Manus爆火，是硬核还是营销？

▍作者：范志东，蚂蚁图计算开源负责人、图计算布道师

相信这两天小伙伴们应该被Manus刷屏了，铺天盖地的体验解读文章接踵而来，比如「数字生命卡兹克」凌晨爆肝的热文：「一手体验首款通用Agent产品Manus」^[1]。从公众号、朋友圈、抖音、央媒，都能看到Manus的身影，甚至火到闲鱼上一个邀请码都要5万。大家可以到Manus官网（manus.im）了解体验，前提是你得先拿到邀请码【目前一码难求🤷‍♂️】。

围观Manus：体验ACI效果

说实话第一眼看到Manus的产品，着实被它的产品设计震撼了一把，我的第一反应是ACI：Agent Computer Interface ^[2]，即通过AI智能体完成浏览网页、执行计算、控制软件，并完成现实世界任务。Manus借助AI的任务规划和推理能力，在云端容器内通过调用浏览器、搜索、编码、文件等工具，完成你交给它的任务。

不少行业KOL提前拿到了邀请码体验尝鲜，并分享了他们体验记录。「林旅强」让Manus帮忙基于公网资料，总结他的个人简历 ^[3]，效果着实惊艳。

「李继刚」要求Manus用简笔画速写描绘概念本质，参考文章「Manus：上帝之手」，比如解读「投资」的本质 ^[4]。

当然，写个放烟花程序 ^[5]，自然不在话下。

复刻Manus：开源的力量

一石激起千层浪，Manus发布不到两天，开源圈再起风潮，一天之内两款开源Manus复刻版项目同时发布。一个是来自「CAMEL-AI」的李国豪发布的OWL项目，号称0天复刻、支持多端，关键是免费。

项目地址：https://github.com/camel-ai/owl

另一个是来自「MetaGPT」的梁新兵、向劲宇等同学发起的OpenManus项目，据说3小时复刻Manus，1天之内项目破万星，被「机器之心」、「新智源」、「量子位」等诸多大号推送转载，一时间风头无两。

项目地址：https://github.com/mannaandpoem/OpenManus

为何开源圈可以如此飞速地复刻Manus，从梁新兵的这段表述可以略知一二。

我们只是把浏览器工具链嫁接到过去代码上，配合沉淀的Agent工具包，核心系统1小时就完成了心跳。

作为知名的开源智能体系统，无论是「CAMEL-AI」，还是「MetaGPT」，它们在过去的项目迭代过程中，积累了大量的工具集，这为快速复刻Manus提供了必要的基础设施。我之前在「2024年度Graph+AI开源探索思考」文末抛出过一个问题：“Agent - LLM = ?”，这里「工具」就是答案之一。

反思Manus：硬核or营销

自Manus发布之日起，既有「国人之光」、「横空出世」、「取代DeepSeek」等诸多溢美之词，也不乏「套壳」、「营销」、「炒币」等怀疑之声。这里附上「甲子光年」^[6] 和「首席数智官」^[7] 账号的推文，究极如何，这里不做评论，留给各位看官自行判断。

当然，舆论喧嚣的背后，仍不乏冷静之人。「橘子汽水铺」认为：通用的代价，是速度和深度的局限性。而「赛博禅心」的观点我个人十分认可。

我们可以为 Manus 的成就欢呼，但也要保持清醒的头脑：

相信中国 AI 真正的震撼，永远藏在某栋没有招牌的写字楼里。

我们应做的，是掸去舆论场的浮尘，静观黎明破晓。

当事物不能明朗时，不妨「让子弹飞一会」，我们应该多多学习Manus做得出色的地方，比如产品体验，甚至是营销策略。至于喧嚣和争论，留给时间，一切自会明了。

图上Manus：Graph智能体

Manus的爆火不仅带来了行业内的关注与争议，也为各类垂直领域的智能体开发提供了宝贵的产品思路与设计灵感。作为图计算领域的从业者，我们不禁思考：如果将通用智能体理念与图数据库的专业能力相结合，会擦出怎样的火花？这正是我们开发Chat2Graph的核心理念。接下来，让我们走近这个「图上的Manus」，看看专业领域智能体与通用智能体的设计理念的交集。

Chat2Graph: An Agentic System on Graph Database.

我们想通过这个智能体系统，全面代理「人」与「图数据库」的操作和行为，如建模、导数、查询、分析、运维、问答等。

抖音号「数字游牧人Samuel」也做了Manus深度评测 ^[8]，解析得很接地气，也能看出Manus的关键组件与通用智能体架构的映射关系。这里结合Chat2Graph的几个关键能力，阐述基于Chat2Graph构建「Graph Manus」的方法和思路。

首先，肯定是任务规划推理。对于复杂任务指令，早先是CoT（Chain of Thought）引导大模型逐步思考做任务分解，后来是Reasoning Model（GPT-o1、DeepSeek-R1等）直接内置规划和推理能力，最近有人提到CoA（Chain of Agent） ^[9] 的理念。相比于CoT和推理模型的「隐式」推理架构，CoA描绘了基于智能体的「显式」推理架构。显式推理提供更大的灵活度，可以随心所欲地访问知识库、调用工具，而隐式推理只能通过「思维链API化」才能做到。类似Manus通过多级TodoList实现任务规划，Chat2Graph采用了单Leader多Expert的显式推理架构：Leader负责任务规划推理，Expert负责子任务执行。

然后，聊一下分层记忆系统。智能体记忆系统维护了推理的上下文历史，高质量的记忆召回可以有效降低大模型推理幻觉，避免「大海捞针」的困局。因此，如何对记忆信息有效地管理，保障高质量的召回效果就格外重要。Chat2Graph参考了DIKW知识金字塔 ^[10]的思想，设计了分层的记忆系统，从微观的推理机到宏观的智能体系统多个层面提供高质量的记忆信息。

最后，探讨一下动态智能体生成。Chat2Graph为智能体定义提供了高度简化的配置方案，通过一段配置脚本，轻松定义智能体。

reasoner: # 定义推理机
knowledgebase: # 定义知识库
toolkit: # 定义工具库
agents: # 定义智能体
  - profile: # 定义角色
    workflow: # 定义工作流
      operators:
        - # 定义算子
      chain:
        - # 组装算子链
复制

Chat2Graph默认提供了内置智能体，以保障系统基本功能的运行。作为图智能体系统，通过内置建模、导数、分析等智能体，轻松实现图数据库上的智能对话。同时，借助配置化脚本，编码智能体可以结合具体任务，按需动态生成智能体，进一步扩展智能体系统的能力边界。

以上就着Manus这个话题，我们初步描绘了Chat2Graph构建图上Manus的思路，不论未来事态走向如何，Manus还是为我们提供了宝贵产品设计输入，这里致敬所有AI领域的开发者们。

当前Chat2Graph项目还在紧密研发中，我们计划4月初全面开源，帮助图计算用户实现真正的与图对话，「让天下没有难用的图」，敬请期待。

Chat2Graph项目地址占位：https://github.com/TuGraph-family/chat2graph