AI 时代项目复刻的速度有多快？

周四0:00出的 Manus，

周五晚上10:57 MetaGPT 开始 OpenManus 的第一次提交，

OWL 更夸张，CAMEL AI 在周四凌晨5:37从 Deep Swarm 改名为 OWL 后，开始提交更新。在 GAIA 基准测试，也就是 Manus 超过 OpenAI o1 Deep Research 的同款测试里，其 Level 1 分数达到 81.13，也超过了Deep Research，接近 Manus 的 86.5。

因为现在验证码还是一码难求，很多人还对这两个项目实际效果很感兴趣的，但是项目安装有门槛，尤其是 OWL，光是配 Key 就需要 OPENAI_API_KEY、GOOG_API_KEY、SEARCH_ENGINE_ID、HF_TOKEN、CHUNKR_API_KEY、FIRECRAWL_API_KEY，还需要基础的 python 环境和代码运行知识。

刚好上次我做了 Manus VS OpenAI o1 Deep Research & Claude3.7 Extended thinking，

这次就算是硬刚 Manus 的第二篇，开源篇。

Here we go！

问题一、帮我写一个两个人机对战的贪吃蛇 HTML 游戏？

上来我们先来个难的，

之前测试 o1 Deep Research 的时候，这类游戏类就基本是它的死对头，就算人工将生成好的代码放到本地运行出错率也很高

再次赞一下 Manus 的完成率是真的很高，之前 Grok3 画的 ai game 的饼都快要实现了。

目前 OpenManus 和 QWL 都没有可视化界面，OpenManus主要是通过命令行输入提示语交互，而 QWL 是通过在代码文件里面修改问题文本完成交互，所以我会用 Trae 分别打开两个项目，尽可能把运行过程完整保留下来。

再再再严谨一点，这次的测试时间是03/10/12:00更新到两个项目的最新版本。

蓝色就是我控制的小蛇，OWL 的输出是分回合的 Round，但因为是命令行，一点点观看体验都没有，我用 Claude 总结出了 OWL 的思考步骤：

1. 基础搭建   - 创建 HTML 结构(canvas 元素)   - 设置 CSS 样式(居中显示)   - 初始化 JavaScript 变量和函数   2. 核心功能实现   - 蛇的移动控制(方向键和 WASD)   - 碰撞检测(边界、自身、对手)   - 食物系统(随机生成、得分)   3. 完善与测试   - 添加计分系统   - 实现游戏结束逻辑   - 进行功能测试和验证   

为了保证输出的完整过程，运行的时候可以试试看python owl/run.py > q1.log 2>&1

OpenManus 是会自动写入同目录的logs的，虽然命令行输出还是比较难读，但是好处是给出了执行步骤、当前轮次使用的工具以及思考过程，并且还支持多轮对话。

2025-03-10 00:46:15.765 | INFO     | app.agent.toolcall:think:54 - 🛠️ Manus selected 0 tools to use   2025-03-10 00:46:15.765 | INFO     | app.agent.base:run:137 - Executing step 2/30   2025-03-10 00:46:26.661 | INFO     | app.agent.toolcall:think:53 - ✨ Manus's thoughts:  It looks like you've shared a conversation with an AI assistant called "OpenManus" that involved creating a two-player snake game in HTML. The conversation shows:   

可惜前后2次都生成失败了。我同样让 Claude3.7 总结 OpenManus的思考和执行过程：

一、需求处理      1. 接收中文请求 → 解析双人控制/实时对战需求   2. 识别技术栈 → 选定HTML+CSS+JS组合   二、开发实施      - 对象建模：双蛇独立对象（坐标/颜色/控制）   - 核心逻辑：碰撞检测算法 + 游戏循环控制   - 界面构建：中文面板 + 状态按钮      三、输出响应   1. 生成完整可执行文件： /Users/lhj/AI/OpenManus/games/snake.html   2. 持续验证：30步循环校验控制逻辑与状态同步   3. 明确工具边界：声明专属工具集（PythonExecute/FileSaver）与通用编码能力   核心机制      - 稳定响应：相同请求始终保持代码一致性   - 语义理解：自动关联日志位置（如768行特征声明）   - 路径控制：严格限定输出路径为绝对路径   

问题二、人物心理侧写

收集小米创始人 雷军 的公开发言信息以及互联网上对他的深入分析文章，分析他的世界观，人生观和价值观，穿透决策结果，找到他的决策第一模式。

输出一份关于他内心深处的心理侧写 PDF 报告。

Manus 总结出雷总的决策第一模式是"价值驱动型决策"，这种决策模式以价值观先行、长期主义思维和用户视角优先为核心特征。虽然Manus没有直接输出PDF，但是系统本身支持将txt导出成PDF。

这个问题就是绝对的烧 Token 大头，跑半回我的 API 额度就花完了，伤不起啊，半个回合就花了2.97刀，按照这样计算的话，Manus一个月$200的话都不能算贵。。。

我们看看OWL表现如何，还是通过 Claude3.7 总结：

从日志分析，owl完成任务的过程如下：      1. 信息收集阶段 ：      - 使用搜索工具搜索了"Lei Jun public speeches"      - 获取到三个主要文章来源：        - Lei Jun在印度的英语演讲        - Lei Jun的年度演讲        - 小米造车进展的相关报道           2. 内容分析阶段 ：      - 使用document_processing_toolkit提取并分析了这些文章的内容      - 整理了Lei Jun的世界观、人生观和价值观      - 总结了他的决策风格和领导方式         3. PDF生成尝试 ：      - 尝试使用两个不同的Python库生成PDF：        - 首先尝试使用 fpdf 库        - 然后尝试使用 reportlab 库      - 但两次尝试都失败了，原因是环境中缺少这些库（ModuleNotFoundError）   

只筛选出了3篇文章来源，这个应该是比目前的 Deep Research和 Deep Search系统们的参考网页数要少。优点是并没有产生幻觉，还是得到了雷总的侧写报告。

雷军心理侧写报告      一、世界观   1. 创新与技术作为变革催化剂      - 坚信技术能够改善生活      - 通过小米在智能手机、智能家居和物联网等领域的扩张体现创新承诺         2. 全球视野      - 致力于扩大小米的全球影响力      - 拥抱国际市场和多元化的消费者需求      二、人生哲学   1. 勇气与韧性      - 在面对美国制裁等挑战时展现出坚韧      - 自筹资金投资造车项目，展现冒险精神和长期目标追求   2. 以用户为中心      - 重视用户反馈和互动      - 通过小米社区建立强大的用户基础      三、价值观   1. 专注与卓越      - 鼓励团队在特定领域追求卓越      - 注重产品质量而非数量   2. 社会责任      - 积极支持公益事业      - 强调技术创新与社会发展的结合      四、决策风格与领导力   1. 决策特点      - 战略性和长期导向      - 基于用户反馈做出决策      - 注重可持续发展和创新   2. 领导方式      - 以人为本的管理风格      - 注重团队建设和人才发展      - 营造开放的企业文化      - 具有远见和感召力      五、核心特征   1. 务实真诚的个人风格   2. 强调勇气和突破   3. 重视长期战略目标   4. 亲力亲为的工作态度   5. 注重用户价值和社会影响      结论：   雷军展现出一个既有远见又脚踏实地的科技企业家形象。他的决策模式融合了战略思维、用户导向和社会责任感，形成了独特的领导风格。他的成功源于对技术创新的坚持、对用户需求的关注以及在面对挑战时展现出的勇气与决心。   

我个人是更喜欢 OWL 的总结风格。接下来看看 OpenManus

这次没有输出。。。

这个真不是我刻意黑 OpenManus，运行了两次，它从一开始就卡在了工具调用。因为我还没有把源代码会过一遍（太肝了），但目前OpenManus除了配置 Claude API 就没有其他三方 API 工具（如联网等）的配置了，会不会后续把支持的工具列表放出来。

从日志分析来看，虽然最初的请求是要生成一个关于雷军的心理分析报告，但是由于系统存在以下问题，实际并没有生成内容：      1. 系统行为分析：   - 系统计划执行30个步骤   - 每个步骤中，AI助手都在重复声明它无法使用所需工具   - 没有实际执行内容生成的任务   - 所有步骤都显示"Manus selected 0 tools to use"      2. 主要问题：   - AI助手一直在强调它不能执行Python代码   - 不能保存文件   - 不能访问互联网搜索   - 不能生成PDF   - 但最关键的是它没有转向使用已有知识来完成内容生成的任务   

我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓

问题三、小球跳动

Manus能做出这样丝滑的短视频还是很有意思的，从执行过程，它还去看视频学习如何用Python做一个小球游戏，通过游戏画面来合成视频，还是AI这个新脑子好用。关键是还自动加上了背景音乐。强烈推荐一波完整的运行视频。

# 跳动彩球文生视频制作指令      ## 任务描述   请创建一个简短视频，由三个连续场景组成，每个场景展示不同颜色的背景和跳动的球。总时长不超过10秒，每个片段控制在3秒以内。      ## 视频内容详细说明      ### 镜头1   \```生成一段不超过3秒的视频：纯红色背景上有一个蓝色球从画面底部向上弹跳两次。球体应有轻微的弹性变形和自然的物理运动。画面简洁干净，只有背景和球体。   \```### 镜头2   \```生成一段不超过3秒的视频：纯黄色背景上有一个红色球从画面底部向上弹跳两次。球体运动方式、弹性和物理特性与第一个镜头保持一致。画面同样简洁，只有背景和球体。   \```### 镜头3   \```生成一段不超过3秒的视频：纯蓝色背景上有一个黄色球从画面底部向上弹跳两次。球体运动方式、弹性和物理特性与前两个镜头保持一致。画面同样简洁，只有背景和球体。   \```## 视频制作步骤      1. **生成各场景**      - 按照上述描述分别生成三个短视频片段      - 确保每个片段不超过3秒      - 保持所有场景的分辨率一致（建议1080p）      - 确保球体大小在三个场景中保持一致      2. **视频合成**      - 按顺序直接连接三个视频片段（红背景→黄背景→蓝背景）      - 不需要添加过渡效果，直接切换      - 确保衔接处无明显中断      3. **音频添加**      - 搜索并选择一段简短、活泼的背景音乐      - 音乐长度应与视频总长度匹配（约9秒）      - 建议使用无版权音乐库中的轻快节奏曲目      4. **最终输出**      - 视频格式：MP4      - 总时长：约9秒      请按照以上指令生成视频并提供最终成品。   

OWL 同样是生成了对应代码没有写入文件，也没有下载或者生成对应长度的MP3音频，下面是我用Claude3.7修复后的结果，小球颜色有切换但是背景颜色没有，完成了一半。

到了 OpenManus 这里，又来了三次来回说自己是 Claude 而不是 OpenManus，且否认自己有工具调用能力，我盲猜了一把应该是 logs 日志的问题，OpenManus应该会读取之前的日志，所以当我把之前的日志清理之后会恢复生成运行了。

变聪明了之后，OpenManus采用曲线救国，用SVG和HTML完成了视频效果的展示，小球和背景颜色都有变化，也是没有音乐和没有视频文件，完整度也是一半一半。

问题四、请分析AR眼镜技术和市场的历年变化情况，分析2025年AR眼镜市场的详细走向，并且预测它的未来如何？需要参考对比一些等效的技术方案。

刚刚问了一个主体的专题搜索，现在再来一个宽泛的、有时间跨度的深度搜索问题。之前测评的时候，Manus 的信息搜索和汇总能力是差 OpenAI o1 deep research 一点的，这次发挥超水准了，没有再被网页卡住。

OWL这次一开始使用了视频下载和分析工具，但是没有成功，后续进行了两次搜索AR眼镜的历史发展和AR眼镜的技术进步,有意思的是还可以通过这两次搜索去对应的网页搜索历史版本。

这次 OpenManus 没有拉垮，第一轮就用模型生成了AR眼镜技术和市场分析报告，输出直接给了中文，并给出了明确的结论。估计30步的执行是固定的，所以接下来2-29步就陷入死循环了，持续说明无法使用 PythonExecute、FileSaver、BrowserUseTool 和 Search等工具，并且不断重申自己是 Claude 而不是 OpenManus。这一点估计跟每一轮没有动态更新执行进度有关。

烧不动了，加上前期测试，快烧了我$100了。而且都要用Claude3.7辅助阅读和运行，有点心累。

这次测试我收集了大概二十多个 Manus 运行例子，目前可以粗略分为3类，代码类、信息搜索整理类、外部软件调用类。理论上说，通过调用 API，Manus 还可以完成图片生成和视频合并的操作，也就是我们这一瞬间想到的一句话生成完整AI视频的离谱操作。

不过能完全依靠 API 的软件不多，普通软件调用因为需要登陆，OpenManus 和 OWL 都很容易被卡住。

期待后面能追加上合适的 GUI 界面吧。

在这篇文章收尾的时候，有人破解出了 Manus 虚拟机的代码，直接来说说结论：

• Manus使用的是 Claude Sonnet 模型

• 配备了29个工具

• 使用多代理框架

• 使用了"browser_use"这个开源项目

写在最后

上面的结果输出的 log，

项目对应的版本，以及Manus具体的运行过程，

我也同样放在了之前的Manus链接里面，公众号后台发我Manus就行了。

这时候我应该可以回答标题的疑问了，

OpenManus、OWL更多像是复刻了 Manus 思路的开源项目，它们都存在着一些不完美的地方。

并没有如同我测评前接受的信息一样，

Manus这套工作流没有护城河，都已经被复刻出来了的感觉。

虽然不足，但我还是很兴奋有更多的 Agent 项目出现，

这越来越证明，AI正在开启下一阶段，

而更棒的，即便是全新的阶段，依旧给更多普通人开放了使用空间。

还是那句话，

AI从不是精英适配，

而是人人可用。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料。包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程扫描领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程扫描领取哈）

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程扫描领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程扫描领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程扫描领取哈）

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓