Manus & OpenManus

מה זה Manus

Manus הוא agent אוטונומי לשימוש כללי מבית Butterfly Effect — חברה שנוסדה בסין ומבוססת בסינגפור, המוכרת גם דרך מוצר ה-AI שלה Monica. Manus יצא ל-beta בהזמנה בלבד ב-6 במרץ 2025 והפך מיד לוויראלי כ"general AI agent" הראשון שמוצג לקהל רחב. הרעיון פשוט: נותנים לו מטרה בשפה חופשית ("נתח את המניה הזו ובנה דוח," "סנן 200 קורות חיים לפי הקריטריונים האלה," "תכנן טיול בטוקיו"), והוא מבצע את כל השרשרת בעצמו — מתכנן, גולש באתרים, מריץ קוד, מאמת ומפיק קובץ מוגמר.

טכנית, Manus אינו מודל חדש אלא orchestration layer מעל מודלים קיימים: לפי הדיווחים הוא מריץ את משפחת Claude של Anthropic ל-reasoning, לצד גרסאות fine-tuned של Qwen מבית Alibaba. כל משימה רצה בתוך sandboxed VM בענן (Linux), עם דפדפן Chromium אמיתי, מריץ Python ו-shell, ומערכת קבצים — כך שהוא יכול לעבוד אסינכרונית גם כשהלשונית סגורה. זהו מוצר SaaS קוד-סגור עם תמחור credit-based: נכון ל-2026, התמחור כולל מסלול חינמי, מסלול בסיסי בכ-$20 בחודש, מסלול ביניים בכ-$40 ומסלול מורחב בכ-$200 בחודש (אלפי credits לפי המסלול). המחירים והשמות משתנים מעת לעת.

Manus תפס כותרות בזכות תוצאות GAIA (General AI Assistants benchmark) — מבחן שמודד agents על משימות עולם-אמיתי הדורשות תכנון רב-שלבי ושימוש בכלים חיצוניים. החברה דיווחה על תוצאות state-of-the-art בשלוש הרמות (סביב 86% ב-Level 1, 70% ב-Level 2 ו-58% ב-Level 3), גבוה מ-OpenAI Deep Research. חשוב לסייג: אלה מספרים שדווחו על-ידי החברה ולא תמיד אומתו באופן בלתי-תלוי, ולכן יש להתייחס אליהם בזהירות.

מה זה OpenManus

OpenManus הוא הרפליקה הפתוחה של אותו רעיון, ובניגוד למה שמופץ ברשת — הוא לא פרויקט אנונימי קטן. ה-repo הקנוני הוא FoundationAgents/OpenManus (לשעבר mannaandpoem/OpenManus), שנכתב על-ידי הצוות שמאחורי MetaGPT: Xinbin Liang‏ (@mannaandpoem), Jinyu Xiang ואחרים. הפרויקט נבנה בערך בשבוע אחרי ש-Manus עלה לכותרות, נכתב כמעט כולו ב-Python‏ (~97.8%), חלק תחת רישיון MIT, וצבר עשרות אלפי כוכבים (מעל 56k בזמן כתיבת המאמר) — אחד מפרויקטי ה-agent הפתוחים הגדולים בעולם.

בשורה התחתונה: Manus הוא המוצר הסגור והמלוטש; OpenManus הוא ה-framework הפתוח שאפשר לקרוא, לעשות לו fork ולהריץ מקומית כדי להבין איך agent כללי באמת בנוי מבפנים.

איך זה עובד — הארכיטקטורה

בלב שתי המערכות עומד עיקרון אחד: ה-agent לא בוחר מתוך תפריט קבוע של tool calls בפורמט JSON, אלא כותב ומריץ קוד כדי לפעול. זוהי הגישה שזכתה לשם CodeAct בספרות — קוד הוא שפת הפעולה. במקום schema נוקשה של "קרא לפונקציה X עם הפרמטרים האלה," ה-agent פולט קטע Python, ה-sandbox מריץ אותו, וה-stdout/stderr חוזרים כ-observation. כך מקבלים לולאות, תנאים, טיפול בשגיאות וקומפוזיציה של מספר כלים בקריאה אחת — דבר שב-tool-calling רגיל היה דורש סבבים מרובים.

            +-----------------------------+
            |        Manus / ToolCall      |
            |   agent  (the ReAct loop)    |
            +--+-------------+----------+--+
               |             |          |
               v             v          v
        +------+----+  +-----+----+  +--+-------+
        | PythonExec |  | Browser  |  |  Editor  |
        | (sandbox)  |  | (playwr.)|  |  / files |
        +------+----+  +-----+----+  +--+-------+
               |             |          |
               +------+------+----------+
                      v
              +-------+--------+
              |  LLM backend   |
              |  Claude / Qwen |
              |  / OpenAI-comp |
              +----------------+

מחזור הריצה הוא ה-ReAct הקלאסי — Think → Act → Observe — שחוזר עד שהמשימה הושלמה:

1. Think — ה-LLM מנתח את המצב הנוכחי ומחליט על הצעד הבא.
2. Act — ה-agent קורא לכלי: מריץ Python ב-sandbox, מבצע פעולת דפדפן, או עורך קובץ.
3. Observe — הפלט (stdout, תוכן דף, שגיאה) חוזר להקשר, וה-LLM מתכנן מחדש.

OpenManus מציע גם מצב multi-agent (דרך run_flow.py) שמפצל משימה בין agents מומחים, אבל ה-README עצמו מסמן אותו כ-unstable — המסלול היציב הוא ה-agent היחיד דרך main.py.

התקנה והגדרה

OpenManus דורש Python 3.12. הדרך המומלצת ב-README היא uv (מנהל החבילות המהיר של Astral), אך גם conda עובד. עם uv:

curl -LsSf https://astral.sh/uv/install.sh | sh
git clone https://github.com/FoundationAgents/OpenManus.git
cd OpenManus
uv venv --python 3.12
source .venv/bin/activate
uv pip install -r requirements.txt

לחלופין, עם conda:

conda create -n open_manus python=3.12
conda activate open_manus
git clone https://github.com/FoundationAgents/OpenManus.git
cd OpenManus
pip install -r requirements.txt

לכלי הדפדפן צריך להתקין את ה-browsers של Playwright פעם אחת:

playwright install

הקונפיגורציה נשענת על קובץ TOML יחיד. מעתיקים את התבנית ועורכים את המפתחות:

cp config/config.example.toml config/config.toml

# config/config.toml
[llm]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."
max_tokens = 4096
temperature = 0.0

[llm.vision]
model = "gpt-4o"
base_url = "https://api.openai.com/v1"
api_key = "sk-..."

שדה ה-base_url הוא הסיבה ש-OpenManus אגנוסטי לספק: כל endpoint תואם-OpenAI (כולל פרוקסי ל-Claude או מודל מקומי דרך Ollama / vLLM) עובד בלי שינוי קוד. כדי להפעיל את ה-DataAnalysis agent (כבוי כברירת מחדל ודורש תלויות נוספות) מוסיפים:

[runflow]
use_data_analysis_agent = true

הרצה

אחרי ההגדרה יש שלוש נקודות כניסה, לפי מה שצריך:

# ה-agent הכללי (המסלול היציב)
python main.py

# גרסת MCP — טוען כלים דרך Model Context Protocol
python run_mcp.py

# גרסת multi-agent — מסומנת unstable ב-README
python run_flow.py

main.py פותח prompt אינטראקטיבי: מתארים משימה בשפה חופשית, וה-agent רץ בלולאת Think/Act/Observe מול הכלים שהוגדרו — PythonExecute, BrowserUseTool, StrReplaceEditor ועוד — עד שהוא מסיים ומחזיר את התוצר. run_mcp.py חושף את אותו loop כשהכלים מגיעים מ-MCP servers, מה שהופך אותו לבסיס נוח לחיבור כלים חיצוניים.

מתי להשתמש בכל אחד

Manus מתאים כשרוצים תוצאה מהר בלי תחזוקה: ממשק מלוטש, VM בענן, ריצה אסינכרונית ותמיכה מובנית בייצור מצגות/אתרים/דוחות. החיסרון הוא קופסה שחורה במודל credits — אין שליטה על המודל מתחת, על ה-prompts או על נתיב הביצוע, והעלות מצטברת לפי מורכבות.

OpenManus מתאים כשרוצים להבין ולשלוט: כל ה-prompt engineering, הגדרת הכלים ולולאת ה-agent גלויים וניתנים לעריכה. מריצים על המפתחות שלכם (כל מודל תואם-OpenAI), עושים fork, מוסיפים כלים, וצופים ב-logs כדי לראות בדיוק מה ה-agent חשב ולמה. זהו ה-reference הנקי ביותר ללמוד ממנו איך agent כללי בנוי מבפנים — ומניסיון, זו בדיוק הסיבה שכדאי לפתוח אותו לפני שבונים שכבת agents משלכם: לראות איך נראית לולאת Think/Act/Observe אמיתית, איך הכלים מחווטים ואיפה ה-prompts יושבים, חוסך שעות של ניחושים.

מגבלות וגוצ'ות

כמה דברים שכדאי לדעת מראש:

• ה-multi-agent עדיין unstable. ה-README מסמן זאת מפורשות — אל תבנו production flow על run_flow.py בלי בדיקות.
• הרצת קוד שרירותית = סיכון. agent ש"מריץ Python כדי לפעול" יכול בעיקרון לעשות הכל על המכונה. הריצו ב-container או VM מבודדים, עם הגבלת רשת, ולא על סביבת ה-host שלכם.
• תלות במודל וב-budget. איכות הריצה תלויה ישירות במודל שמאחורי config.toml; מודל חלש יוצר לולאות כושלות שצורכות tokens. הגדירו max_tokens ותקרת צעדים.
• הזיות בדפדפן. כמו כל agent שגולש, הוא עלול לפרש שגוי דפים דינמיים או להיתקע מול CAPTCHA / login walls.
• Manus אינו חלק מ-Meta. Meta הכריזה בדצמבר 2025 על כוונה לרכוש את Manus (בשווי מדווח של 2–3 מיליארד דולר), אך הרגולטור הסיני (NDRC) חסם את העסקה ב-27 באפריל 2026. כל אזכור ל"Manus by Meta" שגוי.

מקורות

OpenManus: github.com/FoundationAgents/OpenManus (MIT, צוות MetaGPT) · Manus: manus.im (Butterfly Effect / Monica, SaaS קוד-סגור) · רקע נוסף: Wikipedia — Manus (AI agent).