Github超2万星，OpenManus核心作者聊Agent发展趋势

34 0 0

文章摘要

随着推理模型能力的提升，近期关于Agent 技术的讨论热度显著上升。3月5日晚，Manus的Demo展示引发了全网关注，随后国内DeepWisdom MetaGPT团队和CAMEL AI团队分别开源了OpenManus和OWL项目，复刻了Manus的功能，进一步推动了技术社区的广泛讨论。OpenManus团队凭借MetaGPT的技术积累，仅用1小时完成了核心系统，并在3小时内实现了快速上线，迅速在Github上获得过万星标，成为行业焦点。3月8日，锦秋基金邀请OpenManus的三位核心作者分享了技术实现原理及Agent技术的发展趋势。

在分享中，三位嘉宾深入探讨了Agent技术的现状与未来。他们指出，随着大模型能力的增强，单模型在单函数代码生成等简单任务上已表现出色，但在复杂和长尾问题上仍需大量技术优化，例如解决幻觉问题、提升规划能力等。Agent的规划能力不仅依赖于模型本身的提升，还需要外部结构的辅助。此外，随着工具数量的增加，如何让Agent在众多相似工具中做出准确决策，成为技术难点之一。在memory管理方面，当前的研究主要集中在成本与效率的优化上，多智能体或工具辅助的方式被广泛采用。

OpenManus的设计思路强调极简与可扩展性，通过可插拔的Tools和Prompt组合，实现了灵活的任务处理。OpenManus继承了Manus的规划优势，通过PlanningTool实现任务分解，能够处理现实世界中的复杂问题。其工作流程包括任务规划、动态分配Agent以及任务执行，未来还将引入标准化评测、拓展模型适配、实现容器化部署等优化措施。

MetaGPT团队在AI场景自动化和智能体框架上已有多年技术积累，开源了包括MetaGPT、Data Interpreter、AFlow等多个项目。这些项目通过原子化拆解问题、集成标准操作流程（SOP）以及增强规划能力，显著提升了复杂任务的处理效果。例如，Data Interpreter在数据建模和机器学习任务上已达到初级数据分析师的水平，而AFlow通过蒙特卡洛树搜索实现了多智能体组合的自动优化。

在商业化落地方面，Agent的成功关键在于将真实场景中的任务和效果做到极致，提升任务成功率，满足用户需求。当前Manus、OpenManus等Agent的成本较高，未来将通过优化token消耗、集成多个小模型等方式降低成本。此外，随着技术的不断演进，Agent在工具使用、memory管理、规划能力等方面的进步，将为其在更广泛场景中的应用奠定基础。

总体而言，Agent技术的发展正处于快速迭代阶段，未来将通过模型能力的提升、外部结构的优化以及商业化场景的深入探索，逐步实现更高效、更智能的任务处理能力。