEMPERATURE=0.7 # Maximum tokens for LLM response - MAX_TOKENS=2000 # MongoDB connection URI (optional) #- MONGODB_URI=mongodb://mongodb:27017 # MongoDB database name (optional) #- MONGODB_DATABASE=manus # MongoDB username (optional) #- MONGODB_USERNAME= # MongoDB password (optional) #- MONGODB_PASSWORD= # Redis server hostname (optional) #- REDIS_HOST=redis # Redis server port (optional) #- REDIS_PORT=6379 # Redis database number (optional) #- REDIS_DB=0 # Redis password (optional) #- REDIS_PASSWORD= # Sandbox server address (optional) #- SANDBOX_ADDRESS= # Docker image used for the sandbox - SANDBOX_IMAGE=simpleyyt/manus-sandbox # Prefix for sandbox container names - SANDBOX_NAME_PREFIX=sandbox # Time-to-live for sandbox containers in minutes - SANDBOX_TTL_MINUTES=30 # Docker network for sandbox containers - SANDBOX_NETWORK=manus-network # Chrome browser arguments for sandbox (optional) #- SANDBOX_CHROME_ARGS= # HTTPS proxy for sandbox (optional) #- SANDBOX_HTTPS_PROXY= # HTTP proxy for sandbox (optional) #- SANDBOX_HTTP_PROXY= # No proxy hosts for sandbox (optional) #- SANDBOX_NO_PROXY= # Google Search API key for web search capability (optional) #- GOOGLE_SEARCH_API_KEY= # Google Custom Search Engine ID (optional) #- GOOGLE_SEARCH_ENGINE_ID= # Application log level - LOG_LEVEL=INFO sandbox: image: simpleyyt/manus-sandbox command: /bin/sh -c "exit 0" # prevent sandbox from starting, ensure image is pulled restart: "no" networks: - manus-network mongodb: image: mongo:7.0 volumes: - mongodb_data:/data/db restart: unless-stopped #ports: # - "27017:27017" networks: - manus-network redis: image: redis:7.0 restart: unless-stopped networks: - manus-networkvolumes: mongodb_data: name: manus-mongodb-datanetworks: manus-network: name: manus-network driver: bridge保存成 docker-compose.yml 文件，并运行：
docker compose up -d注意：如果提示 sandbox-1 exited with code 0，这是正常的，这是为了让 sandbox 镜像成功拉取到本地。
打开浏览器访问 http://localhost:5173 即可访问 Manus。
如何开发？
环境准备
环境要求在部署章节已经做了说明。
下载项目：
git clone https://github.com/Simpleyyt/ai-manus.gitcd ai-manus复制配置文件：
cp .env.example .env修改配置文件：
# Model provider configurationAPI_KEY=API_BASE=http://mockserver:8090/v1# Model configurationMODEL_NAME=deepseek-chatTEMPERATURE=0.7MAX_TOKENS=2000# MongoDB configuration#MONGODB_URI=mongodb://mongodb:27017#MONGODB_DATABASE=manus#MONGODB_USERNAME=#MONGODB_PASSWORD=# Redis configuration#REDIS_HOST=redis#REDIS_PORT=6379#REDIS_DB=0#REDIS_PASSWORD=# Sandbox configurationSANDBOX_IMAGE=simpleyyt/manus-sandboxSANDBOX_NAME_PREFIX=sandboxSANDBOX_TTL_MINUTES=30SANDBOX_NETWORK=manus-network#SANDBOX_CHROME_ARGS=#SANDBOX_HTTPS_PROXY=#SANDBOX_HTTP_PROXY=#SANDBOX_NO_PROXY=# Optional: Google search configuration#GOOGLE_SEARCH_API_KEY=#GOOGLE_SEARCH_ENGINE_ID=# Log configurationLOG_LEVEL=INFO开发
开发模式下只会全局启动一个沙盒。
运行调试：
# 相当于 docker compose -f docker-compose-development.yaml up./dev.sh upWeb、Sandbox、Server 都会以 reload 模式运行，即代码改动会自动 reload。暴露的端口如下：
- 5173: Web 前端端口。8000: Server API 服务端口。8080: Sandbox API 服务端口。5900: Sandbox VNC 端口。9222: Sandbox Chrome 浏览器 CDP 端口。
当依赖变化时，即requirements.txt或者package.json变化时，可以清理并重新构建一下：
# 清理掉所有相关资源./dev.sh down -v# 重新构建镜像./dev.sh build# 调试运行./dev.sh up发布
export IMAGE_REGISTRY=your-registry-urlexport IMAGE_TAG=latest# 构建镜像./run build# 推送到相应的镜像仓库./run push写在最后
本项目主要用于学习与研究目的，共同学习和进步，也是代码工程师未来跃变提词工程师做点准备。
后续计划：
- 工具：支持历史工具查看，支持 Deploy & Expose、消息工具。MCP：支持外部 MCP 工具集成。对话：支持文件上传与下载。沙盒：支持接管电脑，支持手机与 Windows 电脑接入。部署：支持 K8s 和 Dock Swarm 多集群部署。认证：用户登录与认证。
