【新智元导读】Manus 居然成功火到国外了，内销转出口了？今天开始，在 X 和 Reddit 上的外国网友中，Manus 的讨论声量开始变大了！拿到邀请码的歪果网友实测后赞叹：Manus 太好用了。而各种开源复现项目也如雨后春笋一般冒出，人气持续爆棚。
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！
左右滑动查看
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%。
以下视频来源于CAMEL AI 视频详情
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：github.com/camel-ai/ow...
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 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：github.com/mannaandpoe...
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。
参考资料：