AI智能体·Manus交流及解读(附Manus该概念股)

多客科技

作者：微信文章
<div class="rich_media"><div class="rich_media_inner"><div class="rich_media_area_primary"><div class="rich_media_area_primary_inner"><div class="rich_media_wrp">

<div class="rich_media_content js_underline_content                       autoTypeSetting24psection            ">事件性驱动:受近期火爆全网的Manus智能体影响，今日盘中AI智能体板块暴涨

3月6日消息，来自中国的团队正式对外发布通用型AI Agent产品Manus,显示其性能超越OpenAI的同层次大模型,在 GAIA 基准测试中远远甩开了 OpenAI。　


1、行业动态

大模型进展：近期大模型和应用层面催化不断，阿里千帆发布32B的推理模型，其跑分可与满血版的DeepSpeed 21媲美，且能以约1/10的成本达到相应效果和性能，国内大模型性能正以超预期速度追赶海外模型，年内有望在多模态方面取得突破。

AI Agent新动态：初创公司Monica发布AI Agent产品Manus，它能通过自主AI代理解决各类复杂多变任务，如编写执行代码、浏览网页、操作应用并交付完整成果，前期市场所展望的个人助理正逐步实现。

         

2、Manus产品特点

核心定位与区别：Manus由中国团队Monica.im开发，是全球第一款通用型AI Agent产品，核心定位是自主执行复杂任务并交付成果，与传统AI助手（如GPT和Claude的助手）不同，它通过多代理架构和工具调用能力，在多个领域表现出色。

关键优势与功能：一是具有自主执行任务的能力，可直接交付成果，如进行简历筛选、股票分析、旅行规划等，用户离线时它仍可工作；二是有很强的跨领域工具调用能力，不仅能写代码，还能浏览网页、操作应用，在股票分析中可自动生成可视化分析仪表盘并提供投资建议。

技术领先性：在GAIA基准测试中排名较高，综合能力超越OpenAI同类产品，达到业内SOTA水平；多代理架构设计可通过独立信息运行N个子代理协作，保证任务执行的稳定和安全，稳定性和速度优于单台电脑执行；具有个性化能力，能记录用户偏好并优化输出形式，已有教育、金融、商业分析等四十多家案例。

         

3、Manus对行业的影响

标志AI Agent成熟：Manus的发布标志着AI Agent的成熟，今年可视为AI Agent型产品的元年，将AI的角色从回答问题升级为解决问题，如自动撰写市场调研报告、处理文件等。

对国内市场的影响：Manus性能超越OpenAI，对国内影响较大，国内信创的ETF等关联板块股价上涨，市场对通用型AI Agent期待较高，发布后内测邀请码遭抢购。

         

4、Manus技术细节

异步处理与任务分解：发送任务时，Manus会先将任务分解，有to - do list标记任务及完成情况，子Agent完成任务会修改列表，整个过程用户可离线，任务完成后会通知用户。子Agent运行在独立窗口，借助云端容器（如K8S和Docker）管理平台实现，在容器内完成编程、数据分析、浏览网页、抓取数据等任务。

任务执行流程：面对复杂任务，Manus通过支持工具调用的大模型先理解任务并分解成子任务，每个子任务对应一个子Agent，子Agent调用云端执行函数，输入任务的指令转化为工具调用参数传递给云端容器完成任务，这对云计算是利好，能增加云计算用量。

工具调用实现方式：大模型的工具调用能力可接受应用传递的工具定义，结合用户指令，提取与工具关联的任务，形成包含工具调用参数的子Agent并执行工具。

              

5、Manus与其他产品对比

与OpenAI Agent对比：OpenAI的Agent主要借助浏览器工作，任务多为网站操作，而Manus更聚焦完成具体任务，不单纯局限于网页，在web操作、数据分析等方面比OpenAI更丰富，但二者都主要进行API调用等操作，且都无法完成物理世界的任务。

与Copilot对比：Copilot只能做编程任务，代码大多不能执行且无执行结果报告；而Manus底层集成海量编代码能力，可实现代码编写、运行并产生结果，还能进行报告可视化输出，直接解决问题的能力跨度更大。

         

6、Manus相关问题解答

基础模型与芯片：Manus使用的基础大模型大概率有Claude的编程大模型、OpenAI，也有自己部署的DeepMind用于空气调用的大脑；推理芯片主要以H100为主，OpenAI部分直接调用API，无需采购芯片。

GALA Benchmark：全球代理评价框架中，GALA Benchmark是较成熟的，OpenAI也使用该评价指标，其含金量较高。Manus在该Benchmark上的表现是实际客观水平，因架构中引入大量编程任务进行校验，且代码可检测任务完成情况，其自主学习能力大部分来自代码。

任务执行范围：Manus执行任务主要针对公开网站和数据，对于完全不公开的APP无法执行任务，其能力局限于公开数据和公开知识经验，是对现有大模型形成的工具流方法在工程和产品上的创新。

成本与token用量：单任务平均成本约两美金，三个任务的token用量预估在1000个左右，成本数据可看出，token用量为推测。

云端生态体系看法：Manus的解决方案对云计算利好，能增加云计算消耗量，但在执行特定平台任务（如Windows打游戏任务）时存在局限性，因其容器技术（Docker和K8S）不支持Windows操作系统，它是ChatGPT的agent在web使用上的更深入发展，更多依赖API完成操作。

PDF读取方式：Manus读取PDF有两种方式，能读出文字则直接读取，无法读出则用OCR识别提取图片文字，PDF翻页只是可视化现象，真实读取速度远快于肉眼可见的翻页速度。

是否为套壳产品及复刻壁垒：从底层大部分由外部供应来看，可认为Manus是套壳模型，但从软件供应链管理角度，它是整合各模块的产品。阿里等国内模型大厂复刻大概流程可能不难，但要做到与它完全一致不太可能，细节上可能有差异。

准确率与token消耗比例：Manus通过编程大模型生成代码保证准确率，约能达到百分之八九十，但无法保证运行结果百分百符合客户需求；其token消耗量比传统chatbot最少高十倍，平均在10 - 100倍之间。

端侧使用情况：端侧配合大模型使用Manus当下可能可行，但准确率和重复试错率比云端高，且对端侧算力（GPU推理算力、CPU计算、内存）要求高，大部分用户在端侧难以使用，因Manus任务重且执行代码有安全风险，最多借助云端容器方式落地。

         

Q&A

Q：Manus推出的通用Agent比ChatGPT的通用Agent更强吗，为什么有这样的判断？

A：OpenAI的Agent主要借助浏览器工作，任务基本是完成网站上的操作，未涉及写PPT、写代码等。并非OpenAI做不出来，而是产品定位不同。Manus的Agent更聚焦完成具体任务，不单纯局限于网页，会根据任务选择操作场景，但和OpenAI有很多类似之处，主要任务还是在API调用、web操作、数据分析等方面，也无法完成如直接关机等物理世界的操作，只是在web上的操作比OpenAI更丰富。   

         

Q：Manus的Agent在什么场景下使用？

A：Manus的Agent和OpenAI不同，更聚焦完成具体任务，不单纯在网页，会根据任务选择操作场景。其主要任务还是在API调用、web操作、数据分析等方面，无法完成如直接关机等物理世界的操作。

         

Q：Manus AI调用的基础模型是哪一个或哪几个，使用的是什么芯片？

A：Manus AI调用的基础模型主要是OpenAI和Codex，有百分之八九十的概率。芯片大概主要使用H100的芯片来做推理，自己也有部署一部分像DeepLink之类的。

         

Q：Manus的GALA开头的Benchmark含金量如何？

A：目前全球代理的评价框架比较缺乏，Manus的这个Benchmark是比较成熟的，OpenAI也用这一套评价指标，所以当下其含金量还是可以的。

         

Q：是DeepMind确实在这个Benchmark比Manus弱，还是因为Benchmark的选择导致Manus貌似比DeepMind水平更高？

A：从结果来看，不是因为选择了这个Benchmark导致Manus分数更高，而是比较实际客观的水平。从架构上来说，即使在同样的模型基础情况下，Manus也会比DeepMind分数更高，因为它引入了大量编程任务进行校验，代码能相对简单地检测任务完成情况的对错，且其自主学习能力大部分来自代码，代码执行正确就可固化成成功经验。

         

Q：Manus使用的是哪个基础大模型，用的是什么芯片？

A：Manus使用的基础大模型可能有Claude的编程大模型、OpenAI，也会自己部署DeepMind进行调用。推理芯片主要以H100为主，OpenAI只是API，直接调用别人的API即可完成，无需采购芯片。

         

Q：Manus执行任务是要对应APP开放API，还是现有的API调用已经可以执行任务？

A：Manus执行任务大部分针对公开网站和数据，对于完全不公开的APP难以执行任务。其能力局限于公开数据和公开知识经验，是基于现有的大模型形成的一套工具流方法，只是在工程和产品上有一些创新，让执行更易用。

         

Q：Manus单任务的成本大概是多少，单任务用的token数大概是多少，这些是推测还是能看到具体数据？

A：单任务的平均成本能看到是两美金，token用量预估三个任务可能在1000个左右，成本是能明确看出的，token用量只能做推测。

         

Q：Manus的token用量一千多个是怎样估出来的，如何看待其任务和推理过程都在云端上跑的生态体系？

A：token用量是根据每次任务的反馈、整个思考过程以及其他处理时间来推测的。Manus现在的解决方案对云计算是利好，会极大增加云计算的消耗量。该架构对于数据分析等基于公开数据的任务可以支撑，但对于一些特定平台才能完成的任务，比如Windows系统下打游戏的任务则无法实现，因为其使用的Docker和K8S技术不支持Windows操作系统，有一定局限性。它是ChatGPT的agent外包、使用web的agent的更深入应用，更多依赖API完成下一步操作，而非纯粹依赖视觉大模型指导操作。   

         

Q：Manus在官方演示demo里读PDF是纯视觉识别一页一页识别，还是直接读取PDF的数据？

A：Manus读PDF有两步操作，如果能读出文字就直接读取每一页文字，如果文字无法读出则用OCR识别读图提取文字。PDF翻页只是可视化操作，造成AI在工作的现象，实际上可以不打开PDF，直接在后台找出所有内容。真实读文字速度比翻页快至少几千倍，即使通过OCR方法读PDF速度也比翻页快至少十几倍。

         

Q：Manus现在做的事情在本质上是否是套壳产品？国内模型大厂如阿里、字节在复刻上有没有非常大的壁垒？

A：从某种定义来看，Manus可被认为是套壳模型，其底层约80%是外部供应的，如虚拟机容器用的是Docker解决方案，工具调用决策、报告生成用的也是外部研发的大模型。但换个角度，软件类似供应链管理系统，是整合各模块供应商的产品。国内大厂复刻其大概流程并非很难实现，但要做到与整体完全一致不太可能，细节上可能有差异，该产品并非有很高门槛。

         

Q：Manus是怎么保证准确率的？Manus这种形式对token的消耗量与传统AI模型相比大概是什么比例？

A：Manus主要通过写代码保证准确率，先由编程大模型根据用户任务生成代码，代码正确运行率大概能保证百分之八九十，但运行结果是否符合客户真实需求无法百分百保证。其token消耗量最少比传统chatbot高十倍，平均在10 - 100倍之间，因为决策模型智能水平差可能导致多次循环，且每次要对结果进行检查。

         

Q：从端侧可以使用Manus吗？

A：当下可以用端侧大模型配合Manus，但准确率和重复试错率比云端高很多。Manus需要配合云端容器才能很好运行，对端侧的GPU推理算力、CPU计算和内存要求都很高，绝大部分用户在端侧不太可能用起来。与Copilot和IntellCode等AI不同，Manus任务较重，要执行代码，存在安全性问题，在端侧不太好落地，最多借助云端容器的方式落地。