Manus火到国外？网友实测惊呆！00后博士生0天复刻霸榜开源第一

6IDSQHDI

非常意外的，Manus本尊和它的开源复现在国外开始火了！
首先，越来越多的外国网友开始注意到了Manus，并且大赞它是「全球首个类似AGI的全自主AI智能体」，已经快要摘下人工智能的圣杯AGI了。

所以，中国的AI产品这是成功「内销转出口」了？
另外，OpenManus和OWL等项目，更是在国外获得一众开发者的赞赏。
其中，OWL更是以58.18的成绩，拿下了GAIA基准的开源第一！



现在的开发者社区中，Manus的开源替代方案已经如雨后春笋般冒出，除了star数很高、人气暴涨的OpenManus和OWL之外，还出现了autoMate、Deep Research、Open Deep Research等平替。




上下滑动查看
亲身体验过的开发者对此这样评价：大部分开源平替都是偏向Deep Research，但Manus一句话就出代码和原型的能力，确实没有那么容易达到。
被质疑没有任何技术创新，只是套壳套得好的Manus，竟然开始在海外掀起声浪，莫非的确有击穿海内外普通用户心理的独特之处？
让我们来仔细看看。
歪果仁惊叹：Manus也太好用了吧

此前，Manus之所以被诟病为营销成分居多，就是因为跟ChatGPT、DeepSeek的爆红途径截然相反——在国内自媒体掀起声浪的时候，海外开发者社区和技术网站上一片寂静。
但就在今天，显然Manus已经渐有了走出国门的趋势，在海外大V和网友们那里传播开了！
在Reddit上的singularity社区，网友们开始热烈讨论起了Manus，并且拉踩了一把月费20000刀的OpenAI智能体。

TheRundownAI创始人Rowan Cheung，就给海外网友们介绍了这款「在中国疯狂病毒式传播」的AI智能体。
甚至他给出了这样的评价——「中国的高光时刻到来了」！并且认为只需一段时间，Manus就会进入美国市场。

事件起因，是TheRundownAI上有一些用户热烈讨论Manus，于是Rowan Cheung在官方通讯中进行了报道。
不久后，他就收到了Manus联创发来的邀请码，并展开了亲测。

首先，他让Manus创建了一份关于自己的传记，并且基于这份传记部署了一个网站。
Rowan Cheung表示，看到Manus在自己的社交渠道浏览文章、部署网站，简直「疯狂的令人深刻」。
最终，Manus的信息一直截止到今天的更新，并且完全准确！
然后，他决定测试一些更实用的的东西，比如旧金山最受欢迎的租房地点，需要满足低犯罪率、大量AI活动、高密度的充满抱负的年轻企业家。
Manus给出了一份详细完整的报告，包含了4个非常准确的选择。

最后，他测试了一下Manus在执行非常长的研究任务时的表现。
为此，他要求Manus创建一门关于AI内容创作的完整课程。
整个过程中，Manus耗费了2个小时，但制作出的课程令人印象深刻，包括工具、用例，甚至还有提示示例。
总之，看起来Rowan Cheung对Manus的表现十分满意。
已经拿到邀请码实测过的歪果网友表示，自己非常喜欢Manus，唯一的缺点就是慢。

目前，还无法看出海外社区的这波讨论是自来水，还是一种很新形式的PR。
对于Manus的走红，不少业内人士的评价都是：并没有工程难度和实现难度，练剑少年可以批发，不久后将满大街都是「屠龙剑」。
为了更好的理解Manus的原理，接下来就让我们跟着OpenManus项目的一作梁新兵，来分析一下它的算法实现。
作为一个多智能体系统，Manus首先会使用PlanningTool做规划，形成一个包含多个任务的线性结构的计划，然后顺序执行每一个任务并动态分配给相应的Agent。在执行每个任务时，Agent会以ReAct循环的形式调用工具来完成每一个任务。
1. 规划能力：Manus将PlanningTool规划工具引入多智能体框架。
这一趴十分重要。举例来说，Claude 3.7 Sonnet将SWEBench上的解决率从之前的49%提升到了70%。其中，一部分提升来源于模型本身，而另一部分就来源于规划了。
2. 工具使用能力（猜测）：Manus应该是Claude加上其他一些经过后训练的模型。并通过在工程上的优化，来增强它在不同场景下的工具使用能力。
总之，Manus在工程上的实现还是非常出色的，但技术层面上似乎并没有护城河。
00后博士生0天复刻，霸榜开源第一

正如上文提到的，来自CAMEL AI的开源项目OWL（Optimized Workforce Learning），在GAIA认证榜单中一举斩获了开源第一的优异成绩。超过了Hugging Face Open DeepResearch的55.15%。
据团队介绍，其实在3月3日的时候，就已经取得了GAIA上开源最好的性能。
目前，由于时间的原因，项目还不是满血版。但在一波迭代之后，还是有信心刷爆Manus的！

项目地址：https://github.com/camel-ai/owl?tab=readme-ov-file
根据网友AIGCLINK的分析，OWL把Manus的核心工作流拆成了6步：

• 启动一个Ubuntu容器（Agent远程工位就位） 
  
• 知识召回（把之前学过的内容捡起来用） 
  
• 连接数据源（数据库、网盘、云存储全覆盖） 
  
• 把数据挂载到Ubuntu（Agent的搬砖时刻）
  
• 自动生成http://todo.md/（规划任务+写待办清单） 
  
• Ubuntu工具链+外接工具组合拳，执行全流程任务
  

所有Manus里智能体用到的操作，OWL也会配齐。

核心机制Workforce

OWL的核心是一个多个AI智能体协同工作解决任务的系统，目前还在调试中，其完整版将是一个可优化的、可递归的、动态多智能体合作机制。
通过使用Workforce，用户可以快速设置具有自定义配置的多AI智能体任务解决系统。
下图展示了一个简单示例的工作流程：

· 架构
Workforce遵循层级架构。一个Workforce可以由多个工作节点组成，每个工作节点将包含一个或多个AI智能体作为工作者。
其中，工作节点由Workforce内的协调者AI智能体管理，协调者AI智能体将根据工作节点的描述及其工具集向工作节点分配任务。
除了协调者AI智能体外，Workforce内部还有一个任务规划者AI智能体。任务规划者AI智能体负责分解和组合任务，使Workforce能够逐步解决任务。
· 通信机制
Workforce内部的通信基于任务传递通道。
在初始化后，就会创建一个由所有节点共享的通道。任务将被发布到这个通道中，每个工作节点会监听该通道，接受从通道中分配给它的任务并解决。
当任务被解决后，工作节点会将结果发布回通道，结果将作为其他任务的「依赖项」存在于通道中，并由所有工作节点共享。
通过这种机制，Workforce能够以协作和高效的方式解决任务。
· 故障处理
Workforce设有故障处理机制。当任务失败时，协调者AI智能体将采取行动来修复它。这些行动可以是将任务分解为更小的任务并重新分配，或者创建一个能够完成该任务的新工作者。
目前，协调者会根据任务已被分解的次数来做出决策。如果任务已经被分解超过一定次数，协调者将采取创建新工作者的行动；如果没有，协调者将简单地采取分解行动。
有一些任务可能无法由AI智能体解决。在这种情况下，为了防止Workforce陷入无限的AI智能体创建循环，如果一个任务已经失败了一定次数（默认为3次），Workforce将被暂停。
曾提出首个ChatGPT多智能体框架

团队表示，距离自己提出全球首个ChatGPT Multi-agent框架思想，已经将近两年了。
看到Monica团队把Multi-agent技术落地成产品非常惊喜。Manus系统设计其实非常巧妙，特别通过文件系统来实现Context管理和持久化、使用Ubuntu虚拟机的命令行来实现灵活的工具使用，是非常值得学习的工程思路。
对此，团队正在开源复现中。
除了Web和命令行的操控之外，团队今后还将实现电脑、手机、机器人、车载等各种跨平台的操控。到了那时，才是真正的赛博workforce！
原因是，OS端Agent有一个巨大的优势——比较容易拿到可验证的奖励信号。也就是说，未来可以通过强化学习训得飞起。
也许在一年内，我们就会看到DeepSeek R1 Zero这样的「啊哈时刻」出现在OS / Web Agent领域。
团队介绍

OWL项目第一作者胡梦康，是香港大学攻读博士学位，师从罗平教授。他在ICLR、COLING和KDD等顶会发表了多篇一作论文，在 AI 研究的前沿战场稳扎稳打。如果AI研究是一场解谜游戏，那胡梦康无疑是那个总能找到最优解的玩家。

OWL项目共同第一作者周宇航，虽然还在哈工大读大四，但已在AI研究的道路上跑出了自己的加速度。在校期间专业排名第一，曾获国家奖学金、省三好学生等多项荣誉，保研至复旦大学攻读硕士学位。

CAMEL-AI.org社区的创始人李国豪，在带领社区寻找智能体的Scaling Laws，他是人工智能研究员和开源贡献者，致力于构建能够感知、学习、沟通、推理和行动的智能体。
他的主要研究兴趣包括自主智能体、图形机器学习、计算机视觉和具身人工智能。他在国际顶级会议和期刊上发表了相关论文，如ICML、NeurIPS、ICLR、ICCV、CVPR、RSS、3DV和TPAMI。
李国豪曾在英国牛津大学与Philip Torr教授合作担任博士后研究员。他在沙特阿拉伯的阿卜杜拉国王科技大学（KAUST）获得计算机科学博士学位，导师为Bernard Ghanem教授。
在攻读博士学位期间，他创立了DeepGCNs.org，致力于研究GNNs的Scaling Laws，他有幸在英特尔ISL与Vladlen Koltun博士和Matthias Müller博士合作，担任研究实习生，并访问了ETH苏黎世的计算机视觉实验室（CVL）作为访问研究员。
此外，他还作为早期成员在硅谷创业公司Kumo AI和PyG.org与斯坦福Jure Leskovec教授和Matthias Fey博士进行合作研究。

Wendong Fan, Qianshuo Ye, Zeyu Zhang, Xukun Liu, Zhaoxuan Jin对该项目亦有贡献。
这个团队，不仅有理论的深度，还有趣的灵魂， AI研究的世界里，一起探索最前沿的智能边界。

开源复现Manus项目，人气爆棚

同样，OpenManus也是当前人气最高的复现项目之一——只用了一天时间便斩获了13k+ stars。
它由来自MetaGPT团队的梁新兵、向劲宇、于兆洋、张佳钇这四位00后，用3个小时打造，故事线上要素拉满。


项目地址：https://github.com/mannaandpoem/OpenManus?tab=readme-ov-file
MetaGPT团队的OpenManus火到什么程度呢，连冒充的账户都冒出来了，逼得项目作者赶紧上线辟谣。

OpenManus的工作流如下：
首先，OpenManus在接收到用户需求后，会使用PlanningTool形成一个包含多个任务的线性结构的计划，写入至一个plan的markdowns文件中去。
然后，OpenManus会去查看这个Plan，并从中依次取出每个任务。
在执行任务时，OpenManus会将该任务分配给最适合处理该任务的Agent，它们分别装备了不同的工具集，在处理不同任务时，有不同的优势。
需要注意的是，Agent分配是在执行每个任务时临时被分配的。这种动态分配的方式让系统更灵活，能够根据任务的具体需求和上下文选择最合适的Agent。
目前，团队使用正则匹配对Agent进行任务的分配，如果没匹配到，则使用默认配置的Agent去执行任务。
以下是由LLM为OpenManus生成的类图和流程图：

类图

流程图
对此，开发者的真实体感是：虽然只是普通的ReAct模式的Agent，但是因为代码写得太好了，非常值得学习。
这也说明了，哪怕是LLM时代，Cursor等依然非常好用，好的工程能力实在太重要了。