五分钟读懂Manus平替：深度解析OpenManus 如何重新定义Multi Agent? 原创

最近，AI圈子里有个词儿特别火——Agent（智能体）。随着大模型在推理与生成上的能力不断提升，Agent技术也迎来了它的“高光时刻”。特别是3月初，Manus展示的多智能体Demo，直接让整个行业沸腾了。紧接着，国内的DeepWisdom MetaGPT团队和CAMEL AI团队也迅速跟进，开源了OpenManus和OWL，瞬间在社交媒体和GitHub上掀起了一股多智能体技术的热潮。

今天，我们就来聊聊这个开源项目OpenManus，看看它到底有什么魔力，能在短短几天内收获过万Star。

3小时上线初版

OpenManus的研发团队在1小时内实现了核心功能，3小时内上线了初版本。我觉得这种高效并非偶然，而是源于团队在多智能体框架上的长期技术积累，以及系统内部设计的高度抽象和可组合性。

OpenManus的核心设计思路非常清晰：极简、可插拔、工具驱动。它通过Prompt（提示词）和Tools（工具）的组合，快速“拼装”出新的Agent，赋予其处理不同类型任务的能力。这种设计不仅降低了开发门槛，还让Agent的定制变得异常灵活。

设计理念

OpenManus本质上是一个多智能体系统（Multi-Agent System）。与单一大模型的“大而全”不同，多智能体系统通过“规划—执行—反馈”的循环，逐步解决复杂的现实问题。它的设计思路可以概括为以下几点：

1. 极简可插拔框架OpenManus的核心是一个精简的Agent框架，强调模块化和可扩展性。通过Prompt和Tools的自由组合，开发者可以快速定义Agent的行为逻辑和功能。比如，Prompt决定了Agent的思考方式，而Tools则提供了具体的行动能力（如代码执行、搜索、文件操作等）。
2. 工具驱动的ReAct AgentOpenManus基于ReAct（Reason + Act）模式，以工具为核心驱动Agent的行动。Prompt引导Agent的推理和逻辑，而Tools则赋予Agent行动能力。这种设计让Agent不仅能“想”，还能“做”。
3. 规划能力处理复杂任务OpenManus延续了Manus的多智能体规划优势，通过PlanningTool对用户需求进行高层规划。它将复杂任务分解为线性的子任务计划，显著提升了任务的成功率。这种“先规划，后执行”的思路，在处理长链任务时尤为有效。
4. 动态Agent分配与工具调度当一个任务被拆解为多个子任务后，系统会根据任务类型，动态分配给预先定义或适配的Agent。这种“临时分配 + 工具协作”的机制，最大化利用了多模型、多工具的组合优势，提高了系统的灵活性和效率。

工作流程

OpenManus的运行流程非常清晰，可以概括为以下几个步骤：

1. 用户需求输入用户在前端或命令行中输入复杂需求，比如“写一段代码并自动部署到服务器上”。
2. PlanningTool规划系统调用PlanningTool，对需求进行分析与分解，形成一个线性结构的任务序列。比如，将需求拆解为“分析需求→编写代码→测试修复→部署验证”。
3. 任务分配与执行系统根据任务类型，动态分配给最合适的Agent。每个Agent采用ReAct循环与Tools交互，完成子任务。
4. 结果汇总与状态更新子任务执行完毕后，系统会将结果进行总结与压缩，存入共享内存。如果任务顺利完成，进入下一子任务；如果失败，系统会进行自动调试或重新规划。
5. 整体产出所有子任务执行完毕后，系统对整体结果进行汇总并返回给用户。

架构

OpenManus的工程结构非常简洁，截止到目前核心仅包含约30个文件，依赖库也相对简单（如pydantic、openai、playwright等）。它的架构由四个主要模块构成：

1. 核心多智能体框架（Agent）采用清晰的继承层次，自底向上逐步增强功能。从BaseAgent到ReActAgent，再到ToolCallAgent，最后到Manus，每一层都通过定制Prompt和Tools赋予Agent不同的能力。
2. 工具层（Tools）工具模块是OpenManus的行动基础，包括Python执行、网络搜索、文件读写、任务规划等。每个工具都继承自BaseTool，具有高度的可扩展性。
3. 提示词模块（Prompt）Prompt模块包含了各种Agent使用的指令模板，定义了Agent的行为逻辑和思考方式。
4. 执行流程模块（Flow）Flow模块负责任务的高层编排和执行流程管理，确保任务按计划逐步完成。

不同模型实测效果

通过测试，我发现不同模型在OpenManus的使用效果差异明显：

踩坑记录

1. google_search 无法调用

⚠️ Tool 'google_search' encountered a problem: HTTPSConnectionPool(host='www.google.com', port=443): Max retries exceeded with url: /search?q=Google+homepage&num=12&hl=en&start=0&safe=active (Caused by ConnectTimeoutError(<urllib3.connection.HTTPSConnection object at 0x0000020960CF1520>, 'Connection to www.google.com timed out. (connect timeout=5)'))
1.

解决方式：

• 科学上网全局代理，或者切换稳定的谷歌代理站点
• 已经有issue提供了pr, 支持将google search替换成baidu搜索

2. 缺少浏览器组件

Error: Browser action 'navigate' failed: BrowserType.launch: Executable doesn't exist at C:\Users\admin\AppData\Local\ms-playwright\chromium-1148\chrome-win\chrome.exe
╔════════════════════════════════════════════════════════════╗
║ Looks like Playwright was just installed or updated.       ║
║ Please run the following command to download new browsers: ║
║                                                            ║
║     playwright install                                     ║
║                                                            ║
║ <3 Playwright Team                                         ║
╚════════════════════════════════════════════════════════════╝
1.
2.
3.
4.
5.
6.
7.
8.
9.

需要先下载浏览器组件

python -m playwright install chromium

pip install playwright
1.
2.
3.

如果依然安装失败，可以尝试：

pip install --no-deps -r requirements.txt
# 对于playwright，我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
1.
2.
3.
4.
5.
6.

3. conda环境

我用的版本是python3.10，没有使用python3.12, 没有出现一些issue中提到的conda环境问题

总结

当面对高度复杂、逻辑交织的任务时，OpenManus 的任务规划能力有时会显得力有不逮。以涉及多部门协同、多环节衔接的大型项目为例，系统在梳理任务优先级和优化执行顺序时，可能会出现偏差，从而导致任务执行过程中出现资源浪费、进度延误等问题，影响整体效率。

此外，在实际测试中，OpenManus 偶尔会在任务执行过程中出现卡顿或报错，尤其是在多任务并行且负载较高的情况下，这种现象更为突出。

本文转载自公众号AI 博物院 作者：longyunfeigu

原文链接：​​https://mp.weixin.qq.com/s/2Wm3nGzSNU6EWpKrzUfJLw​​