邀请码抢不到？没关系，这个 5.8 万 Star 的开源项目把"Manus"搬回了家

一、先唠个嗑：一个邀请码引发的血案

2025 年 3 月，圈子里最魔幻的事儿就是 Manus。演示视频看完人人喊"AGI 来了"，结果想上手？先去搞邀请码。淘宝上一个码炒到几万块，官方后来还专门发微博说"没跟任何平台合作卖码"。多少人盯着屏幕上的演示视频干着急：这东西明明能干活，为啥不让我用？

然后就是开源圈经典的一幕了。MetaGPT 团队的几个小哥看不下去了，一顿操作猛如虎——三个小时，撸出了个开源版的 Manus，起名叫 OpenManus，丢到 GitHub 上，配的口号还挺有梗："No fortress, purely open ground"（没有堡垒，纯粹的开阔地）。

这项目火到什么程度？上架当天就冲上 GitHub 热榜第一，一年多的时间攒了 5.8 万多颗 Star，一万个 Fork，现在是所有开源 Agent 框架里绕不开的名字。MIT 协议，随便改随便商用，没有用户数限制，也没有"仅限研究用途"这种藏在小字里的条款。

一句话说清楚它是干嘛的：Manus 要邀请码才能用的那些事——拆解任务、上网查资料、写代码、操作浏览器、生成文件——OpenManus 全都能干，而且代码全给你看，想怎么改就怎么改。

这篇就跟上一篇 browser-use 一样，从它是啥、底层怎么转、代码怎么写、生产环境怎么用，一路扒到底。全程说人话。

二、OpenManus 到底是个啥

先摆几个硬核事实，你感受一下分量：

• 出身：MetaGPT 团队（FoundationAgents 组织）出品，2025 年 3 月开源，核心作者包括 Xinbing Liang、Jinyu Xiang 等几位
• 体量：GitHub 5.8 万+ Star，10 万+ Fork，至今还在活跃更新（2026 年 8 月还有提交）
• 协议：纯 MIT，无任何附加条款，商用零门槛
• 技术底子：纯 Python（3.12+），代码量刻意做得很小，一个 Agent 循环几百行就能读完
• 模型无关：只要接口兼容 OpenAI 格式，DeepSeek、通义千问、Kimi、本地 vLLM 部署的模型，改一行配置全都能接
• 工具全家桶：内置 Python 执行器、网页搜索、浏览器操作、文件编辑、数据分析和 MCP 支持

它跟 Manus 的关系说白了就一句话：思路一样，实现全靠自己。OpenManus 没抄 Manus 一行代码（也抄不到），它做的是把"通用 AI Agent"这件事拆开揉碎给你看——原来 Agent 干活的核心就两样东西：一个会规划的脑子，加一双能调工具的手。

这也是它跟 LangChain、Dify 这类框架最不一样的气质。LangChain 追求大而全的生态，Dify 追求开箱即用的产品化，OpenManus 反其道而行之：代码量压到最小，让你把 Agent 的每一根神经都看清楚。想二次开发、想做研究、想搞清楚 Agent 到底是怎么回事，它就是最好的教材。

三、它是怎么干活的：一个会拆任务的"包工头"

用大白话拆一下 OpenManus 的工作方式。你丢给它一个任务，比如"帮我调研一下最近半年大模型降价的情况，写个报告"。

它不会上来就闷头干，而是先当包工头：把这个大任务拆成一张施工清单——第一步搜新闻、第二步去各官网查价格表、第三步整理对比、第四步写报告存文件。然后才开始搬砖：按清单一步步来，每一步都从工具箱里挑家伙——要查资料就调搜索工具，要算数就跑 Python，要存结果就调文件编辑工具，要逛网页就开浏览器。

这套"先规划、再执行"的打法，就是 OpenManus 的灵魂，专业名词叫 PlanningFlow。整个流程画出来是这样的：

这里有个设计上的点睛之笔值得多说一句：规划不是一锤子买卖。任务执行到一半发现前面拆的步骤不对路（比如官网改版查不到数据了），Planner 可以动态调整后面的计划。这跟"剧本杀"式的固定流程自动化有本质区别——脚本照本宣科，Agent 临场应变。

再往底层看一层，每个执行步骤内部其实是一个经典的 ReAct 循环：Think（模型想下一步干嘛）→ Act（调工具干活）→ Observe（看工具返回了啥）→ 再 Think……循环往复直到这一步完成。这套架构在代码里就是几个类的继承链：BaseAgent → ReActAgent → ToolCallAgent → Manus，每层只加一点自己的东西，读起来非常清爽。

四、手把手跑起来：十分钟上手

4.1 安装

环境要求 Python 3.12+，官方推荐用 uv 装依赖，速度飞快：

# 拉代码
git clone https://github.com/FoundationAgents/OpenManus.git
cd OpenManus

# 用 uv 装依赖（推荐）
uv sync

# 没装 uv 的话，conda 也行
conda create -n openmanus python=3.12
conda activate openmanus
pip install -r requirements.txt

4.2 配置模型

复制一份配置模板，填上你的模型信息：

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

# config/config.toml
# 接 OpenAI 官方
[llm]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-你的key"
max_tokens = 4096
temperature = 0.0

# 国产模型换个 base_url 就行，比如 DeepSeek：
# base_url = "https://api.deepseek.com"
# model = "deepseek-chat"

# 浏览器工具用的视觉模型（可选，不做网页操作可不管）
[llm.vision]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-你的key"

这就是 OpenManus 对国内用户特别友好的地方：不用科学上网也能玩。把 base_url 指向 DeepSeek 或者阿里云 DashScope，整个 Agent 就跑在国产模型上，数据不出境，合规问题顺带解决了。

4.3 第一个 Demo

直接跑主程序，它会让你在终端里输入任务：

python main.py

输入一句话，比如"搜索最近一周关于 AI Agent 的新闻，整理成要点"，然后你就能看到它的"内心活动"实时刷在终端上：先输出思考过程，再输出要调用的工具和参数，然后是工具返回结果，一步步推进到任务完成。结果文件会直接落盘。

想体验完整的多步规划能力，跑的是另一个入口：

python run_flow.py --prompt "调研三款主流开源大模型的最新版本和跑分，写一份对比报告"

​​run_flow.py​​ 走的就是上面说的 PlanningFlow：先规划再执行，适合那种"一句话说不清楚、得拆着干"的复杂任务。

4.4 进阶：写一个自己的工具

OpenManus 真正的好玩之处在于工具可以随便加。所有工具都继承同一个 BaseTool 基类，写一个也就十几行：

from app.tool.base import BaseTool, ToolResult

class ExchangeRate(BaseTool):
    """一个自定义的汇率查询工具"""

    name: str = "exchange_rate"
    description: str = "查询两种货币之间的实时汇率，返回 1 单位 A 兑换 B 的数量"

    parameters: dict = {
        "type": "object",
        "properties": {
            "from_currency": {"type": "string", "description": "源货币代码，如 USD"},
            "to_currency": {"type": "string", "description": "目标货币代码，如 CNY"},
        },
        "required": ["from_currency", "to_currency"],
    }

    async def execute(self, from_currency: str, to_currency: str) -> ToolResult:
        # 实际项目里这里调真实汇率 API，演示就先写死
        fake_rates = {("USD", "CNY"): 7.12, ("EUR", "CNY"): 7.85}
        rate = fake_rates.get((from_currency, to_currency))
        if rate is None:
            return ToolResult(output=f"暂不支持 {from_currency} -> {to_currency}")
        return ToolResult(output=f"1 {from_currency} = {rate} {to_currency}")

写完把 ​​ExchangeRate()​​ 塞进 Agent 的 ​​available_tools​​ 列表，模型下次遇到"查汇率"的活儿就会自己挑这个工具用。你不用写任何提示词去教它，工具的 name 和 description 就是给模型看的说明书。

五、完整实战：每周自动出一份竞品情报简报

光看 Demo 不过瘾，来个真实业务场景的完整例子。

假设你在一家做 SaaS 的公司，老板每周一早上要一份竞品情报简报：主流竞品最近发了什么新功能、价格有没有调整、社区里用户都在抱怨啥。这活儿以前是个同事每周五下午花三小时干的——开七八个网页，翻官网 changelog、定价页、社区帖子，再憋一份文档出来。

现在交给 OpenManus，整条链路变成这样：

import asyncio
from datetime import datetime

from app.agent.manus import Manus
from app.flow.flow_factory import FlowFactory
from app.flow.base import FlowType

COMPETITORS = ["Notion", "语雀", "飞书文档"]

async def weekly_report():
    # 1. 造一个全能型 Agent（自带搜索、浏览器、Python、文件编辑）
    agent = Manus()

    # 2. 用 PlanningFlow 包一层，让它先规划再执行
    flow = FlowFactory.create_flow(
        flow_type=FlowType.PLANNING,
        agents={"manus": agent},
    )

    task = f"""
    请完成本周的竞品情报调研，竞品清单：{COMPETITORS}。具体要求：
    1. 分别访问三个竞品的官网，查看最新版本更新记录和定价页，记录新功能发布和价格变动；
    2. 用网页搜索补充最近一周关于这三个产品的媒体报道和用户讨论；
    3. 遇到需要计算对比的数据（如价格换算成人民币/年），用 Python 执行器算；
    4. 所有调研完成后，写一份 Markdown 简报保存到 reports/ 目录，文件名带日期。
       简报结构：每家竞品一节（新功能 / 价格 / 舆情三个小节），最后一节是给我们的应对建议。
    """

    result = await flow.execute(task)
    print("执行结果：", result)

asyncio.run(weekly_report())

再配个 Linux 定时任务，每周一早上六点自动跑：

# 每周一早上 6:00 自动生成竞品情报简报
0 6 * * 1 cd /opt/competitor-agent && /usr/bin/python3 weekly_report.py >> logs/run.log 2>&1

跑完之后 ​​reports/​​ 目录里就躺着一份带日期的简报，运维同事再挂个 webhook 推到企业微信群。原来每周三小时的人肉搬运，变成了周一上班简报已经在群里等你。

关键是它的产出质量比人肉稳定：不会因为周五赶着下班就漏看一个竞品的定价页，每一节都对应真实查到的数据，附录里还会带上信息来源。

这时候整个系统的调用关系是这样的：

从时序图能看清一个关键点：PlanningFlow 是"包工头"，Manus Agent 是"施工队"，工具是"家伙事儿"，三层各司其职。哪一步卡住了，包工头可以重新规划；哪一步工具调用失败了，施工队自己会换个工具重试。这种分层的容错能力，是它跟一次性脚本最大的区别。

六、生产环境避坑指南

吹了这么多，得泼点冷水。OpenManus 是个框架不是产品，往生产环境放之前，这几个坑你心里得有数：

1. 安全没有银弹，沙箱要自己搭。 这是最大的一个坑。Agent 自带 Python 执行和 Shell 能力，你要是不做隔离，一次恶意的提示词注入就可能让它在你的服务器上执行任意代码。官方明确说了：沙盒是你自己的责任。生产环境务必用 Docker 容器跑，限制网络和文件系统权限，高危工具能关就关。

2. Token 成本要有心理准备。 PlanningFlow 每一步都要走"思考 + 调用 + 观察"的循环，一个复杂任务跑下来几千次模型调用很正常。建议：规划用强模型（GPT-4o、DeepSeek-R1 这类），单步执行可以用便宜模型；把 ​​max_tokens​​ 和循环上限配小一点，防止 Agent 跑飞了烧钱。

3. 版本号有坑，锁 commit 才靠谱。 官方的 tag 停在 v0.3.0 就没再打过了，之后的更新全在 main 分支上。生产环境别追 main，锁定一个测试过的 commit hash，升级前自己跑一遍回归测试。

4. 效果上限取决于你接的模型。 OpenManus 只是骨架，脑子是模型给的。接个 7B 的小模型，规划拆得稀碎、工具调用参数乱填，体验会相当崩坏；接一线模型立刻判若两"人"。社区里"OpenManus 不好用"的吐槽，一大半其实是模型不行。

5. 结果必须有人工校验环节。 搜索到的信息可能有幻觉，价格可能看错版本，报告里建议部分更是模型的"一家之言"。简报自动生成没问题，但发出去之前让人扫一眼，尤其是要给老板看的那种。

七、它和别的 Agent 框架比，强在哪

市面上框架一堆，捋一下 OpenManus 的差异化定位：

一句话总结：想要产品化、不想写代码，上 Dify；要做复杂的工程化系统，LangChain 生态全；但想看懂 Agent 的五脏六腑、或者想魔改一个自己的 Agent，OpenManus 是目前性价比最高的起点。

另外提一嘴，官方还有个姊妹项目 OpenManus-RL（跟 UIUC 的研究者合作），专门研究怎么用强化学习来调优 Agent 的决策策略，做学术方向的朋友可以关注。

八、写在最后

回头看，OpenManus 最大的价值可能不是"免费版 Manus"这个身份，而是它把 2025 年最火的产品命题拆成了几千行人人可读的 Python：原来一个通用 Agent 的核心，就是规划加工具调用，没有魔法。

对普通开发者，它是入局 Agent 时代最好的实操教材——跑通它、读懂它，你对 Agent 的理解就从"看热闹"升级到"看门道"了。对二次开发者，它是一块干净的地基，往上盖自己的 Agent 应用，比从零搭快得多。

我的判断是：通用 Agent 这件事的门槛会越来越低，但"把 Agent 用对地方"的门槛不会。工具就在那儿了，能想明白拿它解决什么问题的人，才是吃红利的人。

动手吧，从让它帮你写第一份调研报告开始。

参考资料：

• OpenManus 官方仓库：​​https://github.com/FoundationAgents/OpenManus​​
• OpenManus-RL（强化学习调优方向）：​​https://github.com/FoundationAgents/OpenManus-RL​​
• MetaGPT 团队主页：​​https://github.com/FoundationAgents​​