第22章 综合实战：基于 Manus + MCP 构建全链路自动化系统
给你一个任务，从需求分析到系统交付，全部自动化。这就是 Manus + MCP 能做到的。
我是怕浪猫，前面21章分别讲了平台、框架、安全和行业，这章开始综合实战。第一个项目：基于 Manus + MCP 构建全链路自动化系统。
22.1 项目目标与需求定义
项目目标
构建一个"AI 交付助理"：用户输入一个业务需求，系统自动完成需求分析、技术选型、代码生成、测试、部署文档，并输出可交付的初始项目。
具体需求
- 接收用户自然语言需求
- 分析需求并输出 PRD
- 设计技术架构并选型
- 生成项目初始代码
- 编写基础测试用例
- 生成部署文档
- 输出完整交付包
技术栈
- Manus：通用 Agent 执行框架
- MCP：调用工具的标准接口
- 代码生成：通过 MCP 调用代码工具
- 部署：Docker 容器化
22.2 系统架构设计
用户输入需求
↓
[Manus 主控 Agent]
↓ 需求分析
[PRD 生成工具]
↓
[架构设计工具]
↓
[代码生成 MCP Server]
↓
[测试生成 MCP Server]
↓
[部署文档生成工具]
↓
[交付包打包工具]
↓
输出完整项目包MCP Server 设计
- 需求分析 Server：分析需求，输出结构化 PRD
- 架构设计 Server：设计技术架构
- 代码生成 Server：生成代码文件
- 测试生成 Server：生成测试用例
- 文档生成 Server：生成 README 和部署文档
22.3 需求分析 MCP Server
python
from mcp.server import Server
from mcp.types import Tool, TextContent
server = Server("requirement-analysis")
@server.list_tools()
async def list_tools():
return [
Tool(
name="analyze_requirement",
description="分析用户自然语言需求，输出结构化PRD",
inputSchema={
"type": "object",
"properties": {
"requirement": {"type": "string", "description": "用户需求描述"}
},
"required": ["requirement"]
}
)
]
@server.call_tool()
async def call_tool(name, arguments):
if name == "analyze_requirement":
requirement = arguments["requirement"]
prompt = f"""
分析以下需求，输出结构化PRD：
{requirement}
输出格式：
{{
"title": "项目名称",
"background": "背景",
"goals": ["目标1", "目标2"],
"users": ["用户角色"],
"features": ["功能1", "功能2"],
"non_functional": ["非功能需求"],
"tech_stack": ["推荐技术栈"],
"acceptance_criteria": ["验收标准"]
}}
"""
response = llm.invoke(prompt).content
return [TextContent(type="text", text=response)]22.4 架构设计 MCP Server
python
@server.list_tools()
async def list_tools():
return [
Tool(
name="design_architecture",
description="根据PRD设计技术架构",
inputSchema={
"type": "object",
"properties": {
"prd": {"type": "string", "description": "PRD内容"}
},
"required": ["prd"]
}
)
]
@server.call_tool()
async def call_tool(name, arguments):
if name == "design_architecture":
prd = arguments["prd"]
prompt = f"""
根据以下PRD设计技术架构：
{prd}
输出：
1. 系统架构图（用文字描述）
2. 技术栈选择（前端、后端、数据库、部署）
3. 核心模块划分
4. API设计（关键接口）
5. 部署架构
"""
return [TextContent(type="text", text=llm.invoke(prompt).content)]22.5 代码生成与测试自动化
代码生成 Server
python
@server.list_tools()
async def list_tools():
return [
Tool(
name="generate_code",
description="根据架构设计生成项目代码",
inputSchema={
"type": "object",
"properties": {
"architecture": {"type": "string", "description": "架构设计"},
"output_dir": {"type": "string", "description": "输出目录"}
},
"required": ["architecture", "output_dir"]
}
)
]
@server.call_tool()
async def call_tool(name, arguments):
if name == "generate_code":
architecture = arguments["architecture"]
output_dir = arguments["output_dir"]
prompt = f"""
根据架构设计生成FastAPI后端项目代码结构。
架构设计：{architecture}
生成以下文件：
1. main.py（入口）
2. models.py（数据模型）
3. routers/（路由模块）
4. services/（业务逻辑）
5. requirements.txt
6. Dockerfile
只输出文件内容，用Markdown代码块分隔。
"""
code_package = llm.invoke(prompt).content
# 解析代码块并写入文件
write_code_files(code_package, output_dir)
return [TextContent(type="text", text=f"代码已生成到 {output_dir}")]测试生成 Server
python
@server.list_tools()
async def list_tools():
return [
Tool(
name="generate_tests",
description="为生成的代码生成测试用例",
inputSchema={
"type": "object",
"properties": {
"code_dir": {"type": "string", "description": "代码目录"}
},
"required": ["code_dir"]
}
)
]
@server.call_tool()
async def call_tool(name, arguments):
if name == "generate_tests":
code_dir = arguments["code_dir"]
# 读取代码文件
code = read_project_files(code_dir)
prompt = f"""
为以下代码生成 pytest 测试用例：
{code}
要求：
1. 覆盖核心API接口
2. 使用 FastAPI TestClient
3. 包含边界测试
4. 输出到 tests/ 目录
"""
test_code = llm.invoke(prompt).content
write_test_files(test_code, code_dir)
return [TextContent(type="text", text="测试用例已生成")]22.6 部署交付与可复用组件
文档生成 Server
python
@server.call_tool()
async def call_tool(name, arguments):
if name == "generate_docs":
project_dir = arguments["project_dir"]
prd = arguments["prd"]
prompt = f"""
为项目生成 README.md 和部署文档。
PRD：{prd}
项目目录：{project_dir}
README.md 包含：
1. 项目简介
2. 功能特性
3. 技术栈
4. 本地启动方式
5. Docker 部署方式
6. 测试运行方式
7. API 文档入口
"""
docs = llm.invoke(prompt).content
write_docs(docs, project_dir)
return [TextContent(type="text", text="文档已生成")]打包交付
python
@server.call_tool()
async def call_tool(name, arguments):
if name == "package_project":
project_dir = arguments["project_dir"]
output_zip = arguments["output_zip"]
# 打包项目
import shutil
shutil.make_archive(output_zip.replace('.zip', ''), 'zip', project_dir)
return [TextContent(type="text", text=f"项目已打包：{output_zip}")]22.7 实战：从一句话需求到可交付项目
完整流程
python
import asyncio
from manus import ManusAgent
async def auto_deliver_project(user_requirement):
"""从需求到交付的完整流程"""
# 1. 需求分析
prd = await manus.use_tool("requirement-analysis", "analyze_requirement", {
"requirement": user_requirement
})
# 2. 架构设计
architecture = await manus.use_tool("architecture-design", "design_architecture", {
"prd": prd
})
# 3. 代码生成
await manus.use_tool("code-generation", "generate_code", {
"architecture": architecture,
"output_dir": "./workspace/project"
})
# 4. 测试生成
await manus.use_tool("test-generation", "generate_tests", {
"code_dir": "./workspace/project"
})
# 5. 文档生成
await manus.use_tool("doc-generation", "generate_docs", {
"project_dir": "./workspace/project",
"prd": prd
})
# 6. 打包交付
await manus.use_tool("packaging", "package_project", {
"project_dir": "./workspace/project",
"output_zip": "./workspace/delivery.zip"
})
return "项目已交付：./workspace/delivery.zip"
# 执行
requirement = "开发一个在线待办事项应用，支持用户注册、登录、创建任务、标记完成，使用 FastAPI + PostgreSQL + React。"
asyncio.run(auto_deliver_project(requirement))Manus + MCP 的潜力不是"替代程序员"，而是"把重复的项目初始化工作自动化"。程序员真正的价值是理解业务、设计架构、解决复杂问题，而不是每次写同样的脚手架。
本章小结
| 主题 | 核心要点 |
|---|---|
| 项目目标 | 从需求到交付的自动化系统 |
| 系统架构 | Manus主控 + 多个MCP Server |
| 需求分析 | 自然语言→结构化PRD |
| 架构设计 | PRD→技术架构和API设计 |
| 代码生成 | 架构→FastAPI项目代码 |
| 测试生成 | 代码→pytest测试用例 |
| 文档交付 | README+部署文档+打包 |
觉得有用？收藏起来，下次直接照抄。
你用过 Manus + MCP 做过自动化项目吗？评论区分享你的经验。
关注怕浪猫，下期我们讲另一个综合实战——基于 Coze + Dify 构建小红书爆款内容流水线。
系列进度 22/24
下章预告： 第23章我们将做第二个综合实战——用 Coze + Dify 构建小红书爆款内容流水线，从选题到文案到图片到发布，全自动化。