昨天，一个叫「Manus」的通用 AI Agent 产品引起热议。它可以完成从文件处理、数据分析、代码编写到内容创作等多种任务，比如帮助用户生成旅行计划、分析股票数据、筛选简历或开发简单的网页游戏。
但是，由于「Manus」只发放了少量邀请码，能够体验到这款应用的人数目前还比较少。在电商平台上，邀请码的价格一度被炒到几万元，甚至还有人做起了帮助他人申请 Manus 邀请码的生意。
一系列行为，导致许多人无法直接体验到 Manus，这也为 Manus 招来了不小的质疑声音。
当然，大家最关心的还是 Manus 到底好不好用，这也是 Manus 的根本。
在拿到邀请码后，机器之心进行了一些测试，并将体验过程中感受到的 Manus 的优点和不足写了出来。我们不做「吹嘘」式的语言描述，只供大家参考。
此外，我们还注意到，一些行动力超强的 Agent 团队已经做出了 Manus 的开源复刻，包括 CAMEL AI 团队开源的 OWL 和 MetaGPT 团队开源的 OpenManus。
据机器之心观察，AI 学术 / 技术社区对于 Manus 的爆火保持相对冷静态度，尤其是 Agent 领域的专业人士。关于如何评价 Manus，读者可在了解相关信息后自行判断。
接下来，我们先分享一下 Manus 的实际使用体验。
Manus 效果如何？机器之心上手实测
首先来个基础的，「写个贪吃蛇小游戏」。是的，提示词就这么简单，看看 Manus 能否给我们带来惊喜。
按下发送键之后，Manus 一共执行了 5 分多钟，其中包含多步过程，包括创建贪吃蛇游戏文件、实现游戏基本机制、添加用户控制功能、开发计分系统、进行游戏功能测试、编写游戏使用说明文档、打包并交付游戏。
下载其输出的压缩包，看看效果如何。比较费解的是，Manus 这一次的输出结果是一个双重压缩包，也就是一个经过两次压缩的压缩包。
实测一下，是可玩的。Manus 确实实现了贪吃蛇游戏的基本逻辑和计分系统，不过看起来没有设定撞墙死亡判定，只有撞到自己时才会游戏结束。另外就是其网格线设计得过于明显 —— 但如果我们能在提示词中给出进一步的细节描述，效果应该会更好一些。
接下来，我们让 Manus 分析一下 Manus 话题的传播趋势，我们给出的提示词是：「检索网络，分析一下 Manus 话题的传播趋势，并写一份总结报告。」
这一次，Manus 思考的时间更长了，达到了 14 分钟，同样也分成 7 个步骤：搜索 Manus 话题的基础信息、分析 Twitter 平台上的 Manus 话题传播趋势、在其它社交媒体平台搜索 Manus 相关提及、整合趋势分析数据、撰写传播趋势总结报告。
其中每个步骤又包含若干小步骤，比如编写一个 Python 脚本来使用 Twitter API 等等。
并且在执行过程中，我们也能展开「Manus 的电脑」，查看其浏览网络和撰写报告的过程。
不过这一次，Manus 的表现并不好，比如在「分析 Twitter 平台上的 Manus 话题传播趋势」这一步，其未能成功使用 Twitter API，故而未能找到任何有用信息。它给出的解释是：「我注意到在 Twitter API 搜索中未找到 Manus 相关推文。这可能是因为 Manus 是一个较新的产品，或者搜索条件需要调整。我将继续在其他平台搜索 Manus 的提及情况，以全面分析其传播趋势。」考虑到 Manus 当前的热度，这个解释显然并不正确。
不管怎样，还是来看看报告结果吧。如下动图所示，输出结果包含三个 Markdown 文件，分别是趋势报告、趋势分析和背景信息。整体上看，虽然没有 Twitter 上的相关信息输入，但是通过分析和引述知乎文章以及一些媒体报道，内容还算充实详尽，其中甚至说明了 Manus 传播中自媒体先行的传播趋势以及引发的争议。
接下来试试看 Manus 能否帮助我们省钱：「预算 6000，给我配置一台可以剪视频、玩游戏的高性价比主机，把配置单发给我。」
这一次，Manus 规划的任务步骤达到了 8 步：研究当前 PC 组件市场、分析视频剪辑和游戏的硬件需求、分析视频剪辑和游戏的硬件需求、创建详细配置清单、验证组件兼容性、优化性价比、准备最终配置文档、发送配置给用户。
下面动图展示了 Manus 浏览网页查找相关信息的过程示例（原过程慢得多，这里有所提速）：
18 分钟后，Manus 完成了这个任务，这是它给出的最终配置单。你觉得合理吗？
接下来，我们试了试让 Manus 玩 4399 小游戏。Manus 成功打开了网页，但却在登录页面受阻了。我们选择接管页面，微信登录，没有问题；但实名认证时却出现了状况 —— 我们无法在 Manus 内置的电脑中录入中文。以下视频展示了这次测试的全过程。
最后，我们尝试了让 Manus 根据我们提供的一个排版网页编写一个 Notepad++ 宏，方便我们的排版工作。为此，Manus 首先需要分析所提供的网页完成的功能，然后还要学习 Notepad++ 宏的语法。
提示词：把这个网页 https://www.dute.org/type-setting 的功能转写成一个 Notepad++ 的宏。
这一次，Manus 足足思考了 21 分钟，但结果却不尽如人意：在 Notepad++ 中的实测结果表明，Manus 编写的基本版和完整版都未能正确完成指定的任务，反而把我们的测试文本删除了。
这一次，Manus 失败了。
到这里，我们的每日用量限制就达到了极限，无法再进行更多测试了。
整体体验下来，可以简单总结一下 Manus 执行任务的过程：
首先，自然是分析问题。
接下来，Manus 会创建一个代办事项，其中包含主要步骤以及每个主要步骤下的各个细分任务；这通常是一个 todo.md 文件。
之后，Manus 会按照这个 todo.md 文件的事项一步步地执行。
最后，整理好结果并发送给用户。
以上配置电脑任务中已经执行到第 6 步的 todo.md 文件
至于效果，虽有失败，但可以说整体还是相当不错的。虽然用户的体感速度很慢，但考虑到如果让用户自己来完成同样的任务，可能会耗费更多时间，因此使用这种性能的智能体来辅助工作应该是个不错的选择。
开源复刻版 Manus
接下来，我们介绍两个 Manus 开源复刻项目。
「别抢 Manus 邀请码了，开源版已经在路上。」这是国内开源平台 CAMEL AI 今天一大早带来的好消息。
他们的 Manus 开源复刻版名叫「OWL」，在 GAIA Benchmark 上性能达到 57.7%，超越了 Huggingface 提出的 Open Deep Research 55.15% 的表现，成为开源界 GAIA 性能天花板。（GAIA 是一个用于评估通用人工智能助手能力的基准测试，Manus 也做了相关测试。）
GitHub：https://github.com/camel-ai/owl
为了让 OWL 进化成真正的全自动多 Agent 打工神器，CAMEL AI 还对 Manus 的技术路线做了一波野生 Reverse Engineering（逆向工程），并顺势启动了深度复刻计划。
在这个计划中，他们把 Manus 核心工作流拆成了 6 步：
该项目可以说是把技术框架、工作流程、核心能力全都公开，代码全在 GitHub 上。感兴趣的读者可以自行跟进。
针对 Manus，CAMEL 的发起人李国豪评价说，「我们在提出全球首个 ChatGPT Multi-agent 框架思想也将近两年了，看到 Monica 团队把 Multi-agent 技术落地成产品是非常惊喜的，Monica 团队的 Manus 系统设计其实非常巧妙，特别他们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工程思路，我们还在开源复现中！也非常期待他们承诺将要开源的 Post Training 模型！
除了 Web 和命令行的操控之外，我们非常有信心电脑、手机、机器人、车载等各种跨平台的操控会成为可能，那时候才是真正的赛博 workforce，因为 OS 端 Agent 的一个最大的优势是比较容易拿到 Verifiable 的奖励信号，未来强化学习 RL 可以训得飞起，也许会在一年内就会出现 DeepSeek R1 Zero 这样的 Aha moment 出现在 OS / Web Agent 领域！可惜我们资源有限还上不去 RL，非常期待大家一起来做开源探索！」
OpenManus 是除了 OWL 之外的另一个 Manus 开源复刻，允许用户无需邀请码创建自己的 AI 智能体。其使用方法包括设置新的 conda 环境、克隆仓库、安装依赖并在 config.toml 文件中配置 API 密钥（如 OpenAI 的 API）。用户可以通过终端输入想法，与智能体交互，智能体会使用 LLM API 处理并生成响应。
项目地址：https://github.com/mannaandpoem/OpenManus
其中，也有一些不同点。前文我们提到，Manus 是自己有个云端的电脑，而 OpenManus 则直接让 Agent 操作你的电脑。
MetaGPT 团队表示，当前项目仍在开发中，计划改进包括更好的规划、实时演示、重放功能、强化学习微调模型和全面基准测试。
最后想说的是，期待 Agent 在今年能给我们带来更多惊喜，成为切实可用的产品。
还没有评论，来说两句吧...