Manus火到國外？網友實測驚呆！00后博士生0天復刻霸榜開源第一
非常意外的，Manus本尊和它的開源復現在國外開始火了！
首先，越來越多的外國網友開始注意到了Manus，并且大贊它是「全球首個類似AGI的全自主AI智能體」，已經快要摘下人工智能的圣杯AGI了。
所以，中國的AI產品這是成功「內銷轉出口」了？
另外，OpenManus和OWL等項目，更是在國外獲得一眾開發者的贊賞。
其中，OWL更是以58.18的成績，拿下了GAIA基準的開源第一！
現在的開發者社區中，Manus的開源替代方案已經如雨后春筍般冒出，除了star數很高、人氣暴漲的OpenManus和OWL之外，還出現了autoMate、Deep Research、Open Deep Research等平替。
上下滑動查看
親身體驗過的開發者對此這樣評價：大部分開源平替都是偏向Deep Research，但Manus一句話就出代碼和原型的能力，確實沒有那么容易達到。
被質疑沒有任何技術創新，只是套殼套得好的Manus，竟然開始在海外掀起聲浪，莫非的確有擊穿海內外普通用戶心理的獨特之處？
讓我們來仔細看看。
歪果仁驚嘆：Manus也太好用了吧
此前，Manus之所以被詬病為營銷成分居多，就是因為跟ChatGPT、DeepSeek的爆紅途徑截然相反——在國內自媒體掀起聲浪的時候，海外開發者社區和技術網站上一片寂靜。
但就在今天，顯然Manus已經漸有了走出國門的趨勢，在海外大V和網友們那里傳播開了！
在Reddit上的singularity社區，網友們開始熱烈討論起了Manus，并且拉踩了一把月費20000刀的OpenAI智能體。
TheRundownAI創始人Rowan Cheung，就給海外網友們介紹了這款「在中國瘋狂病毒式傳播」的AI智能體。
甚至他給出了這樣的評價——「中國的高光時刻到來了」！并且認為只需一段時間，Manus就會進入美國市場。
事件起因，是TheRundownAI上有一些用戶熱烈討論Manus，于是Rowan Cheung在官方通訊中進行了報道。
不久后，他就收到了Manus聯創發來的邀請碼，并展開了親測。
首先，他讓Manus創建了一份關于自己的傳記，并且基于這份傳記部署了一個網站。
Rowan Cheung表示，看到Manus在自己的社交渠道瀏覽文章、部署網站，簡直「瘋狂的令人深刻」。
最終，Manus的信息一直截止到今天的更新，并且完全準確！
然后，他決定測試一些更實用的的東西，比如舊金山最受歡迎的租房地點，需要滿足低犯罪率、大量AI活動、高密度的充滿抱負的年輕企業家。
Manus給出了一份詳細完整的報告，包含了4個非常準確的選擇。
最后，他測試了一下Manus在執行非常長的研究任務時的表現。
為此，他要求Manus創建一門關于AI內容創作的完整課程。
整個過程中，Manus耗費了2個小時，但制作出的課程令人印象深刻，包括工具、用例，甚至還有提示示例。
總之，看起來Rowan Cheung對Manus的表現十分滿意。
已經拿到邀請碼實測過的歪果網友表示，自己非常喜歡Manus，唯一的缺點就是慢。
目前，還無法看出海外社區的這波討論是自來水，還是一種很新形式的PR。
對于Manus的走紅，不少業內人士的評價都是：并沒有工程難度和實現難度，練劍少年可以批發，不久后將滿大街都是「屠龍劍」。
為了更好的理解Manus的原理，接下來就讓我們跟著OpenManus項目的一作梁新兵，來分析一下它的算法實現。
作為一個多智能體系統，Manus首先會使用PlanningTool做規劃，形成一個包含多個任務的線性結構的計劃，然后順序執行每一個任務并動態分配給相應的Agent。在執行每個任務時，Agent會以ReAct循環的形式調用工具來完成每一個任務。
1. 規劃能力：Manus將PlanningTool規劃工具引入多智能體框架。
這一趴十分重要。舉例來說，Claude 3.7 Sonnet將SWEBench上的解決率從之前的49%提升到了70%。其中，一部分提升來源于模型本身，而另一部分就來源于規劃了。
2. 工具使用能力（猜測）：Manus應該是Claude加上其他一些經過后訓練的模型。并通過在工程上的優化，來增強它在不同場景下的工具使用能力。
總之，Manus在工程上的實現還是非常出色的，但技術層面上似乎并沒有護城河。
00后博士生0天復刻，霸榜開源第一
正如上文提到的，來自CAMEL AI的開源項目OWL（Optimized Workforce Learning），在GAIA認證榜單中一舉斬獲了開源第一的優異成績。超過了Hugging Face Open DeepResearch的55.15%。
據團隊介紹，其實在3月3日的時候，就已經取得了GAIA上開源最好的性能。
目前，由于時間的原因，項目還不是滿血版。但在一波迭代之后，還是有信心刷爆Manus的！
項目地址：https://github.com/camel-ai/owl?tab=readme-ov-file
根據網友AIGCLINK的分析，OWL把Manus的核心工作流拆成了6步：
- 啟動一個Ubuntu容器（Agent遠程工位就位）
- 知識召回（把之前學過的內容撿起來用）
- 連接數據源（數據庫、網盤、云存儲全覆蓋）
- 把數據掛載到Ubuntu（Agent的搬磚時刻）
- 自動生成http://todo.md/（規劃任務+寫待辦清單）
- Ubuntu工具鏈+外接工具組合拳，執行全流程任務
所有Manus里智能體用到的操作，OWL也會配齊。
核心機制Workforce
OWL的核心是一個多個AI智能體協同工作解決任務的系統，目前還在調試中，其完整版將是一個可優化的、可遞歸的、動態多智能體合作機制。
通過使用Workforce，用戶可以快速設置具有自定義配置的多AI智能體任務解決系統。
下圖展示了一個簡單示例的工作流程：
· 架構
Workforce遵循層級架構。一個Workforce可以由多個工作節點組成，每個工作節點將包含一個或多個AI智能體作為工作者。
其中，工作節點由Workforce內的協調者AI智能體管理，協調者AI智能體將根據工作節點的描述及其工具集向工作節點分配任務。
除了協調者AI智能體外，Workforce內部還有一個任務規劃者AI智能體。任務規劃者AI智能體負責分解和組合任務，使Workforce能夠逐步解決任務。
· 通信機制
Workforce內部的通信基于任務傳遞通道。
在初始化后，就會創建一個由所有節點共享的通道。任務將被發布到這個通道中，每個工作節點會監聽該通道，接受從通道中分配給它的任務并解決。
當任務被解決后，工作節點會將結果發布回通道，結果將作為其他任務的「依賴項」存在于通道中，并由所有工作節點共享。
通過這種機制，Workforce能夠以協作和高效的方式解決任務。
· 故障處理
Workforce設有故障處理機制。當任務失敗時，協調者AI智能體將采取行動來修復它。這些行動可以是將任務分解為更小的任務并重新分配，或者創建一個能夠完成該任務的新工作者。
目前，協調者會根據任務已被分解的次數來做出決策。如果任務已經被分解超過一定次數，協調者將采取創建新工作者的行動；如果沒有，協調者將簡單地采取分解行動。
有一些任務可能無法由AI智能體解決。在這種情況下，為了防止Workforce陷入無限的AI智能體創建循環，如果一個任務已經失敗了一定次數（默認為3次），Workforce將被暫停。
曾提出首個ChatGPT多智能體框架
團隊表示，距離自己提出全球首個ChatGPT Multi-agent框架思想，已經將近兩年了。
看到Monica團隊把Multi-agent技術落地成產品非常驚喜。Manus系統設計其實非常巧妙，特別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，是非常值得學習的工程思路。
對此，團隊正在開源復現中。
除了Web和命令行的操控之外，團隊今后還將實現電腦、手機、機器人、車載等各種跨平臺的操控。到了那時，才是真正的賽博workforce！
原因是，OS端Agent有一個巨大的優勢——比較容易拿到可驗證的獎勵信號。也就是說，未來可以通過強化學習訓得飛起。
也許在一年內，我們就會看到DeepSeek R1 Zero這樣的「啊哈時刻」出現在OS / Web Agent領域。
團隊介紹
OWL項目第一作者胡夢康，是香港大學攻讀博士學位，師從羅平教授。他在ICLR、COLING和KDD等頂會發表了多篇一作論文，在 AI 研究的前沿戰場穩扎穩打。如果AI研究是一場解謎游戲，那胡夢康無疑是那個總能找到最優解的玩家。
OWL項目共同第一作者周宇航，雖然還在哈工大讀大四，但已在AI研究的道路上跑出了自己的加速度。在校期間專業排名第一，曾獲國家獎學金、省三好學生等多項榮譽，保研至復旦大學攻讀碩士學位。
CAMEL-AI.org社區的創始人李國豪，在帶領社區尋找智能體的Scaling Laws，他是人工智能研究員和開源貢獻者，致力于構建能夠感知、學習、溝通、推理和行動的智能體。
他的主要研究興趣包括自主智能體、圖形機器學習、計算機視覺和具身人工智能。他在國際頂級會議和期刊上發表了相關論文，如ICML、NeurIPS、ICLR、ICCV、CVPR、RSS、3DV和TPAMI。
李國豪曾在英國牛津大學與Philip Torr教授合作擔任博士后研究員。他在沙特阿拉伯的阿卜杜拉國王科技大學（KAUST）獲得計算機科學博士學位，導師為Bernard Ghanem教授。
在攻讀博士學位期間，他創立了DeepGCNs.org，致力于研究GNNs的Scaling Laws，他有幸在英特爾ISL與Vladlen Koltun博士和Matthias Müller博士合作，擔任研究實習生，并訪問了ETH蘇黎世的計算機視覺實驗室（CVL）作為訪問研究員。
此外，他還作為早期成員在硅谷創業公司Kumo AI和PyG.org與斯坦福Jure Leskovec教授和Matthias Fey博士進行合作研究。
Wendong Fan, Qianshuo Ye, Zeyu Zhang, Xukun Liu, Zhaoxuan Jin對該項目亦有貢獻。
這個團隊，不僅有理論的深度，還有趣的靈魂， AI研究的世界里，一起探索最前沿的智能邊界。
開源復現Manus項目，人氣爆棚
同樣，OpenManus也是當前人氣最高的復現項目之一——只用了一天時間便斬獲了13k+ stars。
它由來自MetaGPT團隊的梁新兵、向勁宇、于兆洋、張佳釔這四位00后，用3個小時打造，故事線上要素拉滿。
項目地址：https://github.com/mannaandpoem/OpenManus?tab=readme-ov-file
MetaGPT團隊的OpenManus火到什么程度呢，連冒充的賬戶都冒出來了，逼得項目作者趕緊上線辟謠。
OpenManus的工作流如下：
首先，OpenManus在接收到用戶需求后，會使用PlanningTool形成一個包含多個任務的線性結構的計劃，寫入至一個plan的markdowns文件中去。
然后，OpenManus會去查看這個Plan，并從中依次取出每個任務。
在執行任務時，OpenManus會將該任務分配給最適合處理該任務的Agent，它們分別裝備了不同的工具集，在處理不同任務時，有不同的優勢。
需要注意的是，Agent分配是在執行每個任務時臨時被分配的。這種動態分配的方式讓系統更靈活，能夠根據任務的具體需求和上下文選擇最合適的Agent。
目前，團隊使用正則匹配對Agent進行任務的分配，如果沒匹配到，則使用默認配置的Agent去執行任務。
以下是由LLM為OpenManus生成的類圖和流程圖：
類圖
流程圖
對此，開發者的真實體感是：雖然只是普通的ReAct模式的Agent，但是因為代碼寫得太好了，非常值得學習。
這也說明了，哪怕是LLM時代，Cursor等依然非常好用，好的工程能力實在太重要了。
