Posts

在 2025 年上半年，Agent（智能体）与 MCP（模型上下文协议）成为 AI 技术圈最受关注的关键词。而字节跳动新推出的 Agent 平台「扣子空间」，凭借独特的"规划模式"开启内测后，迅速成为业界讨论焦点。 这款平台提出了一个崭新的理念：让 AI 不再是一个只会接指令的执行机器，而是能在关键节点「主动对齐」目标的虚拟实习生。 「规划模式」：让 AI 主动停下来问你「接下来这样做可以吗？」 与传统大模型"一次性完成"的交互方式不同，扣子空间开创性地引入"规划模式"：任务执行过程中，AI 会在流程关键点暂停，和用户对齐目标、修正方向，再继续推进。这种「人机共创式流程」能有效减少跑偏和无效产出，让复杂任务变得更高效、更具可控性。 这就像带教实习生的场景——TA 会在执行过程中不断与你确认目标是否一致，不懂就问，不对就改。 Manus-AI资讯站实测：用 AI 实习生处理真实舆论危机 + 高阶关税追踪任务 我们模拟了多个真实任务场景，实测扣子空间的智能执行能力。 舆论事件应对测试：某知名国产手游「黎明破晓」角色设定争议 在近期《黎明破晓》因角色设定涉嫌文化挪用而遭遇大量负面反馈后，我们假设自己是该游戏的品牌公关负责人，交给 AI 实习生一个完整任务： 监测事件传播时间线和舆论趋势 搜集玩家吐槽点与批评声音 提取公众关注焦点与指责核心 撰写应对策略报告，提供多角度建议 根据策略草拟官方回应声明 AI 实习生生成的初稿在结构完整性、情绪敏感度分析、应对策略的多元性方面表现出色，且生成了 Markdown 分步报告用于对齐和后续修改，体现出极强的结构化交付能力。 我们在反馈环节中指出回应语气不够诚恳，AI 迅速进行调整，生成更加具有人情味与责任感的声明，真正做到"协同式修正"。 高阶任务场景：实时中美关税变动追踪系统 另一个挑战任务：追踪 2025 年 4 月以来中美间重点商品（如消费电子、医疗设备、玩具等）关税变化。我们要求： 自动抓取权威数据源更新税率 区分新增政策与旧有条目 梳理不同税目叠加方式 制作数据可视化动态表格 提供中短期影响预测 结果显示，AI 实习生能够迅速理解任务逻辑并拆解执行路径。尽管部分税率数值来源需手动优化，但通过「暂停→修正数据源→继续」的模式，AI 能灵活适配不同数据要求。 更聪明的 AI，不再"闭门造车" 扣子空间的最大突破点不在「任务完成快」，而在于「知道什么时候该问、该停、该对齐」。 这极大程度缓解了用户"写好 prompt"的压力，尤其适合提示工程经验不足的小白用户。在任务执行中，你可以随时按下暂停，修正指令或调整目标，让任务沿着你想要的路径前进。 这就像你带着一个实习生在工作，每一阶段都可以指导他做得更贴合你的风格和需求。 Manus：更专业的 AI 协作平台推荐 如果你对 AI 辅助办公有更专业的需求，不妨尝试 Manus-AI。它是另一个专注提升企业和个体工作效率的 AI 平台，集成内容生成、知识库构建、任务管理等多种能力，支持从文本写作到代码生成的高阶功能，是你打造个性化 AI 搭子的强力辅助工具。...

新闻（The Information）报道，Manus AI 正与多家顶级投资机构洽谈新一轮融资，投资规模约为 5 亿美元（约合人民币 37.5 亿元）。内部消息称，较前一轮融资，本轮的公司估值已经上涨了五倍以上。知情人士透露，“蝴蝶效应”（Butterfly Effect）正在与红杉资本中国、高瑞资本等知名投资机构积极接触，寻求新一轮的战略投资。 Manus AI 背后的初创公司"蝴蝶效应"也在积极与美国投资者展开深入沟通，尽管目前中国的 AI 产品在美国市场面临一些政策和限制风险。然而，随着中国人工智能技术的迅猛发展，特别是 DeepSeek 的崛起，越来越多的美国投资者开始关注中国的 AI 产品，认为其具有巨大的市场潜力。 据悉，Manus AI 之所以能引起资本市场的热烈追捧，主要归功于其突破性的技术和优质的用户体验。作为一款以 AI 助手为核心的产品，Manus AI 不仅能够理解自然语言指令，还能将其转化为实际行动，帮助用户完成复杂的任务，如撰写报告、筛选数据、分析文档等。 2025 年第一季度，Manus AI 的月活跃用户已突破 100 万，付费用户转化率达到惊人的 15% 以上，远超同类产品。随着 AI Agent 理念的深入人心，人们开始习惯并依赖于这种全新的工作方式和生产力工具，而 Manus AI 凭借其早期进入市场的优势和出色的用户体验，成功占领了这一蓝海领域的重要位置。 与此同时，“蝴蝶效应"公司也正积极拓展其在国际市场的影响力。继日本、韩国及东南亚市场取得成功后，公司计划在今年下半年进军欧洲市场，并已经在英国、德国等国家设立了本地化团队，为进一步的全球化战略做好铺垫。 2025-03-29 admin

在AI Agent的竞争赛道上，Manus无疑是最炙手可热的名字。然而，比Manus更早布局并成功推出AI Agent框架的Flowith Oracle，不仅没有落后，反而在多方面超越了Manus，成为值得关注的新星。自2024年8月正式上线以来，Flowith Oracle凭借其强大的功能和创新的交互方式，迅速吸引了全球用户的目光，特别是在AI创作领域。到目前为止，Oracle已经解决了超过2000万次的复杂任务，成为众多创作者和技术人员的得力助手。 Oracle与Manus之间到底有哪些不同？它究竟在多大程度上解放了人类的双手，又如何通过深度的用户参与，改变了AI的交互方式？最近，我们对Oracle进行了深入体验，并专访了Flowith的市场营销与商务拓展负责人拐子，得出了一些令人惊讶的发现。 解放双手的AI Agent：人类与AI的合作 Oracle的使用非常简单。用户只需打开flowith.net，选择“Oracle”模式并输入问题，便能开始与AI协作。与传统的提示词式交互不同，Oracle让用户在整个任务执行过程中有更多参与感。在进行复杂创作时，Oracle会将任务拆解成多个步骤，并允许用户在每个步骤中添加或修改内容。 例如，当我让Oracle帮助我撰写一篇可以通过晋江签约的小说时，Oracle首先搭建了完整的工作流，分出13个步骤，每个步骤都包含多个子任务。在执行任务前，我可以对步骤进行调整、删除或增加新任务。这个过程中，Oracle不仅会进行调研分析，甚至主动询问我是否需要进一步的信息或修改。在这种协作中，AI负责执行任务，而我则充当了“甲方”，可以随时介入、优化和指导创作方向。这种工作流的设计，使得创作过程变得更加有序且充满灵活性。 另一个例子是当我让Oracle设计一个网页，用史努比漫画风格为非技术用户讲解强化学习时，Oracle首先向我询问了细节，确保理解了我的需求，并根据我的要求设计了互动元素和简明的图示。最终，生成的网页不仅内容清晰易懂，还增加了互动性和趣味性，让复杂的概念变得通俗易懂。 这种方式的优势在于，人类不仅是任务的发布者，更是创作过程中的合作者。通过实时的反馈和调整，Oracle能够根据用户的需求不断完善任务，确保交付的结果符合用户的期待。 画布交互形式：打破聊天框局局限 Oracle的另一大亮点在于其独特的画布交互方式。与传统的线性聊天框不同，Oracle将任务分解为一个个子任务，并通过画布形式将这些任务可视化，用户可以在画布上查看每个节点的执行进度，及时调整任务的执行顺序。每个子任务的执行都可以并行进行，从而大大提高了效率。 这种画布式的交互形式也使得复杂任务的管理更加直观，用户可以轻松查看和修改每个任务的细节。如果某个节点失败，用户还可以重新运行该节点，而无需重新开始整个过程。这种方式不仅提升了工作效率，也让用户能够更深入地控制任务执行的每一步，避免了传统Agent工具中常见的“黑盒”操作。 对于一些用户来说，画布的交互方式可能会带来一定的学习曲线，尤其是当任务变得复杂时，画布上的信息量会急剧增加。但拐子指出，这种形式更符合人类思维的本质——多维度、多分支的思考方式，而不是单一的线性流程。因此，画布不仅提升了任务执行的效率，也让人类在与AI的互动中保持了高度的参与感。 跨越“知识花园”：AI真正理解你 除了画布，Oracle的另一大创新是其“知识花园”功能。这一功能通过智能管理和激活用户的私人知识库，使得AI能够真正理解用户的思维模式和创作风格。传统的AI往往只能提供通用的建议或结果，但通过接入个人化的知识库，Oracle能够为每个用户量身定制任务执行流程，确保生成的内容更符合个人的风格和需求。 目前，Oracle的知识库功能尚未完全打通，但拐子透露，Flowith正在加快这一功能的开发进度。当个人知识库与Oracle相结合时，AI将不再是一个简单的执行工具，而是一个真正的协作伙伴，能够根据用户的知识和创作方式进行深度合作。 这种深度定制化的AI能力，将帮助创作者在内容创作的各个环节中，提供更加个性化、专业化的支持。尤其对于内容创作者来说，Oracle不仅仅是一个写作助手，更是一个能够与个人创作理念深度融合的智能伙伴。 多智能体协作：AI的未来 拐子还预告，Flowith正在计划推出多智能体协作模式，让多个专精领域的AI智能体进行合作。这将打破目前单一AI处理单一任务的局限，带来更加高效和多元的创作体验。例如，用户可以同时指挥一个专注于研究的AI、一个负责创意的AI和一个擅长整合的AI，三者之间能够进行思想碰撞，互相补充，共同完成复杂任务。 这种“多智能体协作”的模式，将推动AI创作工具进入一个全新的阶段，让AI不仅仅是单一功能的执行者，更是多个领域专家的集合体，能够在不同层面提供支持和创新。 总结：AI Agent的理想形态 从Flowith Oracle的设计和功能来看，AI Agent的理想形态并不是单纯的“工具”，而是一个真正能够与人类进行深度协作的伙伴。通过多维度的任务管理、个性化的知识库和高效的画布交互，Oracle实现了从传统AI到智能伙伴的转变。 当然，AI Agent的未来仍然充满未知，拐子也强调，这种工具的边界和可能性需要通过用户的不断探索和实际应用来验证。无论如何，AI Agent的核心价值始终在于为用户解决实际问题，提供具有高价值和品味的创作成果。在这个过程中，AI的角色将从一个工具变成一个合作伙伴，与人类一起共同创作出令人惊艳的作品。

在人工智能领域，特别是在大语言模型（LLM）和智能Agent的发展中，Manus团队的技术创新引起了广泛关注。人们普遍认为，Manus不过是对现有技术的“套壳”应用，将不同模块进行简单的集成而已。但如果深入了解其背后的核心技术，就会发现，Manus远不止于此。事实上，Manus凭借一项名为CodeAct的创新框架，打破了现有智能Agent的局限，赋予了LLM Agent更多的自由度和强大的能力。 本文将详细剖析Manus背后的“黑科技”，揭示其如何通过CodeAct框架重新定义LLM Agent的操作空间，以及这项技术如何显著提升Agent在实际任务中的表现。 一、Manus背后的黑科技：CodeAct框架 对于Manus而言，最核心的技术突破并非简单的代码包装或模块集成，而是其引入的CodeAct框架。这一框架通过让LLM Agent生成可执行的Python代码，而非传统的JSON或文本指令，从根本上改变了智能Agent的工作方式。 1.1 什么是CodeAct？ CodeAct是Manus团队提出的一种多轮交互框架，旨在通过生成可执行的Python代码来提升LLM Agent的能力。它打破了传统智能Agent的局限，将所有的行动和任务指令统一为代码执行。这种方式不仅能够大幅度减少上下文的长度，提升任务执行效率，还能通过集成Python解释器来动态调整行动策略，使Agent在复杂任务中更加灵活高效。 1.2 CodeAct与传统Agent的区别 传统的LLM Agent通常通过生成结构化文本（如JSON）来与外部环境交互。这种方式的局限性在于，虽然它能够指令某些操作，但无法在执行过程中进行实时调整。例如，如果某一操作发生错误，Agent只能依赖提前设定的错误处理机制或完全依赖文本重提示来进行修正。而CodeAct通过生成并执行Python代码，能够实时根据环境反馈调整行动。 此外，CodeAct的优势还在于它能够利用现有的Python工具包，例如Pandas、Scikit-Learn、Matplotlib等，使Agent能够高效地执行数据处理、机器学习、数据可视化等任务。这使得Agent不仅具备了更多功能，也能更加智能地应对复杂任务。 二、CodeAct如何赋能LLM Agent 2.1 动态执行与自我调节 CodeAct框架最大的亮点之一是其动态执行和自我调节的能力。传统的LLM Agent通常通过固定的规则或模版进行任务处理，这种方式往往在面对未知情况时显得力不从心。CodeAct则通过将每个任务转化为Python代码，允许Agent根据实时反馈调整策略。 例如，在进行数据分析时，Agent可以根据数据的不同特征，选择使用不同的处理方法。当数据发生变化或出现异常时，CodeAct框架使Agent能够通过修改代码逻辑来自我调节，从而避免了传统方法中的固定模式束缚。 2.2 更少的交互完成更多任务 CodeAct还显著提升了任务的完成效率。在Manus团队进行的实验中，CodeAct框架帮助LLM Agent在多个复杂任务中减少了交互轮次。例如，GPT-4在使用CodeAct时，任务成功率提升了20.7%，而平均交互轮次减少了2.1次。这意味着，Agent不仅能更高效地完成任务，还能在更少的交互中达成更高的成功率，极大提高了智能Agent的实用性。 这种高效的交互机制，使得LLM Agent能够应对更加复杂的实际问题，如复杂的API调用、多工具协同等任务，同时减少了模型运行时的延迟和计算成本。 2.3 利用现有Python库扩展能力 另一个使CodeAct框架卓越的因素是其能够与现有的Python生态系统紧密集成。例如，Agent可以通过CodeAct调用Pandas进行数据处理，使用Scikit-Learn进行机器学习模型训练，或者通过Matplotlib进行数据可视化。这个能力大大增强了Agent的多功能性，让它能够轻松解决传统文本交互无法胜任的复杂任务。 更重要的是，CodeAct还能够在任务执行过程中进行自我调试。当Agent遇到错误时，它能够通过Python代码的执行过程，自动捕获错误信息，并进行调整，避免了传统方式中对外部干预的强依赖。这种自我调节的能力是传统LLM Agent难以比拟的。 三、开源LLM Agent与CodeAct的融合 3.1 CodeActInstruct：提升开源Agent的能力 为了让CodeAct技术能够为更多的开源LLM Agent所用，Manus团队还推出了一个名为CodeActInstruct的指令微调数据集。这个数据集包含了超过7000条高质量的Agent与环境交互轨迹，涵盖了信息检索、软件包使用、外部内存访问和机器人规划等多个领域。这些数据帮助Agent在实际应用中更好地执行多轮交互，并且具备了更强的自我改进能力。 通过对开源模型进行微调，CodeActInstruct使得这些开源LLM能够更好地适应CodeAct的执行方式，大大提升了其在实际任务中的表现。Manus团队通过对LLaMA-2和Mistral-7B等开源模型的微调，成功构建了CodeActAgent，在多个任务中取得了显著的成功。 3.2 CodeActAgent：开源Agent的新标杆 基于CodeAct框架，Manus不仅提升了传统LLM的能力，还创造了一个具有广泛应用前景的CodeActAgent。这些Agent能够在开源领域内广泛部署，并且具备很高的可扩展性。通过在多个任务中进行测试，CodeActAgent展现出了其强大的泛化能力。无论是在文本任务还是在执行Python代码的任务中，它都表现得非常出色，证明了CodeAct的广泛适用性。 四、Manus背后的真正价值 4.1 提升LLM Agent的能力 Manus不仅仅是一个“套壳”应用，它在LLM Agent的能力提升上做出了颠覆性的创新。通过引入CodeAct框架，Manus彻底改变了LLM Agent的工作模式，让它们能够通过执行Python代码来与环境互动，从而大幅提升了它们的灵活性、适应性和自我调节能力。 4.2 提供更强大的工具链支持 CodeAct的引入，使得LLM Agent不仅能进行更复杂的任务操作，还能够直接利用Python生态中的现有工具库。这一创新极大增强了Agent的多功能性，不仅为开源模型提供了更多可能性，也让智能Agent在实际应用中更加高效和精确。 五、结论：Manus远不止于”套壳” 虽然许多人初看Manus可能认为它只是一个“套壳”应用，实则不然。Manus通过CodeAct框架对智能Agent进行了深度的技术创新，使其不仅能够通过执行Python代码完成更复杂的任务，还能动态调整行动策略和进行自我调节。更重要的是，这项技术为开源LLM提供了强有力的支持，推动了智能Agent在更广泛领域的应用和发展。 在人工智能不断发展和深化的今天，Manus的这一技术突破，无疑为未来智能Agent的演进开辟了全新的道路。

近年来，随着大语言模型（LLM）在自然语言处理（NLP）领域的迅猛发展，如何让这些模型更智能、灵活地与环境互动，已成为技术发展的关键挑战之一。Manus团队近期披露了他们的技术创新——CodeAct，代表了一种全新的框架，通过将Python代码引入LLM Agent的操作空间，成功提升了Agent的能力，尤其在复杂任务的执行和多轮交互的效率上取得了显著突破。 使用CodeAct的原因： 编程不是目的，而是解决通用问题的普适手段： 编程的最终目标是有效地解决问题，而非仅仅编写代码。CodeAct通过将可执行代码作为工具，赋予LLM Agent更强的适应性，能够动态应对不断变化的任务需求。 LLM在编程方面的优势： 大语言模型特别擅长编程，尤其是在处理与其训练分布高度相似的任务时。通过让Agent执行与其预训练数据相关的任务，CodeAct能够更好地调动模型的潜力。 减少上下文长度、组合复杂操作： CodeAct通过使用可执行的Python代码，而非传统的JSON或文本格式，大幅度减少了LLM处理的上下文长度。这种方式不仅更紧凑高效，还能将多个复杂操作组合在一起，提高任务的执行效率。 引言 大语言模型的迅猛发展使得其在处理文本方面表现得异常强大，然而将LLM应用于更为复杂的任务（如API调用、内存管理和机器人控制）时，其面临的挑战也日益增多。现有的LLM Agent多通过生成结构化文本（如JSON）来指令执行操作，这种方式在灵活性和扩展性上存在明显短板。 CodeAct的出现，提供了一种创新的解决方案。它通过引入Python代码执行机制，为LLM Agent提供了一个更加通用和动态的行动框架。CodeAct能够在多轮交互过程中通过动态生成和执行Python代码，不仅提升了Agent的灵活性，还能够自动调整执行策略以应对任务中的变化和不确定性。实验结果表明，CodeAct在多个基准测试中取得了显著优势，成功率相比传统方法提升了20%。 CodeAct使LLM成为更强的Agent 什么是CodeAct？ CodeAct是一种通过Python代码执行来扩展LLM Agent能力的多轮交互框架。其核心思想是将Agent与环境的所有互动都转化为Python代码的生成与执行，使得Agent在每次交互中不仅能理解输入，还能动态执行操作并根据反馈进行调整。 在这个框架中，Agent、用户和环境是主要的三方角色。Agent通过与用户或环境的交互接收输入，并生成相应的Python代码进行执行。每次执行之后，Agent会根据代码执行的结果来调整其后续行动。 CodeAct作为强大的工具使用框架 通过对CodeAct、传统JSON格式和文本格式的对比实验，结果显示CodeAct在多个LLM模型中表现优异。尤其是在开源模型上，CodeAct的优势更加明显，因为这些模型在训练过程中接触过大量的代码数据，因此能够更加高效地理解和执行Python代码。 CodeAct：用更少的交互完成更多任务 为了进一步验证CodeAct在复杂任务中的表现，研究者开发了一个新的基准测试——M3ToolEval，涵盖了82个复杂任务，要求Agent进行多轮交互和多工具调用。实验结果表明，使用CodeAct后，任务成功率大幅提升，尤其在像GPT-4这样的LLM模型中，任务成功率提高了20.7%，并且平均交互轮次减少了2.1次。 CodeAct：受益于多轮交互和现有软件包 CodeAct的另一个优势是它能够与现有的Python库和工具集成，执行复杂的任务。例如，CodeAct可以借助Pandas进行数据处理，使用Scikit-Learn进行机器学习建模，或利用Matplotlib进行数据可视化。更为重要的是，CodeAct能够通过多轮交互中的反馈信息进行自我调试，显著提升任务的完成效率和精确度。 赋能开源LLM Agent更好地使用CodeAct CodeActInstruct：Agent与环境的交互 为了帮助开源LLM Agent更好地使用CodeAct框架，Manus团队还收集并发布了一个名为CodeActInstruct的指令微调数据集。该数据集包含超过7000条高质量的Agent与环境交互轨迹，涉及信息检索、软件包使用、外部内存访问和机器人规划等领域。通过微调开源模型，CodeActInstruct显著提升了Agent在复杂任务中的自我改进能力。 CodeActAgent：通过微调提升Agent能力 基于LLaMA-2和Mistral-7B等开源模型，Manus团队进一步通过微调CodeActInstruct和通用对话数据，成功构建了CodeActAgent。实验表明，CodeActAgent在使用CodeAct格式时，任务成功率大幅提升。此外，CodeActAgent在传统文本行动格式下也表现出了卓越的泛化能力，展示了它对不同任务的适应性。 相关工作 LLM Agent中的行动模块 现有的LLM Agent通常包括四个主要组件：定制化配置、长期记忆、推理与规划算法和行动模块。行动模块负责与外部实体（如人类或工具）的互动。在此基础上，CodeAct通过统一的Python代码执行框架，显著提升了LLM Agent的操作空间和灵活性，使其能够更有效地应对复杂任务。 提升LLM Agent的两种方法 提升LLM Agent能力的两种主要方法包括：提示工程和指令微调。提示工程通过设计优化的提示策略提升模型推理能力，而指令微调则通过微调训练数据来增强模型在特定任务中的表现。CodeActInstruct数据集通过收集大量的多轮交互轨迹，提升了LLM Agent在多轮交互中的自我优化和任务处理能力。 结论 CodeAct框架为LLM Agent带来了革命性的提升。通过将所有的行动都转化为可执行的Python代码，CodeAct不仅提高了Agent在多轮交互中的任务成功率，还使得Agent能够动态调整行动，并利用现有的Python工具包进行复杂任务的执行。通过收集CodeActInstruct数据集，并结合开源模型进行微调，Manus团队成功构建了CodeActAgent，展示了其在多个任务中的优异表现。CodeAct无疑为未来的LLM Agent应用提供了更强大的技术支持。 通过CodeAct，Manus不仅将LLM Agent的能力提升到新的高度，还为开源模型的进一步发展提供了坚实的基础。在多轮交互和复杂任务的背景下，CodeAct的创新性和实用性都证明了它的广泛前景，预计将为AI领域的进一步发展注入更多动力。

近期，AI技术界迎来了一则令人振奋的消息：Manus平台与阿里通义千问宣布达成战略合作，携手推动基于国产大模型的智能体应用创新。这一合作不仅将为中国市场带来更加智能化和具有创造力的通用AI产品，也标志着国产AI技术的进一步崛起。通过这一合作，Manus将基于阿里通义千问开源模型，在国产算力平台上实现所有功能，力图为中国用户提供量身定制的智能体解决方案。 技术合作催生创新突破 此次Manus与阿里的战略合作，不仅是两个技术团队的简单联手，更是国产大模型与实际应用场景深度融合的标志。Manus背后的公司成立于2023年，凭借创新的任务拆解和工具链串联方式，迅速在市场上占据一席之地。通过与阿里通义千问的合作，Manus不仅获得了阿里强大的底层技术支持，还能通过实际应用反馈进一步优化产品。这种“底层能力+上层应用”的协同模式，不仅能够弥补Manus的技术短板，还能为阿里通义千问开辟新的商业化路径，推动国产AI技术的成熟。 AI智能体进入快速发展轨道 业内分析认为，Manus与阿里的合作，是国产大模型与创新应用协同发展的典范。AI智能体的兴起已从单纯的概念实验走向了技术突破的关键节点。IDC中国高级分析师杨雯指出：“国产大模型与创新应用开始深度融合，这将极大推动AI智能体的商业化。”这种技术与应用的双向促进，也意味着国内AI行业即将迎来爆发性增长。 Manus的创新路径：模块化任务拆解 Manus的崛起可以说是“借力打力”的典型案例。不同于一些依赖自研大模型的企业，Manus通过整合Claude和阿里通义千问的微调模型构建产品，创新点在于将复杂的任务拆解成模块化流程，极大降低了用户的操作门槛。用户只需输入简洁的指令，比如“筛选适合金融岗位的应届生简历”，Manus就能通过调用自然语言理解、数据分析、决策推理等模块，完成从解析岗位需求到输出候选人排序的全过程。这一创新设计，使得Manus能够迅速吸引大量用户并成功引爆市场。 国产算力平台助力性能升级 虽然Manus的创新理念和产品在市场上得到了广泛的认可，但其也面临着一些技术挑战，尤其是在算力方面。由于Manus的单任务Token消耗量远超传统的聊天机器人，这使得其服务器曾多次出现“负载过高，无法创建任务”的情况，影响了用户体验。此次合作中，阿里将为Manus提供强大的算力平台资源，帮助解决其算力瓶颈问题，进一步提升Manus的性能和稳定性。阿里通义千问的技术突破也在显著降低算力需求，尤其是推出的QwQ-32B推理模型，在性能上已能够与更大参数的模型媲美，使得中小企业也能够以更经济的方式使用国产AI解决方案。 Agent的未来：技术突破与伦理挑战并行 随着AI智能体（Agent）从实验室的概念走向实际应用，市场对其期望值不断攀升。Manus的成功预示着智能体产品的真正可用性，尤其在垂直领域如简历筛选、金融分析等方面，表现出巨大的潜力。这一趋势也得到了业内巨头的广泛关注，微软、谷歌、OpenAI等都纷纷在AI智能体领域布局。OpenAI更是宣布，2025年将成为AI智能体爆发的关键节点。 然而，尽管AI智能体技术已经取得显著进展，业内仍对其是否已达爆发的临界点存在疑虑。OpenCSG创始人陈冉指出，尽管AI Agent具有巨大潜力，但仍存在一些亟待解决的问题，尤其是大模型的降本增效和Agent对数据质量与数量的高要求。尤其在处理复杂任务时，AI智能体的逻辑推理能力仍存在一定不足，导致其在一些应用场景中易出错，这为其大规模商用带来了潜在风险。 市场需求与伦理风险的双重挑战 除了技术上的突破，AI智能体的伦理问题也引发了行业的广泛关注。杨雯分析道，AI智能体可能会生成有害、虚假或误导性内容，这些内容不仅会影响社会稳定，还可能引发数据隐私和安全问题。AI智能体的广泛应用，也使得责任归属变得更加模糊，这对整个行业的健康发展构成挑战。 尽管如此，随着技术的不断进步与应用场景的丰富，AI智能体的未来依旧充满潜力。业内普遍认为，谁能够突破技术瓶颈、构建可持续的商业模式，谁就能够在AI智能体的“临界点”到来时，占据生态制高点。 结语：技术协同，产业爆发 从Manus与阿里通义千问的合作中，我们看到了国产大模型与实际应用场景之间深度融合的巨大潜力。这不仅为中国用户带来了更具创造力的AI智能体，也为AI技术的未来发展提供了崭新的思路和路径。随着2025年AI智能体爆发的临界点临近，谁能够领先一步，谁就将成为这个新兴领域的领跑者。

OpenAI 刚刚宣布推出其正式版的 AI Agent 工具包，允许开发者使用 GPT-4 和 GPT-3.5 构建自动化的专用智能体。这一消息来自 OpenAI 在社交媒体的官方公告，引起了科技社区的广泛关注和讨论。 OpenAI AI Agent 工具包发布，全面升级开发者体验 根据 OpenAI 的说明，这套工具包提供了创建、测试和部署高级 AI 代理的全套功能，核心特点包括： 1. 设计理念：简化代理的开发和管理，提供直观的界面和强大的 API，使开发者能够专注于代理的功能和用户体验，而不是底层实现细节。 2. 内置工具： 网络搜索能力 Python 代码执行功能 图像生成 数据检索与分析 文档处理 API 连接器 AI Agent的应用场景 OpenAI 展示了若干实用的 AI Agent 应用场景，包括： 研究助手：可以收集、分析信息并生成报告 内容创作者：能够撰写文章、创作故事，甚至设计营销活动 客户服务：处理查询、解决问题，并在需要时进行人工干预 教育工具：个性化学习助手，提供量身定制的学习体验 专业顾问：在法律、金融、健康等领域提供专业建议 附上AMA问答精华： OpenAI 团队在社交平台上回答了一些关于这一工具包的关键问题： 问：为什么现在推出 AI Agent 工具包？ 答：随着 AI 技术的发展和成熟，我们看到了创建更加自主的 AI 助手的巨大需求。这一工具包是我们回应用户和开发者需求的重要一步。 问：与现有的第三方 Agent 平台相比有什么优势？ 答：我们提供了与 GPT 模型无缝集成的体验，专注于安全性、可控性和透明度。我们的基础设施专为支持大规模部署的智能体而设计，提供卓越的性能和可靠性。 问：有哪些安全措施？ 答：我们内置了多层安全防护，包括敏感操作的明确授权、活动审计、运行时监控，以及对可能的不当使用进行持续监测。 网友：感谢 Manus AI，催化了整个 Agent 赛道！ 这一消息发布后，网络上掀起了热烈讨论，有趣的是，不少网友将其与近期爆火的 Manus AI 联系起来，调侃道：“感谢 Manus 的出现，加速了 OpenAI 的 Agent 工具包发布！”...

一、Manus AI“越狱”事件：为何引发如此关注？ 2025年3月9日凌晨，社交媒体平台X（原Twitter）上一条关于Manus AI的互动帖子引发了巨大的关注。网友@jianxliao在分享其与Manus AI互动的过程中，公开了自己成功“越狱”的经历，迅速引起了近百万网友的围观。根据用户的描述，自己通过一些简单的操作（例如访问/opt/.manus/文件夹）便获取了Manus的沙盒运行时代码，并揭示了Manus使用Claude Sonnet模型等技术细节。很快，“Manus被成功‘越狱’”这一话题迅速传播开来，成为讨论的焦点。 此事件引发了广泛的猜测和讨论，不仅仅是因为“越狱”这一术语本身的挑衅性质，更因为Manus作为一款备受瞩目的AI助手，其设计理念和技术架构一直受到关注。许多人对Manus在面对“越狱”事件时的应对方式感到好奇，认为这或许是一次AI产品安全性、开源策略和设计理念的重大考验。 二、创始人季逸超的官方回应：并非漏洞，而是设计的一部分 面对突如其来的热议，Manus的联合创始人季逸超（@peakji）迅速通过X平台发布了官方回应，澄清这一事件的真正原因。季逸超明确表示，Manus并没有被“越狱”，这一现象并非意外或安全漏洞，而是Manus设计上的一部分。换句话说，沙盒环境的访问并不是意外泄漏或系统缺陷，而是Manus故意开放给用户的一项功能。 1. 沙盒环境的设计理念： 季逸超进一步解释称，Manus的沙盒设计是为了让用户能够在一个受限且隔离的环境中自由实验和测试。用户可以直接进入沙盒，进行一些操作和尝试，而不会影响到系统的正常运行。每个用户与Manus的交互其实是在一个独立的沙盒环境中进行，这样的设计既保护了系统的整体安全，也使得用户能够获得更高的灵活性。 Manus沙盒的设计具有几个关键特点： 独立性与隔离性： 每个会话都有独立的沙盒环境，与其他会话完全隔离。用户只能在自己的沙盒环境中进行操作，确保不会影响到其他用户的数据或系统的稳定性。 轻微混淆的代码： 沙盒中的代码主要是为了接收AI Agent发出的指令，这些代码经过了轻微的混淆处理，避免直接暴露给用户。这意味着，即使用户进入沙盒，也不会直接接触到系统核心的源代码。 不影响整体安全性： 尽管用户可以获取沙盒中的代码，但这些代码只是Agent与环境之间的交互工具，并不会对整个系统的安全性造成威胁。系统设计确保即使是通过“越狱”手段获取到沙盒信息，结果也只是“幻觉”，并不能直接影响到核心功能。 2. 多 Agent 协作架构与任务的动态变化： Manus的设计采用了多Agent协作的架构模式，这也是其与传统AI助手的一大区别。季逸超强调，用户与Manus的交互并非与单一Agent直接进行，而是与执行Agent进行对话，而该执行Agent并不掌握其他Agent的详细信息。这种设计有助于： 减少上下文长度： 通过将任务分配给不同的Agent，Manus能够有效地控制上下文长度，避免一个过于庞大的上下文导致性能下降。 避免信息冗余： 由于每个Agent处理特定任务，因此可以避免过多的冗余信息从而影响效率。多Agent协作确保了任务的高效执行。 幻觉现象的解释： 这种多Agent设计也是为何即使用户通过“越狱”获得了沙盒提示，也无法得到一致且准确的结果。因为每个Agent的任务会根据情况发生变化，而沙盒中的代码只是“工具级别”提示，并不会给出完整的系统状态。 三、Manus的开源计划：迈向透明与合作的未来 尽管Manus的设计策略在安全性和灵活性上有所保障，但更重要的是，这一事件促使Manus团队公开了其未来的开源计划。季逸超表示，Manus将继续秉持开源精神，在不久的将来，发布更多的开源技术资源，推动人工智能领域的协作与创新。 1. 开源的长期愿景： Manus团队认为，开源不仅是推动AI技术普及的重要途径，更是加速技术创新的必要方式。季逸超提到，Manus使用了许多开源技术，并且一直在与全球开发者共享其模型和研究成果。Manus的开源计划不仅将提供更多的训练模型，还会进一步开放工具和API，鼓励开发者基于Manus的技术进行二次开发。 Manus团队已经在Hugging Face等平台上发布了多项模型与训练数据，接下来的开源计划将包括更多的基础模型和优化算法。通过与社区合作，Manus希望能够加速AI技术的迭代和普及，使得更多的开发者和组织能够利用这些技术进行创新和研发。 2. 开源文化的意义： 季逸超强调，开源不仅仅是一个技术选择，更是一种文化。Manus团队希望能够建立一个开放、合作、共享的AI生态系统，鼓励企业和个人之间的合作与竞争。他指出，开源能够降低AI技术的进入门槛，使得更多的中小型企业和独立开发者也能够利用先进的AI模型进行创新。 四、Manus使用的基础模型：Claude与Qwen微调模型 在回应中，季逸超还详细介绍了Manus当前使用的基础模型。原来，Manus采用的是Claude和Qwen这两款微调模型。Claude作为AI助手中的佼佼者，擅长自然语言处理和多轮对话，而Qwen则更注重多模态数据的处理和高效计算。季逸超还透露，Manus的团队早期只能使用Claude 3.5 Sonnet v1，这款模型在长链推理上有一定的限制，因此需要借助多个辅助模型来弥补不足。 目前，Manus团队正在测试Claude 3.7，并且计划尽快发布更新，进一步优化性能和能力。季逸超透露，Claude 3.7在长链推理和复杂任务处理方面将有显著改进，预计将在未来的版本中加入更多高级功能。 五、MCP与CodeAct的探讨：Manus的技术架构解析 除了基础模型的选择，关于Manus是否使用MCP（Model Context Protocol，模型上下文协议）的问题也引发了广泛讨论。MCP作为一种“万能接口”，能够让AI模型与外部资源进行高效的连接和交互，简化了AI系统与外部服务的集成。许多人认为，MCP将大大提升AI系统的灵活性和功能，但季逸超明确表示，Manus并没有使用MCP。 季逸超解释道，Manus更受到了其朋友王星尧（@xingyaow_）的研究《Executable Code Actions Elicit Better LLM Agents》的启发，该研究提出了一种新的方法，允许LLM agent执行代码行为，增强了AI系统的执行能力。虽然Manus并没有完全采用CodeAct的思路，但这项研究的几个关键见解影响了Manus的设计，特别是在减少上下文长度和增强任务执行灵活性方面。 六、Manus的未来展望 尽管Manus的“越狱”事件引发了广泛的讨论，但从创始人季逸超的回应来看，这一事件并未暴露出系统设计上的重大缺陷，反而揭示了Manus的设计理念以及未来的发展方向。通过沙盒机制的灵活性、多Agent协作的创新以及即将到来的开源计划，Manus有望在未来的AI发展中扮演更加重要的角色。

随着人工智能技术的持续发展，AI产品正迅速融入我们的日常生活和工作环境。在众多AI工具中，Manus AI作为一款全新的人工智能助手，正在全球范围内掀起一股热潮。本文将探讨Manus AI的爆发性增长，分析其受欢迎的原因，以及对未来的展望。 Manus AI凭借其创新性的技术优势和深刻的行业洞察，不仅吸引了众多科技媒体的报道，还赢得了不少全球投资银行的青睐。高盛、摩根大通、瑞士银行和摩根士丹利等知名投资银行纷纷关注到Manus，甚至将其与诸如DeepSeek、阿里通义等国内外顶尖的AI模型相提并论。这样一个由中国创业团队打造的AI产品，正逐步走向全球舞台，成为国际科技领域的潜力黑马。 Manus AI在全球的爆发性增长 海外媒体争相报道 在Manus AI正式发布后的短短几天内，全球范围内的科技媒体就对其进行了大量报道。从美国的《华尔街日报》、《福布斯》，到英国的《金融时报》，再到日本的《日经新闻》，许多国际知名媒体都对Manus AI进行了深入的分析和评价。 用户需求的井喷式增长 根据数据统计，Manus AI在上线后的第一周内，全球范围内的注册申请量就超过了100万，覆盖了超过50个国家和地区。这一数字还在持续增长，显示出用户对高质量AI助手的迫切需求。 投资机构的高度关注 Manus AI还吸引了大量投资机构的目光。据悉，已有多家顶级风投表达了投资意向，预计Manus AI的下一轮融资可能达到数亿美元。 Manus AI为何如此受欢迎 技术优势：超越现有AI助手的能力 Manus AI的成功很大程度上源于其突破性的技术。与传统的AI助手不同，Manus能够更好地理解长篇复杂的指令，具备更强的推理能力和执行能力。例如，它能够帮助用户规划旅行、分析股票、撰写复杂文档等，这些任务对现有的大多数AI助手来说仍然是挑战。 用户体验：直观且人性化 Manus AI提供了极为友好的用户界面和交互方式。用户不需要学习复杂的提示工程（Prompt Engineering），就能够通过自然的对话方式获得有效的帮助。同时，Manus还能够根据用户的习惯和需求进行个性化调整，提供更加精准的服务。 生态系统：丰富的功能和集成能力 Manus AI构建了一个开放的生态系统，能够无缝集成各种第三方服务和工具。这意味着它不仅是一个独立的AI助手，还是一个能够协调多种资源的中心平台，极大地扩展了其应用场景和能力。 未来展望：Manus AI的发展趋势 行业应用的深化 随着Manus AI的持续发展，预计将会在金融、医疗、教育、法律等专业领域有更深入的应用。这些垂直行业需要更加专业化和定制化的AI助手，而Manus AI的基础技术为此提供了可能。 全球化战略的推进 虽然Manus AI目前的主要用户集中在中国和部分亚洲国家，但它的全球化战略已经明确。未来，Manus可能会加强在欧美市场的渗透，为全球用户提供更加本地化和个性化的服务。 AI协作新范式的引领 Manus AI正在探索人类与AI协作的新模式。不同于传统的"人发指令，AI执行"的模式，Manus更加强调AI的主动性和协作性，这可能会引领未来人机协作的新范式。 结语 Manus AI的崛起不仅仅是一个产品的成功，更代表了AI技术发展的新阶段。作为一个由中国团队打造的全球性产品，Manus AI展示了中国在AI领域的创新能力和影响力。随着其技术的不断成熟和应用场景的不断拓展，Manus AI有望成为连接人类与数字世界的重要桥梁，为我们的生活和工作带来更多可能性。 尽管目前Manus AI的获取渠道比较有限，对邀请码的访问需求量巨大，但随着其规模的扩大和服务的优化，相信在不远的将来，Manus AI将成为更多人的得力助手，成为全球范围内最有影响力的数字搭子。

OpenManus is an open-source project designed to allow users to run artificial intelligences locally with minimal setup, making it easier to implement various creative ideas. It was developed by a team of contributors from MetaGPT, specifically @mannaandpoem, @XiangJinyu, @MoshiQAQ, and @didiforgithub, within just a few hours. The project focuses on simplicity, enabling users to configure and use AI models in a straightforward way, without requiring complicated setups or invite codes....