我在今年1月初寫了2025年的AI Agent發(fā)展十三大趨勢，其中兩個趨勢是多Agent系統(tǒng)開始流行和GUI Agent產(chǎn)品得到更多應(yīng)用，沒想到來得這么快。

推薦閱讀：???智能體商用元年開啟，2025年AI Agent行業(yè)發(fā)展十三大趨勢??

最近幾天，集多Agent架構(gòu)、computer use、GUI智能體等技術(shù)和概念于一身的Manus，通過一些媒體、科技博主的報道和渲染，在 “比肩DeepSeek” “AI Agent 的GPT時刻” 等一浪強過一浪的聲浪中，Manus一夜出圈。 

官方資料顯示，Manus通過多Agent架構(gòu)（Multiple Agent）將任務(wù)拆分為規(guī)劃、執(zhí)行、驗證等子模塊，每個Agent基于獨立的語言模型或強化學習模型，通過API協(xié)同工作，最終在虛擬機中調(diào)用工具（如編寫代碼、爬取數(shù)據(jù)）完成任務(wù)。這些特性，是多智能體架構(gòu)的通性。

這樣的項目實現(xiàn)，對于不懂代碼的可能很難。對于懂代碼的來說，好吧，來自知名多Agent架構(gòu)MetaGPT的3個小伙子僅用了3個小時就把Manus復(fù)現(xiàn)了。這個項目叫OpenManus，到這篇文章發(fā)布時已經(jīng)有16.3k stars了。Manus的出圈以及短期內(nèi)體驗，間接捧紅了這個同類型開源項目，潑天富貴就這樣簡單地轉(zhuǎn)移了。

項目地址：???https://github.com/mannaandpoem/OpenManus???

當然快速復(fù)現(xiàn)Manus的團隊不只一個，同樣是知名多Agent架構(gòu)的Camal團隊也僅用了0天就復(fù)刻了Manus，這個項目叫作owl，目前也有4K stars了。

項目地址：https://github.com/camel-ai/owl

也就在這幾天之內(nèi)，已經(jīng)出現(xiàn)了多個復(fù)刻Manus的開源項目。3月這才剛開始，多智能體架構(gòu)、computer use、GUI智能體的概念就徹底爆發(fā)了。

再說回Manus。

在應(yīng)用場景方面，Manus覆蓋旅行規(guī)劃、股票分析、教育內(nèi)容生成等40余個領(lǐng)域。這么多場景任務(wù)都能實現(xiàn)，再加上自主執(zhí)行的能力，當真是媲美鋼鐵俠的“賈維斯”助手了。這樣的噱頭，想不吸引人都難。

所以，其核心賣點在放在了“自主執(zhí)行”能力上與場景通用上。

Manus的核心架構(gòu)與Anthropic的“Computer Use”高度相似，依賴多Agent虛擬機環(huán)境完成任務(wù)?！白灾饕?guī)劃”能力則基于現(xiàn)有大語言模型（如GPT-4）的調(diào)用，很有可能在任務(wù)規(guī)劃模型上也用了DeepSeek，可以大大降低成本。

因為Manus沒有自研基礎(chǔ)大模型，而是通過整合OpenAI的GPT-4、Anthropic 的Claude等第三方模型實現(xiàn)功能，其核心架構(gòu)被定義為「虛擬機+多模型協(xié)同」的封裝模式?。這種做法，也就是業(yè)界所謂的“套殼”。

有業(yè)內(nèi)人士直言，Manus的核心能力，如任務(wù)拆解其實與Devin、Cursor等現(xiàn)有產(chǎn)品相似，其創(chuàng)新更多體現(xiàn)在工程封裝而非底層技術(shù)突破。

Manus號稱全球首款通用AI Agent，對于此只能說智者見智了。通用AI Agent意味著多場景匹配、跨場景應(yīng)用 多智能體協(xié)作乃至跨平臺應(yīng)用，背后需要強大算力和穩(wěn)定網(wǎng)絡(luò)的支撐，需要多重模型的綜合應(yīng)用，更需要對高并發(fā)支持。

LLM Based Agent，性能和功能取決于LLM的能力，理論上當前的大語言模型可以支撐通用AI Agent實現(xiàn)，但在任務(wù)執(zhí)行時間 任務(wù)完成度上對用戶體驗是很大的考驗，一個復(fù)雜的任務(wù)可能會需要很長時間，一些用戶的體驗記錄也證實了這一點。

更長的任務(wù)執(zhí)行時間，意味著更多token的消耗。面對一個動輒需要數(shù)十分鐘才能完成任務(wù)，token消耗會是一個無底洞，也就意味著更高的成本，這樣的性價比估計也只有特殊需求的企業(yè)能考慮了。至于有些視頻說的提交了任務(wù)明天等著任務(wù)完成，不怕燒錢的用戶當然也是沒問題的。

性價比與成效比，決定了很多大廠至今也沒有打出通用AI Agent的旗號，還是主要在攻擊垂直智能體，這也是近幾年智能體的主要發(fā)展方向。 讓人有些不爽的是，一邊轟轟烈烈的宣傳，一邊卻疑似卻搞起了饑餓營銷。現(xiàn)在，邀請碼仍一碼難求，當然也給了很多人炒作邀請碼的機會，商機無處不在。

邀請碼一碼難求的原因，或許是申請的人太多，也有可能是根本不想放碼。不放邀請碼的好處是體驗的人少負面評論少挨罵就少，壞處是因為大家體驗不到挨罵也不少。據(jù)說，就連一些力捧Mannus的AI大V和公知也有塌房的風險。

當然更有可能是官方目前購買的算力無法支撐這么多人同時體驗，畢竟高并發(fā)需要大算力和強網(wǎng)絡(luò)。 

不過也沒有關(guān)系，既然還拿不到邀請碼體驗不了Manus，我們可以體驗幾個同類產(chǎn)品和項目。這里，王吉偉頻道就為大家介紹幾款computer use、GUI的開源項目。除了最后一個，都是開箱即用的。

1、Goole AI Studio

Google AI Studio 是一個集成了多種 AI 功能且易于使用的 AI 開發(fā)平臺，專注于簡化 AI 模型的創(chuàng)建、優(yōu)化和部署流程。它旨在降低 AI 開發(fā)的門檻，使開發(fā)者無需深厚的機器學習背景也能快速上手，同時為專業(yè)開發(fā)者提供強大的工具支持，以滿足復(fù)雜項目的需求，快速實現(xiàn) AI 驅(qū)動的創(chuàng)新項目。

想要在Google AI Studio體驗與程序互動很簡單，只需要點擊頁面左上角的實時流，右面設(shè)置欄模型默認Gemini 2.0 Flash，輸出格式選擇文本或者語音。

選擇想用的工具，再點擊頁面中下部的 共享屏幕 ，選擇與窗口、瀏覽器標簽頁或者整個屏幕活動，就可以進行交互了。

這里我選了一個名為 AI Agent的GPT時刻的瀏覽器標簽頁，并詢問Manus是什么，截圖如下。事實證明，語言交互體驗更好一些。

同樣大家還可以選擇與Gemini實時對話，或者與Gemini交流通過攝像頭觀察到的各種實物，未來應(yīng)用非常有想象空間。

在入門應(yīng)用程序中還有一個視頻分析器，怎么使用待大家自行探索。

對于一個相對成熟的網(wǎng)頁端AI應(yīng)用，應(yīng)用起來并不難，大家可以自行體驗，這里就不多做介紹了。當然對于開發(fā)人員，Google AI Studio 還可以開發(fā)出更多功能。

這個產(chǎn)品最大的痛點是需要科學上網(wǎng)，相信聰明如你一定能解決這個問題。實在不方便的朋友，可以選擇體驗后面的幾個項目。

體驗地址：https://aistudio.google.com/prompts/new_chat

2、UI-TARS-desktop

UI-TARS Desktop 是由字節(jié)跳動開發(fā)的一款基于 UI-TARS（視覺 - 語言模型）的 GUI Agent應(yīng)用程序，它允許用戶通過自然語言控制計算機。

該應(yīng)用支持跨平臺（Windows/MacOS）、實時反饋、本地處理等特性，還提供云部署和本地部署指南。用戶可通過自然語言指令完成截圖、鼠標鍵盤操作等任務(wù)，其模型有多種大小可供選擇，以適應(yīng)不同硬件配置。該項目在Github，目前已經(jīng)有3K star。

項目地址：https://github.com/bytedance/UI-TARS-desktop

這個項目提供了安裝程序，用戶可從項目發(fā)布頁面下載最新版本，MacOS系統(tǒng)和Windows系統(tǒng)都適用。

使用起來也很簡單，在下面的頁面根據(jù)自己的系統(tǒng)情況下載最新的0.06版本，安裝玩打開軟件程序。軟件長這樣，界面非常簡潔，很難跟智能體聯(lián)系到一塊。

下載頁面：https://github.com/bytedance/UI-TARS-desktop/releases/tag/v0.0.6

當然，我也為不能下載的小伙伴準備了安裝包，后臺回復(fù) 0307 獲取。

想要體驗操控電腦的關(guān)鍵，是要調(diào)用字節(jié)開發(fā)的視覺語言模型UI-TARS。部署該模型有兩種方式，云部署和本地部署。

• 云部署 ：推薦使用 HuggingFace 推理端點進行快速部署，提供了英文和中文的部署指南。
• 本地部署 [vLLM] ：推薦使用 vLLM 進行快速部署和推理，需安裝 vllm>=0.6.1。項目提供了不同大小的模型供用戶根據(jù)硬件配置選擇，并給出了啟動 OpenAI 兼容 API 服務(wù)的命令。

本地部署對于沒有代碼基礎(chǔ)的朋友有些麻煩，這里我們選擇云部署。官方在Hugging Face 上提供了三種型號尺寸：2B、7B 和 72B。為了實現(xiàn)最佳性能，建議使用 7B-DPO 或 72B-DPO 型號（根據(jù)您的硬件配置）。

對于云部署，官方目前提供了火山引擎部署、魔搭部署和Huggingface Inference Endpoints云部署三種，都需要充點小錢?？紤]網(wǎng)絡(luò)速度、穩(wěn)定性以及充值方式，Huggingface被排除。剩下的兩個國內(nèi)云廠商，因為阿里云早有賬戶就選了阿里云。這里以UI-TARS-7B-DPO為例，教大家怎么通過魔搭進入阿里云PAI入口部署該模型。

通過下面網(wǎng)址，進入魔搭的模型信息界面。目前新用戶注冊，限時贈送100小時免費GPU算力，包含100小時32GB顯存GPU+長期免費CPU計算資源（不是廣告）。

???https://www.modelscope.cn/models/bytedance-research/UI-TARS-7B-DPO???

鼠標劃到該頁面右上方的 部署 按鈕，點擊彈出的菜單，會進入阿里云PAI平臺的該模型界面，并自動進入UI-TARS-7B-DPO模型的部署頁面，頁面右半部分是部署操作菜單。如果沒有彈出部署菜單，點擊頁面右上角的部署按鈕。記得在頁面左上角，確認是不是要部署的模型。

模型部署頁面都保持默認就行，默認是一臺30G的Nvidia A10顯卡云主機。我們要做的，就是在這臺云主機上部署UI-TARS-7B-DPO模型。最后點擊模型部署頁面左下角的部署按鈕。進入部署頁面，等待幾分鐘。

點擊頁面左側(cè) 模型部署 下的 模型在線服務(wù)，右面主體部分就會顯示你已經(jīng)部署好的主機。如果賬戶有錢，主機會處于啟動狀態(tài)。

這臺服務(wù)器機型，目前的費用是10.5元/小時，體驗完記得停止，不然會一直消費。我充了50元，但體驗完忘了關(guān)機，今天已經(jīng)因為欠費而停機。

阿里云充值頁面，如下：

???https://billing-cost.console.aliyun.com/fortune/fund-management/recharge???

下面說一下如何在UI-TARS-desktop調(diào)用UI-TARS模型。點擊 模型在線服務(wù) 頁面的你所部署主機的調(diào)用信息，會彈出調(diào)用信息的詳細頁面。

打開UI-TARS-desktop軟件程序，點擊右上角的 齒輪 按鈕，彈出模型設(shè)置窗口。

語言選中文，VLM Provider選vLLM。VLM Base URL一欄，填云主機的訪問地址。VLM API Key一欄，填寫云主機的Token密碼。VLM Model Namet填寫模型名稱UI-TARS-7B-DPO。其他選項，保持默認。

點擊左下角的 Save 按鈕，保存模型信息。關(guān)閉軟件，再次打開（這點很重要），就可以使用了。下面放兩個官方案例視頻，大家可以試著復(fù)現(xiàn)一下。

使用Web瀏覽器獲取 SF 的當前天氣

發(fā)送內(nèi)容為“hello world”的 Twitter

至于更多的玩法，就交給大家去探索了。

3、midscene

Midscene.js是一個Web 自動化開源項目，旨在讓AI成為瀏覽器操作員。用戶只需用自然語言描述需求，AI就能操作網(wǎng)頁、驗證內(nèi)容和提取數(shù)據(jù)。它支持多種模型，包括UI-TARS和Qwen2.5-VL等開源模型，適用于UI自動化場景。

項目特點包括自然語言交互、Chrome擴展體驗、與Puppeteer/Playwright集成、支持開源和通用模型、可視化調(diào)試報告、緩存支持以及完全開源。Midscene.js提供豐富的資源和社區(qū)支持，方便開發(fā)者快速上手和深入開發(fā)。

項目地址：https://github.com/web-infra-dev/midscene?tab=readme-ov-file

UI-TARS在項目頁推薦用Midscene.js體驗?zāi)Ｐ偷腤eb自動化，開發(fā)者可以用自然語言對網(wǎng)頁進行控制和交互，能夠充分發(fā)揮UI-TARS的能力。

Midscene.js目前支持GPT-4o、Qwen-2.5-VL和UI-TARS三種多模態(tài)模型。三種模型各有特點：

• GPT-4o：平衡模型，使用更多代幣。
• Qwen-2.5-VL：開源 VL 模型，性能與 GPT-4o 幾乎相同，使用阿里云服務(wù)時成本更低。
• UI-TARS：開源、端到端的 GUI Agent模型，擅長目標驅(qū)動任務(wù)和糾錯。

Qwen-2.5-VL目前還在優(yōu)惠期，免費贈送用戶1000000 token，當然體驗要用它了。下面，我來教大家如何使用Midscene.js調(diào)用Qwen-2.5-VL體驗大模型的網(wǎng)頁自動化操作。

首先，需要找到模型調(diào)用地址。通過下面網(wǎng)址，打開阿里云百煉大模型平臺，如果沒有注冊需要注冊成為阿里云用戶。

???https://bailian.console.aliyun.com/???

然后在模型廣場，找到通義千問2.5-VL-72B這個模型，點擊查看詳情。

在打開的模型詳情頁，我們可以看到模型介紹、計費詳情、免費額度、模型限流等模型信息。在 模型授權(quán)下面的模型調(diào)用選項，點擊右面的 授權(quán) 按鈕，在彈出的頁面點擊 確定 按鈕，即可完成模型授權(quán)。

點擊頁面上方的 API示例 ，在打開的頁面找到 使用SDK調(diào)用時需配置的base_url ，記住這個地址，可以臨時粘貼到文本編輯工具中。

在軟件程序中調(diào)用大模型，除了 base_url ，還需要知道API KEY。點擊頁面右上角的 查看我的API-KEY ，在彈出的的頁面，如果已經(jīng)創(chuàng)建了，點 查看 并復(fù)制API-KEY。

如果沒有創(chuàng)建，需要點擊 創(chuàng)建API-KEY 按鈕，創(chuàng)建一個新的API-KEY。在創(chuàng)建頁面，描述可以隨便填，點擊確定就好了。然后查看并復(fù)制你的API-KEY，也記住這一串密碼。

到這里，大模型調(diào)用的準備工作完成。接下來，進行Midscene.js的安裝、配置和使用。

用chrome瀏覽器或者egde瀏覽器覺得打開下面網(wǎng)址，安裝 Midscene.js的Chrome擴展程序。安裝擴展程序，需要科學上網(wǎng)。

???https://chromewebstore.google.com/detail/midscenejs/gbldofcpkknbggpkmbdaefngejllnief???

安裝好以后，把Midscene.js擴展程序在工具欄中顯示。點擊Midscene.js打開瀏覽器側(cè)邊欄，第一次打開需要配置大模型信息。點擊 Click to set up 按鈕，打開模型信息輸入頁面（Env Config）。

還記得剛才讓你記錄的阿里云百煉Qwen-2.5-VL模型的base_url 和API-KEY嗎？這里只需要將下面的API-KEY改成你的就行。

OPENAI_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1" 
OPENAI_API_KEY="你的API-KEY" 
MIDSCENE_MODEL_NAME="qwen2.5-vl-72b-instruct" 
MIDSCENE_USE_VLM_UI_TARS=1

如果使用之前在阿里云PAI平臺購買云主機配置的UI-TARS-7B-DPO模型，模型信息按下面配置：

OPENAI_BASE_URL="你的訪問地址/v1" 
OPENAI_API_KEY="你的token密碼" 
MIDSCENE_MODEL_NAME="UI-TARS-7B-DPO" 
MIDSCENE_USE_VLM_UI_TARS=1

這里我們把qwen2.5-vl-72b-instruct的配置信息粘貼到Midscene的Env Config框，點擊 save 按鈕保存。

配置完成后，可以立即體驗 Midscene。擴展中有三個主要選項卡，功能簡介如下：

• Action：使用 action 與網(wǎng)頁交互，例如“在搜索框中鍵入“Midscene”或“單擊登錄按鈕”。
• Query：使用 query 從 Web 頁面中提取 JSON 數(shù)據(jù)，如 “extract the user id from the page， return in { id： string }”。
• Assert：使用 assert 驗證網(wǎng)頁，例如“the page title is ”Midscene”。

我們試一下Action功能。打開微博主頁，在Midscene的指令輸入框輸入 ”發(fā)一條新微博：大家好，我正在使用 Midscene的Action功能?！?/p>

操作過程見下圖，網(wǎng)頁周邊有藍色彩條，就是它在工作了。這個視頻動圖進行了加速，全程實際用時大概1分20秒。每完成一次任務(wù)，Midscene都會生成一個任務(wù)流程視頻。

我們再體驗一下它的Query數(shù)據(jù)提取功能。打開小紅書主頁，在Midscene的指令輸入框輸入 ”提取頁面的前10條內(nèi)容的標題、用戶名和點贊數(shù)“。

同樣視頻動圖也加速了，執(zhí)行這個任務(wù)，大概用了1分鐘40秒左右。

關(guān)于midscene的網(wǎng)頁自動化操作，大家可以試著解鎖其他技能。此外，Midscene Chrome 擴展還支持一種橋接模式，允許用戶使用本地腳本來控制 Chrome的桌面版本。下面是關(guān)于橋接模式的說明文檔，感興趣的小伙伴可以自行探索。

???https://midscenejs.com/bridge-mode-by-chrome-extension.html???

4、智譜GLM-PC

GLM-PC是智譜公司推出的一款基于多模態(tài)大模型CogAgent的電腦智能體。它能夠像人類一樣“觀察”和“操作”計算機，協(xié)助用戶高效完成各類電腦任務(wù)，如文檔處理、網(wǎng)頁搜索、信息整理、社交互動等。

目前GLM-PC 已經(jīng)迭代升級到基于智譜多模態(tài)大模型 CogAgent的1.1.1版本，推出“深度思考”模式，同時支持 Windows和Mac 系統(tǒng)。

開箱即用，是GLM-PC的主要特點，不需要再做大模型的適配。

大家可以通過以下網(wǎng)址，訪問GLM-PC官網(wǎng)，下載適合自己系統(tǒng)的軟件版本，這里也附上安裝指南。

下載：https://cogagent.aminer.cn/home#/downloads

教學視頻：https://zhipu-ai.feishu.cn/docx/PVEdd0C6yoZJl5xevsRcupYtnvg

需要說明的是，目前該產(chǎn)品還在內(nèi)測階段，需要申請內(nèi)測體驗資格。申請一般一天之內(nèi)通過，被加入白名單后就可以通過手機發(fā)送驗證碼登錄了。

申請體驗：https://www.wjx.cn/vm/YtHMOrW.aspx#

這里我用Windows 10來安裝和演示，安裝后打開軟件，軟件界面是這樣的。

下面開啟體驗時間。我們來根據(jù)官方的教學視頻，做一個案例復(fù)現(xiàn)。

GLM-PC有兩種模式，點擊 新建對話 按鈕后，會讓你選擇使用極速模式還是深度思考模式。

先體驗急速模式，打開小紅書，登錄賬號。在GLM-PC的對話框指派任務(wù)，輸入指令：

打開這個網(wǎng)址「11 【2024款小米su7落地價與配置參考 - 漂亮妹妹 | 小紅書 - 你的生活指南】 ?? zd6bLT3R0aC1cgY ?? https://www.xiaohongshu.com/discovery/item/6710759d0000000024019e5a?source=webshare&xhsshare=pc_web&xsec_token=ABsV-IYvSAwtUlCA_lC0SCYnEhX-KO0eZCpFloefapQrE=&xsec_source=pc_share 」，把這個視頻的賬號昵稱、點贊、收藏、評論數(shù)據(jù)，保存到新建Excel表中，保存命名為“小紅書數(shù)據(jù)”

任務(wù)執(zhí)行過程獲取了數(shù)據(jù)，也打開了電腦上的WPS，但是卡在新建表格的循環(huán)中，沒有成功執(zhí)行任務(wù)。

再體驗深度思考模式。同樣的指令，輸入到對話框。

GLM-PC經(jīng)過指令分析后進行任務(wù)分解，然后執(zhí)行。會打開系統(tǒng)默認瀏覽器，打開小紅書網(wǎng)頁，然后按照分解的任務(wù)執(zhí)行。

任務(wù)執(zhí)行過程中，打開小紅書的操作可以看到，提取數(shù)據(jù)和把數(shù)據(jù)寫入Excel表格的過程看不見，但真的生成了表格并放到電腦桌面，任務(wù)執(zhí)行成功。全程大概用了50秒，執(zhí)行過程及結(jié)果見下圖，動圖有加速。

再來復(fù)現(xiàn)一個案例。還是在深度思考模式下，輸入以下指令：

在這個「https://www.dxsbb.com/news/277.html」六級詞匯里面找3個，然后把給每個詞造句，把詞匯和對應(yīng)的造句粘貼到新建Word文檔中，保存命名為“六級英語詞匯學習"

任務(wù)執(zhí)行完以后，可以在電腦桌面找到一個名為 六級詞匯 的word文檔，打開以后有相關(guān)內(nèi)容，執(zhí)行結(jié)果見下圖。

這個任務(wù)的執(zhí)行時間，大概用了1分3秒，動圖有加速。

測試多個案例后，一個簡單的體會是它需要清晰明確的指令，對于直接給出網(wǎng)址的操作很準確，但在本地其他軟件上的操作比如文本發(fā)送等還不是足夠精準，微信發(fā)送信息和文件的操作，我是一次沒有成功。但是在web頁的操作方面，比如小紅書的信息提取和保存，任務(wù)執(zhí)行尚可。

其他教學視頻的案例，大家可以自行去嘗試。如果這些教學案例都能實現(xiàn)，就可以在他們的基礎(chǔ)上加一些料了，可以有更多玩法。

5、Open Manus

最后，再來體驗一下文章開頭提到的MateGPT團隊用3個小時開發(fā)復(fù)現(xiàn)Manus的項目Open Manus。這是一個無需邀請碼即可實現(xiàn)任何創(chuàng)意的項目，由 MetaGPT 的團隊成員在 3 小時內(nèi)完成開發(fā)，是一個簡潔的實現(xiàn)方案。

對于這個已經(jīng)有16K stars的開源項目，為了滿足大家的好奇，這里也來簡單體驗一下。

雖然涉及到代碼，但Open Manus的部署相對簡單。只要你懂點代碼，并且電腦上裝有Anaconda，就可以通過以下步驟安裝。

 安裝

創(chuàng)建新的 conda 環(huán)境：

conda create -n open_manus pythnotallow=3.12
conda activate open_manus

克隆倉庫：

git clone https://github.com/mannaandpoem/OpenManus.git
cd OpenManus

安裝依賴：

pip install -r requirements.txt

  配置

OpenManus 需要配置使用的 LLM API，請按以下步驟設(shè)置：

在 config目錄創(chuàng)建 config.toml文件（可從示例復(fù)制）：

cp config/config.example.toml config/config.toml

編輯 config/config.toml添加 API 密鑰和自定義設(shè)置：

# 全局 LLM 配置
[llm]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."  # 替換為真實 API 密鑰
max_tokens = 4096
temperature = 0.0


# 可選特定 LLM 模型配置
[llm.vision]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."  # 替換為真實 API 密鑰

  快速啟動

一行命令運行 OpenManus：

python main.py

接下來，就可以通過終端輸入你的需求和創(chuàng)意了。如需體驗開發(fā)中版本，可運行：

python run_flow.py

模型需要選擇兼容OpenAI Function Call的模型，這里我使用了通義千問的qwen-max-2025-01-25模型，直接調(diào)用即可，目前有1000000免費使用額度。執(zhí)行任務(wù)之前記得打開科學上網(wǎng)，網(wǎng)絡(luò)搜索默認調(diào)用google_search工具。

輸入一個簡單的指令：到谷歌搜索AI Agent，提取前10條搜索結(jié)果的標題和鏈接，保存為.txt文件。

回車后，OpenManus開始運行，它會把你指定的任務(wù)分解為30步，一步一步開始執(zhí)行。我這個指令不需要執(zhí)行太多的步驟，只執(zhí)行到第4步任務(wù)就結(jié)束了。

執(zhí)行完畢后，它自動生成一個名為 AI_Agents_Search_Results 的txt文件，保存在了項目主目錄。打開以后，是這樣的。

部署完以后，目前體驗起來還感覺不到驚艷。簡單的任務(wù)還好說，復(fù)雜的任務(wù)不好執(zhí)行。30步的任務(wù)分解，如果30步都執(zhí)行完，需要大量消耗token不說，還需要很長的等待時間。

所以目前這個版本，能夠完成完整的30步任務(wù)執(zhí)行就已經(jīng)算是成功了，體驗上任務(wù)完成度并不是很好。有技術(shù)人員調(diào)試程序，一晚上就消耗了100萬+的token。

基于大模型的AI Agent尤其是多Agent的性能和體驗，最終還是體現(xiàn)在大模型上?；谀壳耙延写竽Ｐ蛨?zhí)行任務(wù)能到這種程度，已經(jīng)是很大的進步了。

從大家的試用反饋來看，仍然是Claude 3.5\3.7以及GPT-4o等模型，在任務(wù)執(zhí)行中表現(xiàn)得相對好一些。國產(chǎn)模型，目前大多選擇通義千問或者DeepSeek，官網(wǎng)以及硅基流動調(diào)用API都可以。

有些技術(shù)達人已經(jīng)實現(xiàn)了本地模型調(diào)用與部署，這一塊兒我也會繼續(xù)跟進。

對于OpenManus這個項目，官方說以后會以3-4天為周期進行迭代，可見其還是足夠重視的。后續(xù)會有很多新版本優(yōu)化，感興趣的同學可以在其發(fā)布新版本后入手體驗，到時候可能就會出現(xiàn)一些項目的資源整合包了。

目前開源社區(qū)正在快速出現(xiàn)類Manus的多智能體架構(gòu)computer use AI Agent項目，王吉偉頻道也在持續(xù)關(guān)注。如果大家對相關(guān)開源項目部署感興趣，后面我也可以出一些教程。

后記：讓子彈再飛一會兒

說實話，體驗完這幾款computer use智能體產(chǎn)品以后，從等待時間、操作過程和最終結(jié)果來看，王吉偉頻道又開始懷念RPA了。目前能夠流暢操作PC的，仍然是RPA類的工具，并且RPA也正在向Agent過渡與迭代。后面有時間，我看看能不能體驗幾個RPA Agent類產(chǎn)品，把過程分享給大家。

Manus能火多久，尚未可知。但Manus確實再次成功引起了大家對多智能體、Computer/phone use、GUI智能體等技術(shù)和概念的注意，這對于智能體行業(yè)的整體發(fā)展大有裨益。

上一個如此被關(guān)注的產(chǎn)品，是4個月前Anthropic的claude 3.5 sonnet computer use，國內(nèi)則是智譜的AutoGLM。Manus畢竟也是國產(chǎn)的產(chǎn)品，需要給予一些寬容和成長時間。

Manus出圈后，一些人認為Manus可能會是ChatGPT之后的Sora。尤其是在“智能體的iPhone時刻”這類觀點的推動下，又一個神被造出來了。

于是“再不學DeepSeek就跟不上時代了”這樣的邏輯，開始換成Manus ，且一樣行得通。又一個99%的人還沒有拿到邀請碼的被譽為媲美DeepSeek的套殼智能體應(yīng)用，成了新的焦慮制造機。

就這樣，一個邀請碼就在一天內(nèi)被炒到接近10萬元，直播間開始直播Manus教程，越來越多的人求碼求體驗被忽悠。所以與其現(xiàn)在就被各種割韭菜，不如讓子彈再飛一會兒，孰輕孰重大家自然一目了然。

通過營銷創(chuàng)作的這一波Manus熱，反映出了更多人對于智能體的一知半解。當然可能也有一些人屬于明知故作，原因嗎大家都懂，畢竟營銷本質(zhì)的一面就是金錢開道。所以有觀點認為， Manus出圈告訴大家什么才是真正的AI Agent，蠻有意思。

看來，我輩專注智能體之人，還需要繼續(xù)努力普及AI Agent相關(guān)知識了。