代码收藏家技术教程 2025-04-01

OpenManus-Prompt组件深度解析与详细分析

1. 提示词架构概述

OpenManus 的提示词组件采用了模块化设计，为不同类型的智能体提供专门的提示词模板。每个提示词模块通常包含两种核心提示词：系统提示词（System Prompt）和下一步提示词（Next Step Prompt）。这种设计使得提示词可以独立于智能体代码进行管理和优化，同时保持了提示词与智能体之间的紧密集成。

2. 提示词类型与设计

2.1 系统提示词 (System Prompt)

设计特点：

定义智能体的角色、能力和行为边界

设置智能体的整体行为模式和交互风格

通常较为简洁，专注于角色定义

在智能体初始化时设置，整个会话期间保持不变

使用场景：

在智能体初始化时设置基础行为模式

在 LLM 调用时作为系统消息传递

2.2 下一步提示词 (Next Step Prompt)

设计特点：

指导智能体在每个步骤中的决策和行动

提供可用工具的详细说明和使用指南

通常较为详细，包含具体指令和约束

在每个思考步骤中使用，可以动态更新

使用场景：

在每个 think 方法调用前添加到消息历史

引导智能体选择合适的工具和行动

提供上下文信息和决策指南

2.3 模板提示词 (Template Prompt)

设计特点：

包含占位符，可以在运行时动态填充

支持格式化字符串语法

适用于需要动态内容的场景

使用场景：

SWE 智能体中的工作目录和文件信息

规划流程中的步骤执行提示

3. 提示词调用流程

3.1 智能体初始化

# 在智能体类定义中设置提示词
class Manus(ToolCallAgent):
    system_prompt: str = SYSTEM_PROMPT
    next_step_prompt: str = NEXT_STEP_PROMPT

提示词常量从相应模块导入
在智能体类定义中设置为类属性
可以在子类中覆盖或扩展

3.2 思考过程中的提示词使用

# ToolCallAgent.think 方法中的提示词使用
async def think(self) -> bool:
    if self.next_step_prompt:
        user_msg = Message.user_message(self.next_step_prompt)
        self.messages += [user_msg]
    
    response = await self.llm.ask_tool(
        messages=self.messages,
        system_msgs=[Message.system_message(self.system_prompt)]
        if self.system_prompt
        else None,
        tools=self.available_tools.to_params(),
        tool_choice=self.tool_choices,
    )

如果存在下一步提示词，创建用户消息并添加到消息历史
调用 LLM 时，将系统提示词作为系统消息传递
同时传递工具参数和工具选择模式

3.3 动态提示词处理

# SWEAgent.think 方法中的动态提示词处理
async def think(self) -> bool:
    # Update working directory
    self.working_dir = await self.bash.execute("pwd")
    self.next_step_prompt = self.next_step_prompt.format(
        current_dir=self.working_dir
    )
    
    return await super().think()

获取当前工作目录
使用 format 方法填充提示词模板中的占位符
调用父类的 think 方法继续处理

3.4 规划流程中的提示词使用

# PlanningFlow._create_initial_plan 方法中的提示词使用
async def _create_initial_plan(self, request: str) -> None:
    # Create a system message for plan creation
    system_message = Message.system_message(
        "You are a planning assistant. Create a concise, actionable plan with clear steps. "
        "Focus on key milestones rather than detailed sub-steps. "
        "Optimize for clarity and efficiency."
    )
    
    # Create a user message with the request
    user_message = Message.user_message(
        f"Create a reasonable plan with clear steps to accomplish the task: {request}"
    )
    
    # Call LLM with PlanningTool
    response = await self.llm.ask_tool(
        messages=[user_message],
        system_msgs=[system_message],
        tools=[self.planning_tool.to_param()],
        tool_choice=ToolChoice.REQUIRED,
    )

创建特定于任务的系统消息
创建包含用户请求的用户消息
调用 LLM 时传递这些消息和工具参数

4. LLM 接口中的提示词处理

4.1 消息格式化

# LLM.ask 方法中的消息处理
async def ask(
    self,
    messages: List[Union[dict, Message]],
    system_msgs: Optional[List[Union[dict, Message]]] = None,
    stream: bool = True,
    temperature: Optional[float] = None,
) -> str:
    # Format system and user messages
    if system_msgs:
        system_msgs = self.format_messages(system_msgs)
        messages = system_msgs + self.format_messages(messages)
    else:
        messages = self.format_messages(messages)

接收消息和系统消息作为参数
使用 format_messages 方法将消息转换为标准格式
将系统消息添加到消息列表的开头

4.2 工具调用提示词处理

# LLM.ask_tool 方法中的工具提示词处理
async def ask_tool(
    self,
    messages: List[Union[dict, Message]],
    system_msgs: Optional[List[Union[dict, Message]]] = None,
    timeout: int = 300,
    tools: Optional[List[dict]] = None,
    tool_choice: TOOL_CHOICE_TYPE = ToolChoice.AUTO,
    temperature: Optional[float] = None,
    **kwargs,
):
    # 类似的消息处理逻辑
    # 加上工具参数和工具选择模式
    if system_msgs:
        system_msgs = self.format_messages(system_msgs)
        messages = system_msgs + self.format_messages(messages)
    else:
        messages = self.format_messages(messages)