我要评论manus是什么？
manus 是 monica 团队推出的全球首款通用型 ai agent。manus能独立思考、规划和执行复杂任务，直接交付完整成果。与传统 ai 不同，manus 拥有强大的工具调用能力，能自主完成从任务规划到执行的全流程，如文件处理、数据分析、代码编写、内容创作等。manus在 gaia 基准测试中表现优异，远超openai的deep research。manus 的设计理念是“知行合一”，基于智能化手段扩展人类能力，成为人类的智能伙伴。目前，manus 仍处于内测阶段，需要使用邀请码登录使用。
说人话就是，你告诉他任务的目标或方案，他给你干活，并自动给你一个最终结果比如帮你处理文件、分析数据、写代码、创作内容等，而这些都是一气呵成的，不需要人工干预
openmanus又是什么？
openmanus 是 metagpt 团队推出的开源复刻版 manus，提供无需邀请码的 ai agent 。openmanus基于模块化设计，支持多种语言模型和工具链，能执行代码、处理文件、搜索网络信息等复杂任务。openmanus 的核心优势在于实时反馈机制，用户能直观看到 ai 的思考过程和任务执行进度。openmanus具备强大的工具链和灵活的配置选项，方便开发者根据需求进行定制。
简单来说 openmanus是的开源版，manus能做的事情，openmanus也可以实现，并且openmanus还可以安装在本地，无需服务器，无需多高性能的电脑配置，只需要一个像deepseek,或chatgpt的api账号即可使用
openmanus环境配置与安装
使用openmanus官方推荐uv安装方法：python3.11+uv
uv是由astral公司（rust工具ruff的开发者）推出的高性能python包管理工具，基于rust编写，旨在替代传统的pip和pip-tools。其核心优势在于极快的速度（比pip快10-100倍）、轻量级设计（仅几十mb）以及现代化的依赖管理（支持pyproject.toml和uv.lock文件）。uv集成了虚拟环境管理、python版本控制、依赖解析等功能，目标是成为类似rust cargo的全能工具，简化python开发流程。
在windows上安装uv的2种方法
通过pip安装（推荐）直接使用python自带的pip安装，兼容性最佳：
pip install uv
安装后，uv会被添加到系统环境变量，即使切换虚拟环境也能使用。
powershell脚本安装打开powershell，执行：
irm https://astral.sh/uv/install.ps1 | iex
克隆openmanus存储库：
git clone https://github.com/mannaandpoem/openmanus.git cd openmanus
如果你没有安装git或者无法通过git克隆openmanus源码时出错，可以扫码下面的二维码关注公众号【python客栈】并回复【openmanus】下载openmanus源码
关注公众号【python客栈】并回复【openmanus】下载openmanus源码
克隆或下载完成后，进入openmanus项目的根目录。在路径栏输入cmd，回车，进入openmanus根目录路径下的控制台。
输入uv venv创建一个新的虚拟环境并激活它：
uv venv #unix/macos返回 source .venv/bin/activate #windows返回: .venv\scripts\activate
安装openmanus依赖项：
uv pip install -r requirements.txt
执行命令后返回下面内容
c:\openmanus\openmanus-main>uv pip install -r requirements.txt
resolved 133 packages in 2m 36s
built english-words==2.0.1
built html2text==2024.2.26
prepared 132 packages in 2m 50s
installed 133 packages in 10.19s
+ aiofiles==24.1.0
+ aiohappyeyeballs==2.5.0
+ aiohttp==3.11.13
+ aiolimiter==1.2.1
+ aiosignal==1.3.2
+ annotated-types==0.7.0
+ anthropic==0.49.0
+ anyio==4.8.0
+ attrs==25.1.0
+ backoff==2.2.1
+ beartype==0.12.0
+ beautifulsoup4==4.13.3
+ blinker==1.9.0
+ browser-use==0.1.40
+ browsergym==0.13.3
+ browsergym-assistantbench==0.13.3
+ browsergym-core==0.13.3
+ browsergym-experiments==0.13.3
+ browsergym-miniwob==0.13.3
+ browsergym-visualwebarena==0.13.3
+ browsergym-webarena==0.13.3
+ browsergym-workarena==0.4.1
+ certifi==2025.1.31
+ charset-normalizer==3.4.1
+ click==8.1.8
+ cloudpickle==3.1.1
+ colorama==0.4.6
+ dataclasses-json==0.6.7
+ datasets==3.2.0
+ defusedxml==0.7.1
+ dill==0.3.8
+ distro==1.9.0
+ english-words==2.0.1
+ evaluate==0.4.3
+ faker==37.0.0
+ farama-notifications==0.0.4
+ filelock==3.17.0
+ flask==3.1.0
+ frozenlist==1.5.0
+ fsspec==2024.9.0
+ googlesearch-python==1.3.0
+ greenlet==3.1.1
+ gymnasium==1.0.0
+ h11==0.14.0
+ html2text==2024.2.26
+ httpcore==1.0.7
+ httpx==0.28.1
+ huggingface-hub==0.29.2
+ idna==3.10
+ imageio==2.37.0
+ itsdangerous==2.2.0
+ jinja2==3.1.6
+ jiter==0.8.2
+ joblib==1.4.2
+ jsonpatch==1.33
+ jsonpointer==3.0.0
+ langchain-anthropic==0.3.3
+ langchain-core==0.3.43
+ langchain-ollama==0.2.2
+ langchain-openai==0.3.1
+ langsmith==0.3.13
+ lazy-loader==0.4
+ libvisualwebarena==0.0.15
+ libwebarena==0.0.4
+ loguru==0.7.3
+ lxml==5.3.1
+ markdownify==0.14.1
+ markupsafe==3.0.2
+ marshmallow==3.26.1
+ monotonic==1.6
+ mpmath==1.3.0
+ multidict==6.1.0
+ multiprocess==0.70.16
+ mypy-extensions==1.0.0
+ networkx==3.4.2
+ nltk==3.9.1
+ numpy==2.2.3
+ ollama==0.4.7
+ openai==1.58.1
+ orjson==3.10.15
+ packaging==24.2
+ pandas==2.2.3
+ pillow==10.4.0
+ playwright==1.49.1
+ portalocker==3.1.1
+ posthog==3.19.0
+ propcache==0.3.0
+ pyarrow==19.0.1
+ pydantic==2.10.6
+ pydantic-core==2.27.2
+ pyee==12.0.0
+ pyparsing==3.2.1
+ python-dateutil==2.9.0.post0
+ python-dotenv==1.0.1
+ pytz==2025.1
+ pywin32==309
+ pyyaml==6.0.2
+ regex==2024.11.6
+ requests==2.32.3
+ requests-toolbelt==1.0.0
+ sacrebleu==2.5.1
+ safetensors==0.5.3
+ scikit-image==0.25.2
+ scipy==1.15.2
+ setuptools==76.0.0
+ six==1.17.0
+ sniffio==1.3.1
+ soupsieve==2.6
+ sympy==1.13.1
+ tabulate==0.9.0
+ tenacity==9.0.0
+ text-generation==0.7.0
+ tifffile==2025.2.18
+ tiktoken==0.9.0
+ tokenizers==0.21.0
+ torch==2.6.0
+ tqdm==4.67.1
+ transformers==4.49.0
+ types-requests==2.32.0.20250306
+ types-tqdm==4.67.0.20250301
+ typing-extensions==4.12.2
+ typing-inspect==0.9.0
+ tzdata==2025.1
+ unidiff==0.7.5
+ urllib3==2.3.0
+ uvicorn==0.34.0
+ weblinx==0.3.2
+ weblinx-browsergym==0.0.1.dev14
+ werkzeug==3.1.3
+ win32-setctime==1.2.0
+ xxhash==3.5.0
+ yarl==1.18.3
+ zstandard==0.23.0配置openmanus
在openmanus根目录下找到并进入config目录
编辑config.toml文件，配置api地址和api key。
大语言模型api配置问题
在尝试了多个模型后，总结出以下配置是效果最好的：
# deepseek v3配置（国内最佳选择） [llm] model = "deepseek-v3" base_url = "https://api.deepseek.com/v1" api_key = "你的api密钥" # 替换为你的实际密钥 max_tokens = 8192 temperature = 0.0 # 通义千问配置（国产模型备选） [llm] model = "qwen-turbo" base_url = "https://dashscope.aliyuncs.com/api/v1" api_key = "你的阿里云api密钥" max_tokens = 4096 temperature = 0.0 # claude配置（国外用户推荐） [llm] model = "claude-3-5-sonnet" base_url = "https://api.anthropic.com" api_key = "你的anthropic api密钥" max_tokens = 4096 temperature = 0.0
使用openmanus的实际体验与建议
经过两天的深度使用，结合github issues中的反馈，总结了以下经验：
不同模型的实际表现
通过系统测试，发现不同模型在openmanus中的表现有明显差异：
| 模型 | 工具调用能力 | 中文理解 | 执行效率 | 我的评分 |
|---|---|---|---|---|
| deepseek-v3 | 优秀，支持完整函数调用 | 极佳 | 快速 | ★★★★★ |
| claude-3.5 | 良好，少量格式问题 | 很好 | 中等 | ★★★★☆ |
| qwen-turbo | 中等，需要特殊处理 | 极佳 | 快速 | ★★★★☆ |
| gpt-4o | 优秀，工具调用稳定 | 良好 | 较慢 | ★★★★☆ |
| gpt-4o-mini | 不稳定，经常需要重试 | 中等 | 快速 | ★★★☆☆ |
实战演示：从seo审核到自动化报告
以karpathy个人网站seo优化任务为例，openmanus的运作流程展现其强大能力：
- 任务解析阶段智能体将用户指令拆解为：
- 网站元数据抓取
- 技术seo检测（站点地图、响应速度等）
- 内容优化建议生成
- 工具调用过程
- 通过browserusetool抓取https://karpathy.ai/的html结构
- 使用pythonexecute运行seo分析脚本
- 调用googlesearch验证关键词竞争度
- 结果输出最终生成包含优先级排序的优化报告，例如：
- 高优先级：为图片添加alt文本（当前缺失率78%）
- 中优先级：实施schema标记增强搜索引擎理解
- 基础优化：压缩css/js文件提升加载速度
国内使用的时候会出现多次报错，因为程序设计的原因使用的搜索等功能都是基于google做的，所以会出现部分浏览器抓取等失败的问题，不过下面的搜索功能与模块替换已经给出解决方法，这里就需要自己解决了，你们懂得！
技术对比：openmanus与manus的异同
| 维度 | manus | openmanus |
|---|---|---|
| 架构设计 | 闭源商业系统 | 开源react框架 |
| 规划能力 | 线性任务链 | 支持dag有向无环图扩展 |
| 模型支持 | 仅限claude系列 | 兼容qwen/gpt-4等主流模型 |
| 执行反馈 | 可视化进度条 | 终端日志实时输出 |
值得注意的是，openmanus当前版本在任务规划的细腻度上略逊于manus，但其开源特性允许社区开发者持续优化工具链与提示工程
安装与环境配置问题
依赖安装错误
问题表现：
playwright安装失败。
解决方案：
# 分步安装能解决大部分依赖问题 pip install --no-deps -r requirements.txt # 对于playwright，使用这个方法成功解决了问题 pip install playwright==1.40.0 --no-build-isolation playwright install chromium # 如果仍然遇到问题，尝试手动安装核心依赖 pip install pydantic==2.5.2 langchain==0.1.6 beautifulsoup4==4.12.3
windows特有问题解决
问题表现：
在windows环境下，遇到了一些linux环境中没有的问题，特别是路径和编码相关的错误。
解决方案：
# 在windows中处理路径时使用了这种方式统一处理
import os
def normalize_path(path):
"""统一处理windows和linux路径"""
return os.path.normpath(path).replace('\\', '/')
api调用错误的故障排除
遇到的几个常见api错误及解决方法：
问题表现1：
经常遇到"api error: error code: 400"错误。
解决方案：
# 修改了app/llm.py，增加了更详细的错误处理
def call_api_with_detailed_error(self, *args, **kwargs):
try:
return self._call_api(*args, **kwargs)
except exception as e:
error_msg = str(e)
if "400" in error_msg:
# 检查请求参数
print("api 400错误排查清单:")
print("1. 检查api密钥格式是否正确")
print("2. 检查模型名称是否正确")
print("3. 检查请求参数格式")
print("4. 原始错误信息:", error_msg)
elif "401" in error_msg:
print("认证失败，请检查api密钥")
elif "429" in error_msg:
print("请求频率过高，请降低请求速度或升级api配额")
raise e
问题表现2：
"not support function calling"问题
解决方案：
deepseek最新版本已支持函数调用。
token限制问题的实际解决方法
问题表现：
“max_token最大允许8192，太小了”，导致复杂任务无法完成。
解决方案：
# 实现了一个上下文管理器，大大提高了长任务的完成率
def manage_context_length(context, max_length=6000, summarize_threshold=7500):
"""智能管理上下文长度"""
if len(context) < summarize_threshold:
return context
# 将上下文分为三部分处理
intro = context[:1500] # 保留初始指令
recent = context[-3000:] # 保留最近交互
middle = context[1500:-3000] # 中间部分需要压缩
# 对中间部分进行摘要
from app.llm import llm
llm = llm()
summary_prompt = f"请将以下对话历史压缩为简短摘要，保留关键信息：\n\n{middle}"
summary = llm.generate(summary_prompt, max_tokens=1500)
# 组合处理后的上下文
new_context = intro + "\n\n[历史摘要]: " + summary + "\n\n" + recent
return new_context
搜索功能与模块替换
由于google搜索在国内无法使用，这个问题在github issues中被多次提到。
bing搜索实现
进一步优化了bing搜索实现：
# app/tool/bing_search.py
from typing import dict, list, optional
import os
import requests
from pydantic import field
from app.logger import logger
from app.tool.base import basetool
class bingsearch(basetool):
"""使用必应搜索引擎进行网络搜索"""
name: str = "bing_search"
description: str = "使用必应搜索查询信息，对于需要最新信息的查询特别有用"
def __init__(self):
super().__init__()
# 从环境变量或配置文件获取api密钥
self.subscription_key = os.environ.get("bing_api_key", "你的bing搜索api密钥")
self.search_url = "https://api.bing.microsoft.com/v7.0/search"
def _call(self, query: str, num_results: int = 10) -> dict:
"""执行必应搜索"""
headers = {"ocp-apim-subscription-key": self.subscription_key}
params = {
"q": query,
"count": num_results,
"textdecorations": true,
"textformat": "html",
"mkt": "zh-cn" # 设置为中文市场，结果更符合国内用户习惯
}
try:
response = requests.get(self.search_url, headers=headers, params=params)
response.raise_for_status()
search_results = response.json()
# 提取有用的搜索结果
results = []
if "webpages" in search_results and "value" in search_results["webpages"]:
for result in search_results["webpages"]["value"]:
results.append({
"title": result["name"],
"link": result["url"],
"snippet": result["snippet"],
"datelastcrawled": result.get("datelastcrawled", "")
})
# 添加新闻结果
if "news" in search_results and "value" in search_results["news"]:
for news in search_results["news"]["value"][:3]: # 取前3条新闻
results.append({
"title": "[新闻] " + news["name"],
"link": news["url"],
"snippet": news["description"],
"datepublished": news.get("datepublished", "")
})
return {
"query": query,
"results": results,
"total_results": len(results)
}
except exception as e:
logger.error(f"必应搜索出错: {str(e)}")
return {
"query": query,
"results": [],
"total_results": 0,
"error": str(e)
}
百度搜索替代实现
将google搜索替换成百度搜索"
# app/tool/baidu_search.py
import requests
from bs4 import beautifulsoup
from pydantic import field
from app.tool.base import basetool
from app.logger import logger
class baidusearch(basetool):
"""使用百度搜索引擎进行网络搜索"""
name: str = "baidu_search"
description: str = "使用百度搜索获取信息，适合中文搜索"
def _call(self, query: str, num_results: int = 10) -> dict:
"""执行百度搜索并解析结果"""
headers = {
"user-agent": "mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/91.0.4472.124 safari/537.36",
"accept-language": "zh-cn,zh;q=0.9,en;q=0.8"
}
search_url = f"https://www.baidu.com/s?wd={query}&rn={num_results}"
try:
response = requests.get(search_url, headers=headers, timeout=10)
response.raise_for_status()
response.encoding = 'utf-8'
soup = beautifulsoup(response.text, 'html.parser')
search_results = soup.select('.result.c-container')
results = []
for result in search_results[:num_results]:
title_elem = result.select_one('.t')
link_elem = title_elem.select_one('a') if title_elem else none
abstract_elem = result.select_one('.c-abstract')
if title_elem and link_elem:
title = title_elem.get_text(strip=true)
link = link_elem.get('href', '')
abstract = abstract_elem.get_text(strip=true) if abstract_elem else "无描述"
results.append({
"title": title,
"link": link,
"snippet": abstract
})
return {
"query": query,
"results": results,
"total_results": len(results)
}
except exception as e:
logger.error(f"百度搜索出错: {str(e)}")
return {
"query": query,
"results": [],
"total_results": 0,
"error": str(e)
}
搜索功能的注册方法
按照以下步骤将新的搜索工具集成到openmanus中：
# 修改app/agent/manus.py文件
from app.tool.bing_search import bingsearch
from app.tool.baidu_search import baidusearch
# 找到available_tools部分并替换
available_tools: toolcollection = field(
default_factory=lambda: toolcollection(
pythonexecute(),
baidusearch(), # 国内用户首选
bingsearch(), # 备选搜索工具
browserusetool(),
filesaver(),
terminate()
)
)
执行控制与错误处理
循环检测与自动中断
解决了"loop error"、"任务完成后的重复思考"问题：
# 在app/agent/base.py中添加了循环检测功能
def is_in_loop(self, actions_history, threshold=3, similarity_threshold=0.85):
"""检测是否陷入执行循环"""
if len(actions_history) < threshold * 2:
return false
recent_actions = actions_history[-threshold:]
previous_actions = actions_history[-(threshold*2):-threshold]
# 计算最近动作与前一批动作的相似度
similarity_count = 0
for i in range(threshold):
# 使用简单字符串相似度
current = recent_actions[i]
previous = previous_actions[i]
# 如果动作类型、参数等关键信息相似
if current['tool'] == previous['tool'] and \
self._params_similarity(current['params'], previous['params']) > similarity_threshold:
similarity_count += 1
# 如果超过一定比例的动作重复，判定为循环
return similarity_count / threshold > 0.7
def _params_similarity(self, params1, params2):
"""计算两组参数的相似度"""
# 简化实现，实际使用中可以采用更复杂的相似度算法
if params1 == params2:
return 1.0
common_keys = set(params1.keys()) & set(params2.keys())
if not common_keys:
return 0.0
similarity = 0
for key in common_keys:
if params1[key] == params2[key]:
similarity += 1
return similarity / len(common_keys)
在执行流程中添加循环检测：
# 在执行流程中使用循环检测
def run(self, prompt):
actions_history = []
for step in range(self.max_steps):
action = self.plan_next_action(prompt)
actions_history.append(action)
# 检测是否陷入循环
if len(actions_history) > 6 and self.is_in_loop(actions_history):
logger.warning("检测到执行循环，尝试重新规划...")
# 添加特殊提示，帮助模型跳出循环
prompt += "\n\n[系统提示]: 检测到可能的执行循环，请尝试不同的解决方案或工具。"
continue
result = self.execute_action(action)
if self.is_task_complete():
return result
return "达到最大步骤数，任务未完成"
文件保存问题的实际解决
针对"更改了file_path控制台输出文件已保存，但实际上并没有保存"的问题，修改filesaver工具：
# 改进的filesaver工具实现
def save_file_with_verification(self, content, file_path, overwrite=false):
"""保存文件并验证成功与否"""
# 规范化路径
file_path = os.path.abspath(file_path)
# 检查目录是否存在，不存在则创建
dir_path = os.path.dirname(file_path)
if not os.path.exists(dir_path):
try:
os.makedirs(dir_path, exist_ok=true)
except exception as e:
return f"创建目录失败: {dir_path}, 错误: {str(e)}"
# 检查文件是否已存在
if os.path.exists(file_path) and not overwrite:
return f"文件已存在且未设置覆盖: {file_path}"
# 保存文件
try:
if isinstance(content, str):
with open(file_path, 'w', encoding='utf-8') as f:
f.write(content)
else:
with open(file_path, 'wb') as f:
f.write(content)
# 验证文件是否成功保存
if os.path.exists(file_path) and os.path.getsize(file_path) > 0:
return f"文件成功保存到: {file_path}"
else:
return f"文件保存失败，虽然没有报错但文件为空: {file_path}"
except exception as e:
return f"保存文件出错: {str(e)}"
manus出现短短几小时开源社区就有了复刻开源版本openmanus，说明manus确实具备较强的创新性和吸引力，有了开源项目，让我们这些没钱没设备的普通开发者也可以体验尝试ai的创造力让人十分激活
发表评论