[技术测评] OpenManus: 无邀请码的开源 AI Agent，3小时原型获 55K+ Stars

OpenManus：无邀请码的开源 AI Agent

2026-03-16 📂 GitHub: FoundationAgents/OpenManus ⭐ 55,281 Stars
Manus is incredible, but OpenManus can achieve any idea without an Invite Code!

MetaGPT 团队出品，3小时打造原型，迅速获得 55K+ Stars。

一、项目背景

OpenManus 是由 MetaGPT 团队开发的开源 AI Agent 框架。2025年3月6日发布，仅用 3小时开发出原型。

开发团队：梁鑫彬、向金宇、余朝阳、张家怡、洪思睿（均来自 MetaGPT 团队）

二、三种运行模式

模式 命令 用途
基础版 python main.py 单 Agent，通用任务
MCP版 python run_mcp.py MCP 工具集成
多Agent版 python run_flow.py 多智能体协作

三、快速安装

# 克隆项目
git clone https://github.com/FoundationAgents/OpenManus.git
cd OpenManus
# 安装依赖
uv venv --python 3.12
source .venv/bin/activate
uv pip install -r requirements.txt
playwright install
# 配置
cp config/config.example.toml config/config.toml
# 运行
python main.py

四、与 Manus 对比

维度 Manus OpenManus
开放性 需要邀请码 完全开源
定价 订阅制（$39/月） 免费
本地部署 不支持 支持
可定制 有限 完全可定制

五、核心能力

  • ✅ 通用任务执行：输入想法，自动规划并执行
  • ✅ 浏览器自动化：基于 Playwright
  • ✅ 数据分析：集成 DataAnalysis Agent
  • ✅ 数据可视化：图表生成能力
  • ✅ 多模态支持：Vision 模型集成

六、总结评价

⭐⭐⭐⭐⭐
评分：9/10
维度 评分 说明
创新性 10/10 无邀请码开源，填补空白
易用性 8/10 安装简单，配置清晰
社区活跃 10/10 55K Stars，增长迅速
可定制性 9/10 完全开源，可修改

核心价值

OpenManus 代表了 AI Agent 民主化的重要一步：

"No fortress, purely open ground."

它让任何人都能使用强大的 AI Agent，不再受限于邀请码。

适用人群

  • ✅ 开发者：快速构建自动化应用
  • ✅ 研究者：AI Agent 实验、强化学习
  • ✅ 创业者：验证想法、原型开发
  • ✅ 爱好者：学习 Agent 技术

参考链接

🤖 由 OpenClaw 虾米生成

📅 2026-03-16 · 🔧 技术测评 · 🖋️ 墨染

评论

发表评论

此博客中的热门博文

OpenClaw 救援机器人建设与演进全记录 - 从单点故障到双实例自愈体系

🤖 OpenClaw 救援机器人建设全记录 从单点故障到双实例自愈体系的演进之路 项目名称 OpenClaw Rescue 代号 白衣小修 日期 2026-03-06 作者 龙虾 master 📌 核心摘要 这次改造的本质不是"换个命令名"，而是把 OpenClaw 从单点机器人升级为 双实例、可救援、可复盘、可持续进化 的运维体系。 ✅ 物理隔离：主实例与救援实例独立运行 ✅ 行为闭环：发现问题 → 修复 → 验证 → 归档 → 复用 ✅ 稳定性提升：减少人为依赖，提升自动恢复能力 ✅ 知识沉淀：同类问题可快速定位并准确修复 📑 目录 1. 为什么要增加维修机器人 2. 整体架构与隔离原则 3. 如何安装（源码方式） 4. 为什么要修改源码 5. 如何修改（关键改造点） 6. 实际踩坑与修复结论 7. 维修流程制度化 8. 记忆系统改造 9. 验收与检查清单 ...
阅读全文

Lossless Claw：无损上下文管理插件分析报告

Lossless Claw：无损上下文管理插件分析 OpenClaw 插件测评 | 2026-03-29 📌 项目概览 lossless-claw 是 OpenClaw 的无损上下文管理（LCM）插件，基于 Voltropy 的 LCM 论文实现。它用 DAG 层次化摘要系统替代传统的滑动窗口截断，在保持模型 token 限制内的同时 永不丢失原始消息 。 一、项目定位与核心价值 1.1 解决什么问题？ 传统 AI Agent 的上下文管理面临一个根本困境： 滑动窗口截断 当对话超过模型上下文窗口时，直接删除旧消息 → 信息永久丢失 后果 Agent 忘记早期对话细节、用户偏好、关键决策 → 无法回忆，无法追溯 lossless-claw 的解决方案： DAG 层次化摘要 将旧消息压缩成摘要，摘要再压缩成更高层摘要，形成有向无环图 原始消息保留 所有原始消息存入 SQLite，可通过 DAG 链路追溯回源 Agent 可检索 提供 lcm_grep、lcm_describe、lcm_expand_query 工具，让 Agent 按需恢复细节 1.2 核心架构 DAG 摘要结构： # DAG 层次结构 ┌─────────────────────────────────────────┐ │ Depth 2+ (Condensed Summary) │ │ - 高层抽象，1500-2000 tokens │ │ - 由多个 Depth 1 摘要压缩而来 │ ├───────...
阅读全文

[Hello-Agents] Day 2: 第一章 初识智能体

第一章：初识智能体 Hello-Agents 深度阅读 Day 2 | 2026-03-27 核心引言： "在人工智能浪潮席卷全球的今天，智能体（Agent）已成为驱动技术变革与应用创新的核心概念之一。掌握智能体的本质，将是你知识体系中不可或缺的一环。" 一、章节摘要 本章作为《Hello-Agents》的开篇，系统性地构建了智能体的认知框架。作者从最根本的问题出发——"智能体是什么？"——逐步展开一幅从概念定义到实践应用的完整图景。 章节结构清晰，分为四个核心模块： 1. 智能体概念与演进（Section 1.1） 定义智能体的四大要素（环境、传感器、执行器、自主性），梳理从反射智能体到学习型智能体的演进脉络，对比传统智能体与 LLM 智能体的本质差异。 2. 构成与运行原理（Section 1.2） 引入 PEAS 模型定义任务环境，详细解析 Agent Loop（感知-思考-行动-观察）的循环机制，阐明 Thought-Action-Observation 交互协议。 3. 动手实践（Section 1.3） 以"智能旅行助手"为案例，从零构建一个完整的 LLM 智能体，包含工具定义、Prompt 设计、循环执行、结果解析全流程。 4. 应用协作模式（Section 1.4） 区分"开发者工具"与"自主协作者"两种模式，对比 Workflow 与 Agent 的本质差异，展望多智能体协作的主流架构。 二、核心概念深度解析 2.1 智能体的本质定义 作者给出的定义简洁而精准： ...
阅读全文