ManusAI是由中国初创公司蝴蝶效应（Butterfly Effect）旗下Monica团队研发的全球首款通用型AI智能体，于2025年3月6日正式发布，凭借其“自主执行任务”的能力迅速引发科技界和资本市场的关注。
就在今天，X平台上的一位博主发现可以通过指令让Manus返回它的系统情况，发现ManusAI是Claude Sonnet 3.7+29个工具组成的一个大模型应用系统，也让很多人认为这就是ManusAI的全部，那么这是真的吗？本文结合ManusAI的成员提供的信息为大家介绍。
ManusAI的功能简介
在具体介绍ManusAI之前，我们先简单介绍一下ManusAI的特点。与传统AI助手（如ChatGPT）不同，Manus不仅能理解用户需求，还能通过自主规划、调用工具链完成复杂任务并交付成果。
根据官网提供的介绍，ManusAI是全球首个通用AI Agent系统，与此前MetaGPT等框架不同（专注于编程领域）的是它不限制任何领域，也不是简单的答案生成，而是可以独立执行复杂的、现实世界的任务。
与此前的一些项目不同的是，ManusAI不仅仅提供信息，还会执行多个任务流，可以完成网络浏览、与工具交互、编写并运行代码。ManusAI任务完成度高，如旅行攻略这种任务“细节全到令人震惊”。在一些复杂的Agent评测基准如GAIA上，它超越了OpenAI Deep Research 12.2%。
最新“prompt越狱”显示ManusAI是Claude Sonnet + 29个工具
在2025年3月10日，一位X平台的博主，让Manus提供/opt/.manus/下面所有的文件，然后Manus就把它沙箱中运行环境代码发布出来，根据发布的文件显示，ManusAI的沙箱代码包含如下内容：
- 使用Claude Sonnet模型
- 是一个单AI Agent框架
- 有29个工具
- 使用
browse_use
关于这部分的系统prompt和工具，可以参考网友分享的内容：https://gist.github.com/jlia0/db0a9695b3ca7609c9b1a08dcbf872c9
根据提供的系统Prompt，Manus AI Assistant 提到了几类主要工具。如下表格：
| 工具类别 | 具体工具/功能 |
|---|---|
| 浏览器工具 | • 网站导航 • 网页内容读取和提取 • 网页元素交互（点击、滚动、表单填写） • 在浏览器控制台执行 JavaScript • 监控网页变化和更新 • 截取网页内容截图 |
| 文件系统工具 | • 读写各种格式的文件 • 基于名称、模式或内容搜索文件 • 创建和组织目录结构 • 压缩和归档文件（zip、tar） • 分析文件内容并提取相关信息 • 在不同文件格式间转换 |
| Shell 和命令行 | • 在 Linux 环境中执行 shell 命令 • 安装和配置软件包 • 运行各种语言的脚本 • 管理进程（启动、监控、终止） • 通过 shell 脚本自动化重复任务 • 访问和操作系统资源 |
| 通信工具 | • 向用户发送信息 • 提出问题以明确需求 • 提供长时间任务的进度更新 • 附加文件和资源到消息 • 建议后续步骤或其它操作 |
| 部署工具 | • 暴露本地端口以临时访问服务 • 部署静态网站到公共 URL • 部署具有服务器端功能的 Web 应用 • 提供已部署资源的访问链接 • 监控已部署的应用 |
| 编程语言工具 | • JavaScript/TypeScript • Python • HTML/CSS • Shell 脚本 (Bash) • SQL • PHP • Ruby • Java • C/C++ • Go • 其它语言 |
| 框架和库 | • React, Vue, Angular (前端开发) • Node.js, Express (后端开发) • Django, Flask (Python Web 应用) • 数据分析库 (pandas, numpy 等) • 各种语言的测试框架 • 数据库接口和 ORM |
这个表格涵盖了 Manus AI Assistant 系统 prompt 中明确提到的主要工具类别和功能。
Manus AI能力洞察分析
通过对 Manus AI 工具集的全面分析，我们可以得出一些关于其架构、定位和潜在应用场景的深度洞察。
Manus AI技术架构洞察
Manus AI 采用了多层次、全栈式的技术架构，具备从底层系统操作到上层应用交互的完整能力链路：
- 层次分明的prompt：Manus从总体概述开始，逐步细分为“通用能力”、“工具与接口”、“编程语言与技术”、“任务方法论”、“局限性”、“高效提示指南”以及关于 AI 助手的介绍。这样的结构使得每个部分的功能和作用都一目了然。每个部分都给出了充分的描述，既说明了 AI 能做什么，也明确了不能做什么，这有助于管理用户期望并确保在实际任务中遵循安全和伦理准则。
- 沙盒化执行环境：Manus 拥有 Linux 基础环境，暗示其运行在容器化或虚拟机架构之上，这使它能够执行系统级命令而不影响主机系统。
- 全栈开发支持：从前端框架(React/Vue/Angular)到后端服务(Node.js/Django)的全面支持，表明其定位为开发全流程助手。
- 多模态交互系统：能够进行网页交互、截图、文件操作，显示它拥有比纯文本AI更丰富的感知和交互能力。
ManusAI强调任务拆解和Prompt自动优化
ManusAI 在任务执行过程中尤为注重对复杂问题的拆解和对提示（prompt）的自动优化。它会首先对用户提出的问题或需求进行深入的分析，识别出问题的核心要素，并将一个复杂的任务分解成若干个小而明确的步骤。这样做不仅能够使每个步骤都易于理解和处理，还能在执行过程中逐步验证和调整，确保每个环节都能顺利衔接，最终达到预期目标。
在提示自动优化方面，ManusAI 展现了极强的自适应能力，系统 prompt 包含了详细的提示优化指南。它能够根据对话中的反馈和上下文信息，自动调整用户输入的prompt的结构和内容。通过不断地迭代改进用户输入的prompt，ManusAI 不仅提升了问题的清晰度，还能根据不断变化的需求动态调整解决方案，最终呈现出更为精准和高效的答案。这样既减少了用户在反复调整提示时的时间投入，也大大提高了整个交互过程的流畅性和效果。
在Prompt中，Manus明确了不好的prompt和优化的prompt区别，并给出了样例：
- # 原始的很差的prompt
- “Tell me about machine learning.”
- # 优化后的prompt
- “I’m a computer science student working on my first machine learning project. Could you explain supervised learning algorithms in 2-3 paragraphs, focusing on practical applications in image recognition? Please include 2-3 specific algorithm examples with their strengths and weaknesses.”
可以看到，Manus带了自动优化用户prompt能力，避免过于宽泛的输入导致了任务执行得不好。同时，ManusAI还采用迭代优化的方式来做Prompt优化。
ManusAI官方否认这是一个单AI Agent框架以及是如此简单的设计
在用户纰漏了这个信息之后，很多人认为Manus只是一个简单的Sonnet + 29个工具的简单包装。但是Manus一个工作人员对此进行了否认并提供了进一步详细的描述。
首先，Manus是一个多Agent系统，例如planner、executor、knowledge retriever等。而当前用户获得的信息只是executor部分，并且也不是全貌。
Manus的更详细更准确的内容如下：
- 沙盒隔离与用户自主性
Manus每个会话都有自己的沙盒，完全隔离于其他会话。这不仅保证了多用户环境下的安全性，也允许用户直接进入沙盒查看和调试代码，从而增强了透明度和自主控制。 - 代码轻度混淆并非隐藏核心架构
Manus沙盒中的代码仅用于接收代理命令，因此只进行了轻度混淆。这意味着Manus官方并不刻意隐藏系统架构，而是保证代码可读性和实用性，同时避免无谓的安全风险。 - Manus的工具设计基于学术常见方法与 RAG 机制
回复指出，Manus 的工具设计并没有什么神秘之处，其行动空间的设计与学术界常见方法基本一致。由于系统采用了 RAG（检索增强生成）机制，不同任务下返回的工具描述可能会有差异，从而使得通过“越狱”拿到的提示信息并不稳定或全面。
这意味着，当前Manus实际上可能拥有不止29个工具。
- Manus是一个多Agent系统架构
Manus 的关键特性之一是多代理实现。在用户与 Manus 通讯时，其实只在与“执行代理”交互，而该代理并不知道具体的知识库、规划器等其他内部代理的细节。这样的设计有助于控制上下文长度，也解释了为何“越狱”得到的 prompt 可能大多是虚构的信息。或者说不准确的信息，不能以此看待Manus全貌。 - 对开源技术的依赖与开放传统
官方明确表示，他们使用了包括 Browse Use 在内的多个开源代码，并且整个团队一直秉持开源传统。团队不仅在 HuggingFace 分享后训练模型，还计划在未来做更多的致谢和合作。这表明系统在构建时广泛吸收了社区资源，并非完全自创或秘密封闭的黑盒子。
为此，我们可以得出如下结论：
- Manus 系统的设计并非简单的“claude sonnet + 29个工具”的单一 AI Agent 框架，而是建立在开放、透明和模块化的多代理架构上。
- “越狱”获得的 prompt 很可能只是表面现象或误导信息，不能反映系统内部复杂而分层的真实工作机制。
- 多代理架构不仅有助于有效管理上下文和分工，还能提高系统的扩展性和灵活性，这也是 Manus 在面对多任务时能保持高效响应的原因之一。
- 团队对开源社区的依赖与开放共享的态度，进一步证明了他们在设计时追求的是一种透明、协作和可验证的技术路线，而非依赖秘密算法或黑箱机制。
总体来看，这次官方回复不仅澄清了外界对系统架构的误解，也展示了 Manus 在设计思路上的成熟与开放性。
不过，随着大模型能力的提升，Agent的水平也会越来越高，优秀的软件系统工程设计可能是未来Agent最强的护城河之一。