Manus到底是什么？

• 👏作者简介：大家好，我是爱吃芝士的土豆倪，24届校招生Java选手，入职小红书广告投放开发，很高兴认识大家
• 🔥如果感觉博主的文章还不错的话，请👍三连支持👍一下博主哦
• 🍂博主正在努力完成2025计划中：逆水行舟，不进则退
• 📝联系方式：nhs19990716，加我进群，大家一起学习，一起进步，一起对抗互联网寒冬👀

本文共分为三部分，第一部分简单记录了openManus的启动步骤，方便大家在自己电脑上部署自己的opnemanus；第二部分是结合 通义千问（免费）来使用openMenus的步骤；第三部分是全面透彻的分析Manus到底是什么？

openManus

1、windows 搜索 Anaconda Prompt

2、conda create -n open_manus python=3.12

3、conda activate open_manus

4、安装git 的环境变量

5、git clone https://gitee.com/devine/OpenManus.git

6、cd OpenManus

7、pip install -r requirements.txt

8、配置 cp config/config.example.toml config/config.toml

[llm]
model = "qwen-plus"
base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1"
api_key = "sk-b30ab04bc32142cdad67b53f92d15b8e"
max_tokens = 4096
temperature = 0.3

# Optional configuration for specific LLM models
[llm.vision]
model = "qwen-v1-plus"
base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1"
api_key = "sk-b30ab04bc32142cdad67b53f92d15b8e"

9、python main.py （启动）

OpenManus对接通义千问本地安装与使用感受

生成初版的答案：

Manus最全硬核分析

2025.3.8 manus爆火出圈了之后呢，现在又在快速降温啦，推特的官方账号也被封了，很多人开始说他在炒作了

那么manus到底是不是在炒作，他有没有硬核的创新或者突破呢？agi的时刻真的来了吗？对于普通人到底有什么影响？

在此之前先快问快答下大家的问题：

1、manus是炒作吗？不是

2、manus有硬核突破吗？有

3、agi的时刻来了吗？没有

现在内测账号炒了到5w一个，其实大家完全没有必要买，即使有了也没办法用，因为你没时间等他跑完，因为非常慢，还要调整提示词。可能拿到账号最好的处理方式就是卖掉。

其实官网提供的这些案例就已经很有代表性了，以他纽约买房的这个例子来详细说明一下，打开后，就是一个任务回放，左侧呢使整个的思维过程，右侧是显示的执行窗口

输入一个任务的综述，他要在纽约买一个房子，然后希望有一个比较低的犯罪率，他有一个孩子在上初中，有一个孩子在上幼儿园，他需要考虑到孩子的教育问题，然后他和他爱人的这个收入是多少钱，请你综合考虑上面的因素，帮我找一个合适的房子，做一个列表。

然后我们可以看到manus就开始执行啦

首先manus对整个任务做了一个回顾，接下来开始检索了一下他的知识库，然后就开始执行了一条这样的命令，这个命令就是创建一个todo的文件。这就是一个小的创新点，就是它在整个任务开始执行之前，它会做一个todo list，把所有的任务都输出到这个文件里面，那创建文件的方式呢，就是命令行的方式。那这个就是agent的第一个功能，就是操作文件系统。

那像这种功能呢其实并不是它的创新，很多的agent都能做到。但是创建todo list 是他的一个小的创新点。创建完成之后，他把他要做的每一项都输出到这个文件里面，回头在执行的时候，会在每一项前面打个钩。

接下来它调用搜索引擎搜索了一个关键词：最安全在纽约，低犯罪率。搜出来一大堆结果。

agent调用搜索引擎，这也不是一个新鲜的事情，很多的agent都能做到，调用搜索引擎，本质上也是一个api的调用。我们会把这个搜索引擎封装成一个工具类，一起喂给大模型，大模型可以根据搜索引擎返回的结果，作进一步的选择或者处理。

在这里它选择了其中的一个连接去提取这个 浏览这个网页。

继续调用搜索引擎，然后重复上面的操作。

接下来到了第一个局限性

这里卡主了，需要输入验证码，也就是说，它其实并没有办法去解决 这种验证码的问题。你看manus下面马上输出了一段话，就是它被验证码卡住了，询问用户想怎么办？比如说它并没有办法完全自动的在后台去执行，它中途还是需要用户去介入的。

刚才为什么说agi没有来，manus改变不了世界，就是因为验证码阻止了它，现在的互联网呢，对机器人并不友好，很多网站都会带着验证码，这个解决不了。

然后用户说跳过这一项。

然后manux继续搜索 浏览网页。

然后这里触发了动作叫做 向下滚动。提取网页信息

提取网页信息的方式有很多种，最简单的方式，就是像网页发一种http的请求，request get请求，然后拿到的respones就是网页的信息，但是很多情况下，这种方式是用不了的，因为很多网页会用加密的方式，它的整个网页的这个html的内容呢，并不是直接明文返回给你的，而是通过加密方式返回的，或者通过js执行的方式来渲染的。这种方式呢 你就拿不到它的网页内容了，那么很明显，manus也不是这种方式，因为他有向下滚动的这个操作。所以它用的其实是第二种方式，就是通过类似于 这个 selenium （web driver）这个模拟浏览器内容的这种工具，他在内部构建了一个浏览器内核，在内核里面渲染出来网页，然后你就可以通过调用它的这个api 来操作这个网页的dom，类似于这种方式来抓取网页的内容。

接下来manus把提取到的网页信息，都输入到了一个文件里面，这也是一种文件的api操作。这个所有的agent都能做。

关键点来了，manus要结合用户的收入，考虑用户的它实际的购房负担，去筛选一些房源，它需要算，用户的收入能买多少平米的房子呢？

manus采用的方式是，首先调用搜索引擎，搜出来一个网页，进入到这个网页，向下滚动，滚动到这样的一个页面。

然后在这个网页上输入了一个金额，他在和这个网页交互！！！这个网站可以根据用户的收入来算，他用户能承担的这个购房的负担金额是多少钱。

它输入了这个金额之后呢，这个网站就会自动的帮他算出来 你实际上能承担的购房金额是多少钱。金额在这里就输出出来了。

这个网页就是能够算出来你具体实际上能承担的金额是多少钱？

然后manux就把这个信息给提取出来了，输出到文件里面去啦，这是此前所有的模型都不具备的能力。

就是和 任意的一个网页进行交互，并且还能获取出来信息。

这里面有两种可能，第一种就是这个网页是被特殊设计过的，是被针对性设计过的一个网页，预先我已经设计好，这个网页可以做哪些操作，然后manus就像调用api一样，去调用操作这个网页 和 网页交互。

第二种可能就是manus拥有了一种通用的 和任意网页的理解能力，交互能力，这就太厉害了，而且我认为这是极有可能的。

然后接下来又来了，又是向下滚动，然后点击元素。

它理解了这个网页里面的内容，它知道怎么 去跟这个网站进行交互，然后怎么样才能提取出来内容。

接下来的很多操作都是类似的，最后将所有提取到的内容都输出到这个最终的一个文件里面去。

就是它提取到了内容，表格也能提取出来，然后最后做一个总结的报告。

然后这个报告也能输出到文件里面去。交付给用户，做一个最终的产品。

最关键的还是和网页交互的能力吗，如果只是针对有数的几个网站进行交互，那就很没意思。但是他这个更像是和任意的一个网站进行一个交互。要知道任何的一个网站它的交互方式都是不一样的，操作是不一样的，比如这里从那个框输入，这里要不要点按钮拿到这个结果，这些每个网站都是不一样的。

我们人打开了这个网站，我们有经验，我们有学习能力，根据它界面的布局，我们能够迅速适应，最后才知道，我们是从这里输入，从这里读取到金额就好了。但是ai不知道，如果ai能和任意的网页进行交互，如果manus真的是自己做到了这一点，那这就是他的一个硬核创新。他的模型具备了和任意网页的交互能力 和 理解能力。

在他的介绍视频里呢，也提到了用到了多种模型进行了后续训练，那其中有一个这样和网页进行交互能力的模型 也是合理的。只不过这样的模型能力绝对是稀缺的，这样的训练集呢，目前市面上也是没有的，需要大量的dom喂给大模型，再给他一个任务，还得有一个操作结果的 ground truth 才能训练处这样的一个模型。

那最后我们聊下为什么agi没有来，首先验证码的问题没办法解决，这是生态问题，而且部分网站需要用户登录注册后才能使用。所以agent访问网络的畅通能力远不及人类。

在一个人类使用搜索引擎的经验很难量化，大家在网络上搜一个东西，一片列表展示出来，哪一个流氓网站，哪一个是正常的。以上就是agent获取信息的能力其实很有限。

再说一下对我们普通人的影响：

其实就是没啥影响，刚才说了他的网络访问能力不如人力，那么就需要靠长时间的后台运行来保证效果，那就必然要消耗大量的token去承担高昂的费用，花十几块钱，让agent做一个不太靠谱的旅游攻略，没人会为这个去买单的。

至于炒作嘛，跑上十几次或者几十次，找到一个最好的效果放在网上作展示，就仁者见仁智者见智了