OpenManus 从用户提问到最终的结果展示整个处理流程较长，本文将重点通过三个关键流程的时序图分析，来说明 OpenManus 的执行流程。
一、整体请求处理流程
初绍化阶段：
用户通过 main.py 输入请求
系统初始化 Manus Agent，并将用户输入保存到 Memory中
执行循环：
Agent 通过迭代执行步骤（步数上限由 max_steps 控制）
每个步骤分为“思考”和“行动”两个阶段
思考阶段（Think）：
Agent 从 Memory 获取会话历史
调用 LLM 进行思考，并决定使用哪些工具
将 LLM 的响应保存到 Memory
行动阶段（Act）：
如果有工具调用，通过 ToolCollenction 执行相应工具；
工具执行结果保存到 Memory
如果执行的是特殊工具（如 Terminate），会将状态设置为 FINISHED
循环检测：
检查是否陷入循环状态
如果检测到循环，采取相应措施避免重复执行相同操作
结果返回：
执行完成后，返回结果给 main.py，最终展示给用户
二、基于计划的执行流程
初始化阶段：
用户通过 run_flow.py 输入请求
创建 agents 字典，并使用 FlowFactory 创建 PlanningFlow 实例
计划创建阶段：
PlanningFlow 调用LLM生成初始计划
使用 PlanningTool创建结构化计划，包含多个步骤
计划执行循环：
获取当前计划中下一个需要执行的步骤
根据步骤类型选择合适的执行 Agent
步骤执行：
选定的 Agent 执行当前步骤
内部过程包含 LLM 思考和工具执行
执行完成后标记步骤为已完成
计划总结：
所有步骤完成后，生成计划执行总结
返回完整结果给用户
三、工具执行流程
工具选择：
Agent 在思考阶段决定使用哪些工具
通过 ToolCollection 执行选定工具
不同工具的执行路径：
PythonExecute: 在受限环境中执行 Python 代码
BrowserUseTool：初始化浏览器并执行各种浏览器操作
GoogleSearch：执行 Google 搜索并返回结果
FileSaver：将内容保存到文件
Terminate：结束当前任务执行
结果处理：
工具执行结果以 ToolResult 形式返回
Agent 处理执行结果并决定下一步操作
指定的工具可能会改变 Agent 的状态（如 FINISHED）
OpenManus 的核心流程体现了一个完整的AI代码系统架构：
- 分层设计：从用户输入到LLM思考，再到工具执行，每一层都有明确的职责
- 状态管理：通过 Memory 和 AgentState 维护会话状态和执行进度
- 模块化工具系统：各种工具封装不同能力，可以独立扩展
- 计划引导执行：PlanningFlow 通过结构化计划来管理复杂任务的执行
- 安全机制：循环检测、超时控制等机制确保系统稳定运行
这种设计使 OpenManus 能够灵活处理各种复杂任务，从简单的问答到多步骤的复杂操作，同时保持高度的可扩展性和可维护性。