1. 为什么“地壳”比“生鱼片”更难做Manus 这个名字最近被讨论得很多但大多数讨论都跑偏了。很多人以为它赢在模型其实它从头到尾没有训练过一个基座模型。它赢在对系统架构的设计赢在对 Agent 本质的理解。用季逸超的话说我们确实是套壳但我们不是生鱼片我们是地壳。生鱼片是什么是那种完全取决于鱼好不好吃的插件——模型强它就强模型弱它就废本身没有多少技术含量。而地壳是什么是在模型和现实世界之间构建一个极其复杂的中间层。这个中间层要处理模型路由、云端沙盒、上下文压缩、异步并发调度每一层都是实打实的工程活。这篇文章聚焦其中一个最容易被忽视、但对纯血 Agent 最关键的环节模型路由与统一 API 通道的配置管理。我会拆解 Manus 式 Agent 如何通过统一 Key/API 通道实现多模型调度并给出可复制的 settings.json 与 config.toml 骨架最后用实际请求验证路由是否生效。适合正在搭建 Agent 后端、需要管理多个模型供应商的开发者。2. 模型路由纯血 Agent 的“地壳层”到底在做什么Manus 的技术架构里有一个超级调度器。当用户抛出一个复杂任务时它会瞬间拆解这步需要写代码切给 Claude这步需要搜资料切给 Gemini这步需要纯逻辑推理切给 o1。用户不需要知道背后发生了什么只觉得 Manus 全知全能。这个调度器的核心能力有三个第一按任务类型路由。不同模型是偏科生写代码 Anthropic 最强看视频搜 Google Gemini 无敌纯逻辑推理 OpenAI 是大哥。路由层要根据任务特征选择最合适的模型。第二统一凭证管理。如果每个模型供应商都单独维护一套 Key、一套计费、一套限流策略工程复杂度会爆炸。统一 API 通道的价值在于用一套 Key 管理所有模型的调用切换模型不需要改代码。第三故障转移与降级。当某个模型供应商出现限流或超时路由层要能自动切换到备用模型保证 Agent 任务不中断。TaoToken 在这里扮演的角色就是统一 API 通道。它提供兼容 OpenAI 格式的接口你只需要一个 Key就能在多个模型之间切换。对于 Agent 开发者来说这意味着路由层的配置可以集中管理而不是散落在各个供应商的 SDK 里。注意模型路由不是简单地“换个模型名”。它需要根据任务类型、成本预算、延迟要求做动态决策。下面我会给出具体的配置骨架。3. 前置准备获取统一 Key 与接入地址在开始配置之前你需要先拿到 TaoToken 的 API Key。访问官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后进入控制台创建 API Key。API 接入地址是 https://taotoken.net/api这个地址兼容 OpenAI 的接口格式。也就是说你原来用 OpenAI SDK 写的代码只需要改 base_url 和 api_key 两个参数就能切换到统一通道。如果你需要管理多个 Key 或者查看用量可以进入 API Keys 页面https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content对于长期编码和 Agent 场景Coding Plan 提供了更稳定的配额方案https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 里面有完整的接口说明和示例代码。拿到 Key 之后把它存到环境变量里不要硬编码在代码中export TAOTOKEN_API_KEYsk-your-key-here export TAOTOKEN_BASE_URLhttps://taotoken.net/api4. 可复制配置settings.json 与 config.toml 骨架Agent 项目的配置管理通常有两种格式JSON 用于应用层配置TOML 用于工具链和 CLI 配置。下面给出两个骨架你可以直接复制到项目里修改。4.1 settings.json模型路由与任务映射这个文件定义了“什么任务用什么模型”的路由规则以及统一 API 通道的连接信息。{ api_gateway: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, timeout_seconds: 120, max_retries: 3 }, model_routing: { default_model: claude-sonnet-4-20250514, rules: [ { task_type: code_generation, model: claude-sonnet-4-20250514, fallback: gpt-4o, max_tokens: 8192 }, { task_type: web_research, model: gemini-2.5-pro, fallback: gpt-4o, max_tokens: 4096 }, { task_type: logical_reasoning, model: o1, fallback: claude-sonnet-4-20250514, max_tokens: 16384 }, { task_type: summarization, model: gpt-4o-mini, fallback: claude-sonnet-4-20250514, max_tokens: 2048 } ] }, agent_runtime: { max_concurrent_tasks: 10, context_compression_threshold: 0.75, sandbox_timeout_seconds: 300 } }这个配置的核心是model_routing.rules数组。每条规则定义了任务类型、首选模型、降级模型和最大 token 数。Agent 在执行任务时先判断任务类型然后从规则表里查出对应的模型配置。context_compression_threshold这个参数对应 Manus 的“压缩意识”策略。当上下文使用量超过阈值时触发压缩逻辑把中间过程写入文件系统而不是继续塞进 Prompt。4.2 config.toml工具链与 CLI 配置如果你用 Claude Code 或者其他 CLI 工具做 Agent 开发config.toml 是常见的配置格式。[api] provider taotoken base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY default_model claude-sonnet-4-20250514 [api.routing] enable true strategy task_based [api.routing.code] model claude-sonnet-4-20250514 fallback gpt-4o [api.routing.research] model gemini-2.5-pro fallback gpt-4o [api.routing.reasoning] model o1 fallback claude-sonnet-4-20250514 [agent] max_concurrent 10 sandbox_enabled true sandbox_timeout 300 [agent.compression] enable true threshold 0.75 offload_path ./agent_workspace/compressedTOML 格式更适合工具链配置因为它的层级结构更清晰注释也更友好。offload_path指定了压缩后的中间结果存放位置Agent 需要时可以再检索回来。提示两个配置文件里的模型名称需要根据你实际可用的模型列表调整。TaoToken 的模型列表可以在控制台或接入文档里查看。5. 验证请求确认路由与统一通道生效配置写好了怎么确认它真的在工作下面给出三个验证步骤。5.1 基础连通性验证先用 curl 发一个最简单的请求确认统一 API 通道能通curl -s https://taotoken.net/api/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: claude-sonnet-4-20250514, messages: [{role: user, content: 回复 OK 两个字母}], max_tokens: 10 } | jq .choices[0].message.content如果返回OK说明 Key 和通道都没问题。5.2 路由切换验证接下来验证路由是否按任务类型切换模型。写一个简单的 Python 脚本import os import json import requests BASE_URL os.environ[TAOTOKEN_BASE_URL] API_KEY os.environ[TAOTOKEN_API_KEY] with open(settings.json) as f: config json.load(f) def route_model(task_type): for rule in config[model_routing][rules]: if rule[task_type] task_type: return rule[model], rule[fallback] return config[model_routing][default_model], None def call_model(task_type, prompt): model, fallback route_model(task_type) headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } payload { model: model, messages: [{role: user, content: prompt}], max_tokens: 100 } resp requests.post(f{BASE_URL}/chat/completions, headersheaders, jsonpayload, timeout60) if resp.status_code ! 200 and fallback: payload[model] fallback resp requests.post(f{BASE_URL}/chat/completions, headersheaders, jsonpayload, timeout60) return resp.json()[choices][0][message][content] print(code_generation -, call_model(code_generation, 写一个 Python 快排)) print(web_research -, call_model(web_research, 总结一下 RAG 的核心思路)) print(logical_reasoning -, call_model(logical_reasoning, 3 个人 3 天喝 3 桶水9 个人 9 天喝几桶))运行后你会看到不同任务类型走了不同的模型。如果某个模型返回错误脚本会自动降级到 fallback 模型。5.3 并发与压缩验证最后验证 Agent 的并发能力和上下文压缩逻辑import concurrent.futures tasks [ (code_generation, 写一个二分查找), (web_research, 解释什么是向量数据库), (logical_reasoning, 一个房间里有 3 个开关分别控制另一个房间的 3 盏灯你只能进另一个房间一次怎么判断对应关系), (summarization, 用一句话总结 Transformer 的核心创新), ] with concurrent.futures.ThreadPoolExecutor(max_workers4) as executor: futures {executor.submit(call_model, t, p): t for t, p in tasks} for future in concurrent.futures.as_completed(futures): task_type futures[future] try: result future.result() print(f[{task_type}] {result[:80]}...) except Exception as e: print(f[{task_type}] ERROR: {e})如果四个任务都能正常返回说明统一通道支持并发调用路由层工作正常。6. 本篇常见错排查配置过程中最容易踩的坑有这几个报错 401 Unauthorized。检查TAOTOKEN_API_KEY环境变量是否设置正确以及 Key 是否已经激活。有时候 Key 创建后需要等几秒才能生效。报错 model not found。说明配置里的模型名称不在可用列表里。去控制台或接入文档确认模型名称的准确拼写。不同供应商的模型命名规则不一样比如 Claude 的模型名带日期后缀Gemini 的模型名带版本号。路由不生效所有任务都走了默认模型。检查settings.json里的task_type字段是否和代码里传入的值完全一致。大小写、下划线、连字符都可能导致匹配失败。并发请求被限流。统一通道通常有速率限制。如果并发数太高降低max_concurrent_tasks的值或者在路由层加入重试和退避逻辑。上下文压缩后模型“失忆”。这是压缩策略的常见问题。检查offload_path是否可写以及压缩后的文件是否被正确检索回来。压缩不是删除而是把中间过程移到文件系统需要时再读回来。fallback 模型也失败。说明两个模型都不可用或者网络问题。检查 base_url 是否正确以及网络是否能访问 https://taotoken.net/api。注意如果遇到持续报错先去接入文档的排障章节对照错误码大部分问题都有现成答案。7. 从配置到地壳下一步怎么走模型路由和统一 API 通道只是“地壳层”的一部分。Manus 的架构里还有云端沙盒、异步并发、压缩意识、主动触达这些更复杂的模块。但路由层是所有这些模块的基础——没有统一通道后面的调度、降级、并发都无从谈起。我建议你先从这篇文章的配置骨架开始把基础的路由和验证跑通。然后逐步加入沙盒隔离、上下文压缩、任务队列这些模块。每加一个模块都用类似的验证脚本确认它真的在工作。如果你在配置过程中遇到问题可以去 API Keys 页面检查 Key 状态或者翻接入文档里的示例代码。对于长期运行的 Agent 项目Coding Plan 的配额方案比按量计费更可控。地壳不是一天建成的但每一层都可以独立验证。先把路由层跑通再往上叠。
Manus 的技术护城河：不做“生鱼片”，要做“地壳”
1. 为什么“地壳”比“生鱼片”更难做Manus 这个名字最近被讨论得很多但大多数讨论都跑偏了。很多人以为它赢在模型其实它从头到尾没有训练过一个基座模型。它赢在对系统架构的设计赢在对 Agent 本质的理解。用季逸超的话说我们确实是套壳但我们不是生鱼片我们是地壳。生鱼片是什么是那种完全取决于鱼好不好吃的插件——模型强它就强模型弱它就废本身没有多少技术含量。而地壳是什么是在模型和现实世界之间构建一个极其复杂的中间层。这个中间层要处理模型路由、云端沙盒、上下文压缩、异步并发调度每一层都是实打实的工程活。这篇文章聚焦其中一个最容易被忽视、但对纯血 Agent 最关键的环节模型路由与统一 API 通道的配置管理。我会拆解 Manus 式 Agent 如何通过统一 Key/API 通道实现多模型调度并给出可复制的 settings.json 与 config.toml 骨架最后用实际请求验证路由是否生效。适合正在搭建 Agent 后端、需要管理多个模型供应商的开发者。2. 模型路由纯血 Agent 的“地壳层”到底在做什么Manus 的技术架构里有一个超级调度器。当用户抛出一个复杂任务时它会瞬间拆解这步需要写代码切给 Claude这步需要搜资料切给 Gemini这步需要纯逻辑推理切给 o1。用户不需要知道背后发生了什么只觉得 Manus 全知全能。这个调度器的核心能力有三个第一按任务类型路由。不同模型是偏科生写代码 Anthropic 最强看视频搜 Google Gemini 无敌纯逻辑推理 OpenAI 是大哥。路由层要根据任务特征选择最合适的模型。第二统一凭证管理。如果每个模型供应商都单独维护一套 Key、一套计费、一套限流策略工程复杂度会爆炸。统一 API 通道的价值在于用一套 Key 管理所有模型的调用切换模型不需要改代码。第三故障转移与降级。当某个模型供应商出现限流或超时路由层要能自动切换到备用模型保证 Agent 任务不中断。TaoToken 在这里扮演的角色就是统一 API 通道。它提供兼容 OpenAI 格式的接口你只需要一个 Key就能在多个模型之间切换。对于 Agent 开发者来说这意味着路由层的配置可以集中管理而不是散落在各个供应商的 SDK 里。注意模型路由不是简单地“换个模型名”。它需要根据任务类型、成本预算、延迟要求做动态决策。下面我会给出具体的配置骨架。3. 前置准备获取统一 Key 与接入地址在开始配置之前你需要先拿到 TaoToken 的 API Key。访问官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后进入控制台创建 API Key。API 接入地址是 https://taotoken.net/api这个地址兼容 OpenAI 的接口格式。也就是说你原来用 OpenAI SDK 写的代码只需要改 base_url 和 api_key 两个参数就能切换到统一通道。如果你需要管理多个 Key 或者查看用量可以进入 API Keys 页面https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content对于长期编码和 Agent 场景Coding Plan 提供了更稳定的配额方案https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 里面有完整的接口说明和示例代码。拿到 Key 之后把它存到环境变量里不要硬编码在代码中export TAOTOKEN_API_KEYsk-your-key-here export TAOTOKEN_BASE_URLhttps://taotoken.net/api4. 可复制配置settings.json 与 config.toml 骨架Agent 项目的配置管理通常有两种格式JSON 用于应用层配置TOML 用于工具链和 CLI 配置。下面给出两个骨架你可以直接复制到项目里修改。4.1 settings.json模型路由与任务映射这个文件定义了“什么任务用什么模型”的路由规则以及统一 API 通道的连接信息。{ api_gateway: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, timeout_seconds: 120, max_retries: 3 }, model_routing: { default_model: claude-sonnet-4-20250514, rules: [ { task_type: code_generation, model: claude-sonnet-4-20250514, fallback: gpt-4o, max_tokens: 8192 }, { task_type: web_research, model: gemini-2.5-pro, fallback: gpt-4o, max_tokens: 4096 }, { task_type: logical_reasoning, model: o1, fallback: claude-sonnet-4-20250514, max_tokens: 16384 }, { task_type: summarization, model: gpt-4o-mini, fallback: claude-sonnet-4-20250514, max_tokens: 2048 } ] }, agent_runtime: { max_concurrent_tasks: 10, context_compression_threshold: 0.75, sandbox_timeout_seconds: 300 } }这个配置的核心是model_routing.rules数组。每条规则定义了任务类型、首选模型、降级模型和最大 token 数。Agent 在执行任务时先判断任务类型然后从规则表里查出对应的模型配置。context_compression_threshold这个参数对应 Manus 的“压缩意识”策略。当上下文使用量超过阈值时触发压缩逻辑把中间过程写入文件系统而不是继续塞进 Prompt。4.2 config.toml工具链与 CLI 配置如果你用 Claude Code 或者其他 CLI 工具做 Agent 开发config.toml 是常见的配置格式。[api] provider taotoken base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY default_model claude-sonnet-4-20250514 [api.routing] enable true strategy task_based [api.routing.code] model claude-sonnet-4-20250514 fallback gpt-4o [api.routing.research] model gemini-2.5-pro fallback gpt-4o [api.routing.reasoning] model o1 fallback claude-sonnet-4-20250514 [agent] max_concurrent 10 sandbox_enabled true sandbox_timeout 300 [agent.compression] enable true threshold 0.75 offload_path ./agent_workspace/compressedTOML 格式更适合工具链配置因为它的层级结构更清晰注释也更友好。offload_path指定了压缩后的中间结果存放位置Agent 需要时可以再检索回来。提示两个配置文件里的模型名称需要根据你实际可用的模型列表调整。TaoToken 的模型列表可以在控制台或接入文档里查看。5. 验证请求确认路由与统一通道生效配置写好了怎么确认它真的在工作下面给出三个验证步骤。5.1 基础连通性验证先用 curl 发一个最简单的请求确认统一 API 通道能通curl -s https://taotoken.net/api/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: claude-sonnet-4-20250514, messages: [{role: user, content: 回复 OK 两个字母}], max_tokens: 10 } | jq .choices[0].message.content如果返回OK说明 Key 和通道都没问题。5.2 路由切换验证接下来验证路由是否按任务类型切换模型。写一个简单的 Python 脚本import os import json import requests BASE_URL os.environ[TAOTOKEN_BASE_URL] API_KEY os.environ[TAOTOKEN_API_KEY] with open(settings.json) as f: config json.load(f) def route_model(task_type): for rule in config[model_routing][rules]: if rule[task_type] task_type: return rule[model], rule[fallback] return config[model_routing][default_model], None def call_model(task_type, prompt): model, fallback route_model(task_type) headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } payload { model: model, messages: [{role: user, content: prompt}], max_tokens: 100 } resp requests.post(f{BASE_URL}/chat/completions, headersheaders, jsonpayload, timeout60) if resp.status_code ! 200 and fallback: payload[model] fallback resp requests.post(f{BASE_URL}/chat/completions, headersheaders, jsonpayload, timeout60) return resp.json()[choices][0][message][content] print(code_generation -, call_model(code_generation, 写一个 Python 快排)) print(web_research -, call_model(web_research, 总结一下 RAG 的核心思路)) print(logical_reasoning -, call_model(logical_reasoning, 3 个人 3 天喝 3 桶水9 个人 9 天喝几桶))运行后你会看到不同任务类型走了不同的模型。如果某个模型返回错误脚本会自动降级到 fallback 模型。5.3 并发与压缩验证最后验证 Agent 的并发能力和上下文压缩逻辑import concurrent.futures tasks [ (code_generation, 写一个二分查找), (web_research, 解释什么是向量数据库), (logical_reasoning, 一个房间里有 3 个开关分别控制另一个房间的 3 盏灯你只能进另一个房间一次怎么判断对应关系), (summarization, 用一句话总结 Transformer 的核心创新), ] with concurrent.futures.ThreadPoolExecutor(max_workers4) as executor: futures {executor.submit(call_model, t, p): t for t, p in tasks} for future in concurrent.futures.as_completed(futures): task_type futures[future] try: result future.result() print(f[{task_type}] {result[:80]}...) except Exception as e: print(f[{task_type}] ERROR: {e})如果四个任务都能正常返回说明统一通道支持并发调用路由层工作正常。6. 本篇常见错排查配置过程中最容易踩的坑有这几个报错 401 Unauthorized。检查TAOTOKEN_API_KEY环境变量是否设置正确以及 Key 是否已经激活。有时候 Key 创建后需要等几秒才能生效。报错 model not found。说明配置里的模型名称不在可用列表里。去控制台或接入文档确认模型名称的准确拼写。不同供应商的模型命名规则不一样比如 Claude 的模型名带日期后缀Gemini 的模型名带版本号。路由不生效所有任务都走了默认模型。检查settings.json里的task_type字段是否和代码里传入的值完全一致。大小写、下划线、连字符都可能导致匹配失败。并发请求被限流。统一通道通常有速率限制。如果并发数太高降低max_concurrent_tasks的值或者在路由层加入重试和退避逻辑。上下文压缩后模型“失忆”。这是压缩策略的常见问题。检查offload_path是否可写以及压缩后的文件是否被正确检索回来。压缩不是删除而是把中间过程移到文件系统需要时再读回来。fallback 模型也失败。说明两个模型都不可用或者网络问题。检查 base_url 是否正确以及网络是否能访问 https://taotoken.net/api。注意如果遇到持续报错先去接入文档的排障章节对照错误码大部分问题都有现成答案。7. 从配置到地壳下一步怎么走模型路由和统一 API 通道只是“地壳层”的一部分。Manus 的架构里还有云端沙盒、异步并发、压缩意识、主动触达这些更复杂的模块。但路由层是所有这些模块的基础——没有统一通道后面的调度、降级、并发都无从谈起。我建议你先从这篇文章的配置骨架开始把基础的路由和验证跑通。然后逐步加入沙盒隔离、上下文压缩、任务队列这些模块。每加一个模块都用类似的验证脚本确认它真的在工作。如果你在配置过程中遇到问题可以去 API Keys 页面检查 Key 状态或者翻接入文档里的示例代码。对于长期运行的 Agent 项目Coding Plan 的配额方案比按量计费更可控。地壳不是一天建成的但每一层都可以独立验证。先把路由层跑通再往上叠。
