交易所,交易所排名,交易所排行,加密货币交易所排行榜,加密货币是什么,加密货币交易平台,币安交易所,火币交易所,欧意交易所,Bybit交易所,Coinbase交易所,Bitget交易所,交易所排行【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。

　　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。

　　另外，OpenManus和OWL等项目，更是在国外获得一众开发者的赞赏。

　　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？

　　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！

　　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——「中国的第二次DeepSeek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。

　　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」。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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！

　　根据网友AIGCLINK的分析，OWL把Manus的核心工作流拆成了6步：

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。