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。
昨天，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
  • 最新“prompt越狱”显示ManusAI是Claude Sonnet + 29个工具
  • Manus AI能力洞察分析
  • Manus AI技术架构洞察
  • ManusAI强调任务拆解和Prompt自动优化
  • ManusAI官方否认这是一个单AI Agent框架以及是如此简单的设计


    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：
    1. 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。
    2. 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。
    3. 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。
    4. 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：
    1. 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。
    2. 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。
    3. 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。
    1. 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。
    2. 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。