昨天，一個叫「Manus」的通用 AI Agent 產品引起熱議。它可以完成從文件處理、數據分析、代碼編寫到內容創作等多種任務，比如幫助用戶生成旅行計劃、分析股票數據、篩選簡歷或開發簡單的網頁游戲。

但是，由于「Manus」只發放了少量邀請碼，能夠體驗到這款應用的人數目前還比較少。在電商平臺上，邀請碼的價格一度被炒到幾萬元，甚至還有人做起了幫助他人申請 Manus 邀請碼的生意。

一系列行為，導致許多人無法直接體驗到 Manus，這也為 Manus 招來了不小的質疑聲音。

當然，大家最關心的還是 Manus 到底好不好用，這也是 Manus 的根本。

在拿到邀請碼后，機器之心進行了一些測試，并將體驗過程中感受到的 Manus 的優點和不足寫了出來。我們不做「吹噓」式的語言描述，只供大家參考。

此外，我們還注意到，一些行動力超強的 Agent 團隊已經做出了 Manus 的開源復刻，包括 CAMEL AI 團隊開源的 OWL 和 MetaGPT 團隊開源的 OpenManus。

據機器之心觀察，AI 學術 / 技術社區對于 Manus 的爆火保持相對冷靜態度，尤其是 Agent 領域的專業人士。關于如何評價 Manus，讀者可在了解相關信息后自行判斷。 

接下來，我們先分享一下 Manus 的實際使用體驗。 

Manus 效果如何？機器之心上手實測

首先來個基礎的，「寫個貪吃蛇小游戲」。是的，提示詞就這么簡單，看看 Manus 能否給我們帶來驚喜。

按下發送鍵之后，Manus 一共執行了 5 分多鐘，其中包含多步過程，包括創建貪吃蛇游戲文件、實現游戲基本機制、添加用戶控制功能、開發計分系統、進行游戲功能測試、編寫游戲使用說明文檔、打包并交付游戲。

下載其輸出的壓縮包，看看效果如何。比較費解的是，Manus 這一次的輸出結果是一個雙重壓縮包，也就是一個經過兩次壓縮的壓縮包。

實測一下，是可玩的。Manus 確實實現了貪吃蛇游戲的基本邏輯和計分系統，不過看起來沒有設定撞墻死亡判定，只有撞到自己時才會游戲結束。另外就是其網格線設計得過于明顯 —— 但如果我們能在提示詞中給出進一步的細節描述，效果應該會更好一些。

接下來，我們讓 Manus 分析一下 Manus 話題的傳播趨勢，我們給出的提示詞是：「檢索網絡，分析一下 Manus 話題的傳播趨勢，并寫一份總結報告。」

這一次，Manus 思考的時間更長了，達到了 14 分鐘，同樣也分成 7 個步驟：搜索 Manus 話題的基礎信息、分析 Twitter 平臺上的 Manus 話題傳播趨勢、在其它社交媒體平臺搜索 Manus 相關提及、整合趨勢分析數據、撰寫傳播趨勢總結報告。

其中每個步驟又包含若干小步驟，比如編寫一個 Python 腳本來使用 Twitter API 等等。

并且在執行過程中，我們也能展開「Manus 的電腦」，查看其瀏覽網絡和撰寫報告的過程。

不過這一次，Manus 的表現并不好，比如在「分析 Twitter 平臺上的 Manus 話題傳播趨勢」這一步，其未能成功使用 Twitter API，故而未能找到任何有用信息。它給出的解釋是：「我注意到在 Twitter API 搜索中未找到 Manus 相關推文。這可能是因為 Manus 是一個較新的產品，或者搜索條件需要調整。我將繼續在其他平臺搜索 Manus 的提及情況，以全面分析其傳播趨勢。」考慮到 Manus 當前的熱度，這個解釋顯然并不正確。

不管怎樣，還是來看看報告結果吧。如下動圖所示，輸出結果包含三個 Markdown 文件，分別是趨勢報告、趨勢分析和背景信息。整體上看，雖然沒有 Twitter 上的相關信息輸入，但是通過分析和引述知乎文章以及一些媒體報道，內容還算充實詳盡，其中甚至說明了 Manus 傳播中自媒體先行的傳播趨勢以及引發的爭議。

接下來試試看 Manus 能否幫助我們省錢：「預算 6000，給我配置一臺可以剪視頻、玩游戲的高性價比主機，把配置單發給我。」

這一次，Manus 規劃的任務步驟達到了 8 步：研究當前 PC 組件市場、分析視頻剪輯和游戲的硬件需求、分析視頻剪輯和游戲的硬件需求、創建詳細配置清單、驗證組件兼容性、優化性價比、準備最終配置文檔、發送配置給用戶。

下面動圖展示了 Manus 瀏覽網頁查找相關信息的過程示例（原過程慢得多，這里有所提速）：

18 分鐘后，Manus 完成了這個任務，這是它給出的最終配置單。你覺得合理嗎？

接下來，我們試了試讓 Manus 玩 4399 小游戲。Manus 成功打開了網頁，但卻在登錄頁面受阻了。我們選擇接管頁面，微信登錄，沒有問題；但實名認證時卻出現了狀況 —— 我們無法在 Manus 內置的電腦中錄入中文。以下視頻展示了這次測試的全過程。

最后，我們嘗試了讓 Manus 根據我們提供的一個排版網頁編寫一個 Notepad++ 宏，方便我們的排版工作。為此，Manus 首先需要分析所提供的網頁完成的功能，然后還要學習 Notepad++ 宏的語法。

提示詞：把這個網頁 https://www.dute.org/type-setting 的功能轉寫成一個 Notepad++ 的宏。

這一次，Manus 足足思考了 21 分鐘，但結果卻不盡如人意：在 Notepad++ 中的實測結果表明，Manus 編寫的基本版和完整版都未能正確完成指定的任務，反而把我們的測試文本刪除了。

這一次，Manus 失敗了。

到這里，我們的每日用量限制就達到了極限，無法再進行更多測試了。

整體體驗下來，可以簡單總結一下 Manus 執行任務的過程：

首先，自然是分析問題。

接下來，Manus 會創建一個代辦事項，其中包含主要步驟以及每個主要步驟下的各個細分任務；這通常是一個 todo.md 文件。

之后，Manus 會按照這個 todo.md 文件的事項一步步地執行。

最后，整理好結果并發送給用戶。

以上配置電腦任務中已經執行到第 6 步的 todo.md 文件

至于效果，雖有失敗，但可以說整體還是相當不錯的。雖然用戶的體感速度很慢，但考慮到如果讓用戶自己來完成同樣的任務，可能會耗費更多時間，因此使用這種性能的智能體來輔助工作應該是個不錯的選擇。

開源復刻版 Manus

接下來，我們介紹兩個 Manus 開源復刻項目。

「別搶 Manus 邀請碼了，開源版已經在路上。」這是國內開源平臺 CAMEL AI 今天一大早帶來的好消息。

他們的 Manus 開源復刻版名叫「OWL」，在 GAIA Benchmark 上性能達到 57.7%，超越了 Huggingface 提出的 Open Deep Research 55.15% 的表現，成為開源界 GAIA 性能天花板。（GAIA 是一個用于評估通用人工智能助手能力的基準測試，Manus 也做了相關測試。）

GitHub：https://github.com/camel-ai/owl

為了讓 OWL 進化成真正的全自動多 Agent 打工神器，CAMEL AI 還對 Manus 的技術路線做了一波野生 Reverse Engineering（逆向工程），并順勢啟動了深度復刻計劃。

在這個計劃中，他們把 Manus 核心工作流拆成了 6 步：

該項目可以說是把技術框架、工作流程、核心能力全都公開，代碼全在 GitHub 上。感興趣的讀者可以自行跟進。

針對 Manus，CAMEL 的發起人李國豪評價說，「我們在提出全球首個 ChatGPT Multi-agent 框架思想也將近兩年了，看到 Monica 團隊把 Multi-agent 技術落地成產品是非常驚喜的，Monica 團隊的 Manus 系統設計其實非常巧妙，特別他們通過文件系統來實現 Context 管理和持久化、使用 Ubuntu 虛擬機的命令行來實現靈活的工具使用是非常值得學習工程思路，我們還在開源復現中！也非常期待他們承諾將要開源的 Post Training 模型！

除了 Web 和命令行的操控之外，我們非常有信心電腦、手機、機器人、車載等各種跨平臺的操控會成為可能，那時候才是真正的賽博 workforce，因為 OS 端 Agent 的一個最大的優勢是比較容易拿到 Verifiable 的獎勵信號，未來強化學習 RL 可以訓得飛起，也許會在一年內就會出現 DeepSeek R1 Zero 這樣的 Aha moment 出現在 OS / Web Agent 領域！可惜我們資源有限還上不去 RL，非常期待大家一起來做開源探索！」

OpenManus 是除了 OWL 之外的另一個 Manus 開源復刻，允許用戶無需邀請碼創建自己的 AI 智能體。其使用方法包括設置新的 conda 環境、克隆倉庫、安裝依賴并在 config.toml 文件中配置 API 密鑰（如 OpenAI 的 API）。用戶可以通過終端輸入想法，與智能體交互，智能體會使用 LLM API 處理并生成響應。

項目地址：https://github.com/mannaandpoem/OpenManus

其中，也有一些不同點。前文我們提到，Manus 是自己有個云端的電腦，而 OpenManus 則直接讓 Agent 操作你的電腦。

MetaGPT 團隊表示，當前項目仍在開發中，計劃改進包括更好的規劃、實時演示、重放功能、強化學習微調模型和全面基準測試。

最后想說的是，期待 Agent 在今年能給我們帶來更多驚喜，成為切實可用的產品。