聲明:本文來自于（ID:ykqsd.com）授權轉載發(fā)布。

三刻鐘后編寫完代碼，次日凌晨八點便新增了三十多個好友申請，在開源社區(qū)GitHub上迅速收獲了7000多顆星星——Manus在短短不到三天內(nèi)便爆紅，隸屬于國內(nèi)AI Agent初創(chuàng)公司DeepWisdom（深度賦智）的MetaGPT團隊不僅完成了產(chǎn)品復刻，還將其開源至社區(qū)。

第一財經(jīng)記者對MetaGPT團隊進行了深入采訪，試圖梳理此次技術復刻的核心邏輯，以及行業(yè)浮躁背后的意義。這一對話既反映出產(chǎn)品功能復刻離不開公司深厚的技術積累，也通過團隊的視角肯定了Manus在規(guī)劃、后訓練、交互方式等方面的投入。

在復刻過程中，我們發(fā)現(xiàn)兩者之間存在一些理解差異

早在2023年，MetaGPT團隊就開始深入研究多智能體框架，并在GitHub上開源相關代碼，迅速吸引了社區(qū)的關注。2024年10月，團隊進一步探索Agent的規(guī)劃能力和工具使用能力，提出了Data Interpreter等創(chuàng)新性工作。

在討論開源計劃時，團隊內(nèi)部提議可以直接推出一個開源版本。

在具體產(chǎn)品屬性上，OpenManus是一款類Manus的多智能體框架，為開發(fā)者提供了快速上手和高度定制化的開發(fā)環(huán)境，但團隊也提醒：目前OpenManus仍處于演示階段（demo級），尚未有GALA基準測試數(shù)據(jù)支持，效果可能有待進一步驗證。后續(xù)團隊計劃投入更多資源進行DeepResearch方向與軟件工程方向的深入探索。

之前Manus在GALA基準測試中表現(xiàn)優(yōu)異，達到當前最優(yōu)水平（SOTA），在競品中超越了包括OpenAI的Deep Research在內(nèi)的多款產(chǎn)品。

向勁宇推測，Manus團隊在規(guī)劃與后訓練方面實現(xiàn)了高度復雜的邏輯，這使得其演示版本能夠提供良好的交互體驗。在實際應用中遇到效果不佳的情況，也可能反映出行業(yè)共性問題，目前OpenManus尚未有顯著突破。

對于能夠用短短三小時復刻出一款“爆品”Manus，梁新兵對第一財經(jīng)記者表示，這背后的關鍵在于團隊已積累的技術儲備，而且前兩個月團隊就在思考如何用簡潔、優(yōu)雅的方式呈現(xiàn)一個完整的Agent形態(tài)。

從Manus與OpenManus的公開演示視頻來看，兩者均采用了Multi-Agent（多智能體）架構，能夠將復雜任務分解為多個子任務，并分配給不同的智能體執(zhí)行。此外，兩者都集成了多種工具鏈，如網(wǎng)絡搜索、代碼執(zhí)行、文件處理等，以增強智能體的功能。

與Manus的技術架構主要依賴使用者猜測不同，OpenManus的產(chǎn)品團隊明確提到Claude廠商Anthropic去年推出的computer-use項目，以及YC投資的browser-use項目。OpenManus的作者張佳釔指出，其產(chǎn)品成果整合了computer-use、基本的Agents，以及規(guī)劃能力。

多智能體應用將加速普及

與其關注Manus剛亮相時的各種花邊新聞，不如深入探討其對行業(yè)發(fā)展所揭示的關鍵啟示。

梁新兵指出，Manus幫助普通人更好地理解智能體的本質，從而放大了Multi-Agent這條技術路徑的潛力。

從發(fā)展歷史來看，Multi-Agent概念的雛形可追溯至20世紀80年代，當時分布式人工智能理念已初具雛形。隨著大型語言模型的成熟，2017年后，AI Agent的應用從理論走向實踐，例如AutoGPT的出現(xiàn)標志著AI Agent的雛形正式誕生。

2024年，微軟、谷歌、蘋果、OpenAI等多家公司紛紛進入AI Agent市場。2025年1月，OpenAI推出首款AI Agent產(chǎn)品Operator，能夠執(zhí)行復雜任務如編寫代碼、預訂旅行等。但該產(chǎn)品目前僅向購買每月200美元的ChatGPT Pro訂閱者的用戶開放。直到國內(nèi)AI廠商Monica通過采用Manus技術，首次讓普通群眾意識到Multi-Agent這一概念，MetaGPT的開源產(chǎn)品也逐步揭開其神秘面紗。

AIGCLINK發(fā)起人、行行AI合伙人占冰強對記者表示，Manus類產(chǎn)品的研發(fā)在Prior團隊中已實現(xiàn)，這標志著國內(nèi)首批在智能體研發(fā)方面投入的團隊之一。

MetaGPT在NLP/Agent領域研究員洪思睿表示，當前行業(yè)發(fā)展面臨一個技術瓶頸：當多種相似工具均可解決同一問題時，如何提升Agent的決策能力成為技術難點。此外，若工具接口不標準或參數(shù)配置不當，可能導致工具執(zhí)行效果不佳。

針對這一挑戰(zhàn)，動態(tài)路由技術優(yōu)化工具選擇與使用，結合知識增強與幻覺抑制提升決策可靠性，采用ReAct、Chain-of-Thought（CoT）或 Tree-of-Thoughts（ToT）等推理框架優(yōu)化Agent的決策展示過程，成為可行的解決方案。

MCP協(xié)議（Model Context Protocol，模型上下文協(xié)議）已成為行業(yè)共識。該協(xié)議由Anthropic于2024年11月底推出，旨在統(tǒng)一大型語言模型（LLM）與外部數(shù)據(jù)源和工具之間的通信。通過標準化接口，LLM能夠安全、高效地訪問外部資源，從而擴展其應用能力。

占冰強對記者表示，MCP本身完全兼容，主要取決于技術廠商是否愿意提供支持。目前，海外主流廠商已在逐步接入，特別是在AI工具和開發(fā)平臺領域，預計國內(nèi)廠商也會陸續(xù)跟進。