OpenManus-Preise und API-Einrichtung: das kostenlose Programm, die Tokenrechnung und die Konfiguration, die veraltet ausgeliefert wird

OpenManus kostet 0 $. Es ist MIT-lizenzierte Open-Source-Software ohne Plan, kostenpflichtigen Tarif, Lizenzschlüssel oder gehostete Version. „OpenManus pricing“ bezieht sich daher vollständig auf die Modell-API-Rechnung dahinter – plus zwei Cloud-Dienste, die optional und standardmäßig deaktiviert sind. Der für die Budgetplanung relevante Wert ist, was ein Agentenlauf sendet. Die Einstellung, die ihn am ehesten verfälscht, ist die von OpenManus selbst mitgelieferte Konfigurationsdatei: Sie verwendet weiterhin standardmäßig eine Claude-Modell-ID, die am 19. Februar 2026 zurückgezogen wurde, und wird trotzdem geladen, wenn Sie den Kopierschritt überspringen.

Zunächst eine Klarstellung, denn die Suchergebnisse zu dieser Anfrage beziehen sich größtenteils auf etwas anderes. Manus ist ein separates kostenpflichtiges, kreditbasiert abgerechnetes kommerzielles Produkt eines anderen Unternehmens, und seine kommerzielle API unter api.manus.ai ist wiederum eine dritte Sache. Auf dieser Seite erscheint kein Manus-Preis: manus.im/pricing wird clientseitig gerendert und konnte am 21. September 2026 nicht aus der offiziellen Quelle gelesen werden; die in Drittanbieter-Blogs kursierenden Zahlen sind nicht offiziell. Prüfen Sie manus.im direkt, wenn Sie dieses Produkt meinen.

Fünf Dinge namens Manus oder OpenManus

Der Umzug ist wichtiger, als es klingt. Die eigene Homepage des Projekts, openmanus.github.io – das homepage-Feld im aktiven Repository – verlinkt Leser weiterhin auf den alten Pfad mannaandpoem, ebenso wie die meisten Tutorials aus dem Jahr 2025. Das aktuelle Repository wurde am 21. September 2026 über die GitHub API geprüft: archived: false, MIT, 58.367 Sterne, 455 offene Issues, letzter Push am 22. August 2026, mit dem letzten Commit auf main vom 16. August 2026. Auch auf GitHub gibt es zwei separate Projekte mit demselben Namen – OpenManus/OpenManus-RL ist ein anderes Reinforcement-Learning-Projekt, und henryalps/OpenManus ist ein Repository mit demselben Namen, das in den Ergebnissen erscheint und über die Bestätigung seiner Erreichbarkeit hinaus nicht untersucht wurde.

Was kostenlos ist und was Ihnen tatsächlich berechnet wird

Die Installation erfolgt ausschließlich aus dem Quellcode: conda create -n open_manus python=3.12 oder uv venv --python 3.12, anschließend ein git clone des aktuellen Repositorys. Es gibt keine Paketinstallation in einer einzigen Zeile, und setup.py legt python_requires=">=3.12" fest.

Wo der OpenManus-API-Schlüssel eingetragen wird

Für den Schlüssel gibt es weder eine Umgebungsvariable noch ein Kommandozeilen-Flag. Bring-your-own-Key in OpenManus erfolgt über eine TOML-Datei: Kopieren Sie config/config.example.toml nach config/config.toml und setzen Sie anschließend model, base_url und api_key unter [llm].

# config/config.toml — copy config.example.toml here first, then edit.
# If this file does not exist, OpenManus loads the example file instead.
[llm]
model = "claude-sonnet-4-6"
base_url = "https://api.kunavo.com/v1"
api_key = "sk-kn-..."
max_tokens = 8192
temperature = 0.0

# Sub-tables of [llm] are profiles, selected by the AGENT's name lower-cased,
# and they inherit every key you leave out. "manus" is the agent main.py runs;
# "mcp_agent" is the one run_mcp.py runs.
[llm.mcp_agent]
model = "claude-haiku-4-5"

Der Client wird in LLM.__init__ in app/llm.py ausgewählt, und nur zwei Werte von api_type bewirken eine Änderung: "azure" erstellt einen AsyncAzureOpenAI-Client und "aws" erstellt einen Bedrock-Client. Alles andere — einschließlich der Werte ollama, jiekou und ppio in den eigenen Beispieldateien von OpenManus — fällt auf einen einfachen AsyncOpenAI(api_key, base_url) zurück. Diese Bezeichnungen sind Dokumentation, keine Codepfade. Um einen OpenAI-kompatiblen POST /chat/completions-Endpunkt zu erreichen, benötigen Sie daher base_url und api_key und überhaupt keinen Wert für api_type; was dieser Endpunkt anschließend unterstützen muss, ist eine separate Frage, und die folgende Liste ist kurz, aber real. Der Endpunkt von Kunavo hat diese Form — https://api.kunavo.com/v1, Bearer-Authentifizierung, sk-kn--Schlüssel, und ein nicht authentifizierter GET /v1/models-Aufruf liefert 401 — und akzeptiert OpenAI-kompatible tools und tool_choice, die der Agenten-Loop von OpenManus sendet. Das ist eine Aussage über die Protokollform, geprüft am 21. September 2026. Es wurde kein OpenManus-Lauf gegen Kunavo durchgeführt, daher ist nichts auf dieser Seite ein Kompatibilitätstest.

Drei Anforderungen, die Ihr Endpunkt erfüllen muss, aus dem aktuellen main abgelesen, sowie eine Sache, die OpenManus nicht für Sie erledigt. ask_tool setzt stream = False fest und sendet immer tools zusammen mit tool_choice (Standardwert auto), daher unterbricht ein Endpunkt, der Tool-Aufrufe ausschließlich streamt, den Loop. max_tokens und temperature werden bei jeder Anfrage gesendet, außer die Modell-ID lautet wörtlich o1 oder o3-mini, die beiden Einträge in REASONING_MODELS. Der Code liest usage.prompt_tokens und usage.completion_tokens direkt aus der Antwort. Außerdem gibt es keinen anbieterübergreifenden Retry: Fehler werden über tenacity mit exponentiellem Backoff erneut an denselben Endpunkt gesendet.

Die beiden offiziellen Starter-Konfigurationen widersprechen sich

Das ist die Falle, auf die Sie vorbereitet sein sollten. OpenManus liefert zwei offizielle Starter-Konfigurationen aus, die sich widersprechen, und keine der beiden Dateien erwähnt die jeweils andere.

Auf der Stilllegungsseite von Anthropic wird claude-3-7-sonnet-20250219 als „Retired“ mit einem Stilllegungsdatum am 19. Februar 2026 aufgeführt; außerdem wird angegeben, dass Anfragen an eingestellte Modelle fehlschlagen. Als empfohlener Ersatz wird claude-sonnet-4-6 genannt. Diese Daten gelten für von Anthropic betriebene Plattformen — Amazon Bedrock und Google Cloud haben eigene Zeitpläne. Das README ist die aktuellere der beiden Dateien, wodurch die übliche Annahme umgekehrt wird, dass das mitgelieferte Beispiel maßgeblich ist.

Und die veraltete Konfiguration ist auch die Standardkonfiguration. Config._get_config_path() in app/config.py gibt config/config.toml zurück, wenn diese existiert, andernfalls config/config.example.toml, und löst nur dann einen Fehler aus, wenn keine der beiden vorhanden ist. Ein erster Lauf, bei dem der Kopierschritt übersprungen wird, erzeugt daher keine hilfreiche Fehlermeldung „keine Konfiguration“ — stattdessen wird mit dem wörtlichen String YOUR_API_KEY gegen eine Modell-ID authentifiziert, die nicht mehr antwortet. Das README erwähnt diesen Fallback nicht, sondern fordert lediglich zum Kopieren der Beispieldatei auf. Auch andere mitgelieferte Beispiele verweisen auf Claude 3.7 Sonnet — das Daytona-Beispiel verwendet dieselbe datierte, eingestellte ID, und das Anthropic-Beispiel setzt claude-3-7-sonnet-latest für das Hauptmodell, während die datierte ID in seinem Vision-Block steht — während das Google-Beispiel gemini-2.0-flash setzt, das Google unter den früheren Modellen aufführt, mit dem Hinweis, dass diese veraltet sind und „bald abgeschaltet werden“. Betrachten Sie das Verzeichnis config/ als Beispieldateien, die das Projekt ausliefert, nicht als Liste unterstützter Anbieter: Nichts im Repository testet sie, und app/llm.py wurde seit dem 26. April 2025 nicht geändert.

Der Block [llm.vision] wird von nichts ausgelesen

Jedes mitgelieferte Beispiel enthält einen Abschnitt [llm.vision], und im aktuellen main liest kein Agent ihn aus. Profile werden anhand des eigenen, kleingeschriebenen Agentennamens ausgewählt — app/agent/base.py führt LLM(config_name=self.name.lower()) aus — und die vorhandenen Agentennamen sind Manus, browser, swe, toolcall, Data_Analysis, SandboxManus und mcp_agent. Keiner davon heißt „vision“; ein unbekannter Profilname fällt stillschweigend auf [llm] zurück, und ask_with_images() ist zwar definiert, hat aber im gesamten Repository keine Aufrufstellen. Die Untertabellen, die ein ausgelieferter Einstiegspunkt tatsächlich auswählen kann, sind [llm.manus] (der Agent führt sowohl python main.py als auch run_flow.py aus), [llm.mcp_agent] (run_mcp.py), [llm.sandboxmanus] (sandbox_main.py) und [llm.data_analysis] (run_flow.py, sobald use_data_analysis_agent aktiviert ist). BrowserAgent setzt zwar name = "browser", aber kein ausgelieferter Einstiegspunkt instanziiert ihn, daher bleibt [llm.browser] wirkungslos, sofern Sie keinen eigenen Runner schreiben. Jede Untertabelle übernimmt alle Schlüssel, die Sie nicht darin angeben; eine Überschreibung muss daher nur die abweichenden Schlüssel enthalten.

Vision wird ein zweites Mal eingeschränkt, und diese Einschränkung entscheidet, ob ein Gateway Vision überhaupt bereitstellen kann. app/llm.py definiert eine fest codierte Zulassungsliste:

Keines der beiden verbleibenden Modelle ist OpenAIs aktuelles Spitzenmodell — dieselbe Preisseite führt gpt-6-astra und die gpt-5.6-Familie darüber auf — daher können Sie OpenManus Vision ohne Codeänderungen nur mit einem Modell aus dem Jahr 2024 nutzen. Der Vergleich erfolgt über exakte String-Gleichheit, sodass ein namespaced Slug wie openai/gpt-4o mit keinem der beiden übereinstimmt. Wenn das konfigurierte Modell nicht auf dieser Liste steht, löscht format_messages das Feld base64_image und sendet nur den Text — ohne Fehler und ohne Warnung; der Screenshot erreicht das Modell einfach nie. Kunavo veröffentlicht weder gpt-4o noch gpt-4o-mini, daher ist ein für Kunavo konfiguriertes OpenManus nur für Text und Tools geeignet, sofern Sie MULTIMODAL_MODELS in app/llm.py nicht selbst bearbeiten. Texterzeugung und Tool-Aufrufe bleiben davon unberührt; die Zulassungsliste steuert ausschließlich Bilder. Auch eine Modellauflistung ist kein Beweis für den Rest: Ein Endpunkt, der exakt den String gpt-4o anbietet, erfüllt den Vergleich von OpenManus, aber ob er eine eingebettete data:-Bild-URL an das Modell weiterleitet, ist eine separate Frage, die für keinen Endpunkt hier getestet wurde.

Was ein OpenManus-Lauf kostet

Für diese Seite wurde keine OpenManus-Aufgabe ausgeführt, daher gibt es keine gemessenen Kosten zu berichten. Der Code liefert jedoch eine ehrliche Struktur. Der Standardagent in app/agent/manus.py setzt max_steps = 20 und max_observe = 10000. Jeder Schritt ist eine einzelne nicht streamende Tool-Aufruf-Anfrage, die den bisherigen vollständigen Gesprächsverlauf enthält; daher wachsen die Eingabetokens mit dem Quadrat der Schrittzahl und nicht linear.

Die folgenden Zahlen sind Token-Arithmetik auf Grundlage genannter Annahmen, keine gemessenen Aufgabenkosten und keine Abrechnungsobergrenze. Angenommen werden eine Basisaufforderung von 4.000 Tokens (Systemaufforderung plus Tool-Schemata), 1.200 Tokens, die pro Schritt an den Verlauf angehängt werden, und 400 Ausgabetokens pro Schritt. Ein Lauf, der nach 6 Schritten endet, sendet dann ungefähr 42.000 Eingabe- und 2.400 Ausgabetokens; ein Lauf, der das Limit von 20 Schritten erreicht, sendet ungefähr 308.000 Eingabe- und 8.000 Ausgabetokens. Die Tarife sind aktuelle Preise aus dem Kunavo-Katalog pro Million Tokens.

Lesen Sie die beiden Spalten im Vergleich zueinander und nicht die Zeilen. Unter diesen Annahmen entsprechen 20 Schritte dem 7,3-Fachen der Eingabe von 6 Schritten bei 3,3-facher Schrittzahl. Deshalb ist in einem Agenten-Loop die Frage „Wie viele Schritte benötigt er?“ wichtiger als „Was berechnet das Modell pro Token?“. Dadurch wird Prompt-Caching zu einem wichtigen Hebel für diese Abrechnungsform, und es ist wichtig zu wissen, wo es nicht verfügbar ist: Anthropic erklärt in seiner Dokumentation zur OpenAI-SDK-Kompatibilität — dort wird die genaue Basis-URL beschrieben, auf die das mitgelieferte OpenManus-Beispiel verweist —, dass Prompt-Caching dort nicht unterstützt wird, dass strict, response_format und reasoning_effort ignoriert werden, dass n exakt 1 sein muss und Systemnachrichten an den Anfang verschoben werden. Auf derselben Seite wird diese Schicht als „primär zum Testen und Vergleichen von Modellfähigkeiten gedacht und für die meisten Anwendungsfälle nicht als langfristige oder produktionsreife Lösung betrachtet“ bezeichnet. OpenManus sendet selbst keine Cache-Direktive, daher muss jegliches Caching vom Endpunkt kommen.

Ein Parameter, den Sie prüfen sollten, bevor Sie OpenManus auf ein aktuelles Claude-Modell ausrichten: Die Beispiele liefern temperature = 0.0 aus, und der Code sendet temperature bei jeder Anfrage außerhalb der beiden Reasoning-IDs, während Anthropic auf seiner Stilllegungsseite temperature, top_p und top_k für Claude Opus 4.7 und spätere Versionen als veraltet markiert und angibt, dass ein Wert ungleich dem Standardwert 400 zurückgibt. Die Kompatibilitätsseite beschreibt temperature separat als zwischen 0 und 1 unterstützt. Ob die Kompatibilitätsschicht den Wert entfernt, begrenzt oder weiterleitet, wurde hier nicht getestet — betrachten Sie ihn als etwas, das Sie auf Ihrer eigenen Route prüfen müssen, nicht als bestätigten Fehler.

Skalieren Sie diese Werte anhand Ihrer eigenen täglichen Läufe, bevor Sie sie als Budget betrachten. Der Katalogbetrag von Kunavo ist eine Abrechnungsuntergrenze und keine Obergrenze: Wenn der Upstream seine Kosten meldet, entspricht die Rechnung dem höheren Wert aus den Katalogkosten und den Upstream-Kosten multipliziert mit dem anwendbaren Aufschlag. Cache-Gebühren und externe Tools sind in diesem Beispiel nicht enthalten. Die minimale Aufladung bei Kunavo beträgt $10 als Prepaid-Guthaben; dies ist ein Mindestbetrag zur Finanzierung, keine Aufgabengebühr und kein Abonnement — siehe Abrechnungsdetails.

Beste API für OpenManus: Wann gewinnt welche Route?

Beachten Sie, was nicht auf dieser Liste steht: In OpenManus gibt es nirgends eine Tarifbeschränkung. Kein Lizenzschlüssel, keine kostenpflichtige Stufe, keine Telemetrieprüfung — jede oben genannte Funktion steht allen zur Verfügung, die das Repository klonen, und die Einschränkungen liegen sämtlich im Code und nicht in einem Abonnement. Vergleichen Sie die Routen unter OpenAI-kompatible API und LLM-Gateway oder OpenRouter-Alternativen, wenn Sie bereits eine davon nutzen. Die Methode hinter „günstigster angegebener Tarif“ im Vergleich zu „günstigster Abschluss der Aufgabe“ finden Sie unter KI-Kostenoptimierung; für eine Entscheidung innerhalb einer einzelnen Familie unter günstigste Claude-API.

Einrichten und den ersten Lauf prüfen

Kunavo veröffentlicht keine OpenManus-spezifische Einrichtungsseite, und OpenManus wurde hier nicht zur Laufzeit gegen den Endpunkt von Kunavo getestet — alle obigen Angaben wurden aus dem Quellcode des Projekts und seiner eigenen Dokumentation abgelesen. Der allgemeine Weg ist der oben gezeigte Konfigurationsblock: base_url von https://api.kunavo.com/v1, ein sk-kn--Schlüssel und eine Modell-ID aus dem Katalog. Halten Sie eine funktionierende Route verfügbar, während Sie es ausprobieren, führen Sie eine begrenzte Aufgabe mit max_steps auf dem Standardwert aus und lesen Sie anschließend die von Ihrem Konto erfasste Belastung ab, nicht die eigenen protokollierten Summen von OpenManus, die tiktoken-Schätzungen mit einem cl100k_base-Fallback für jede von tiktoken nicht erkannte ID sind. Beginnen Sie mit dem Quickstart, prüfen Sie die Anfrageform unter Chat-Completions und erstellen Sie ein Kunavo-Konto, sobald Sie einen Schlüssel aufladen möchten.

Wählen Sie zwischen Agenten statt zwischen Anbietern? Beste API für OpenClaw und das Verzeichnis für KI-Agenten-APIs behandeln Clients mit derselben Trennung zwischen kostenloser Software und einer nach Tokens abgerechneten Rechnung.

Häufig gestellte Fragen

Geprüft am 21. September 2026 und nicht umfassender: der GitHub-API-Eintrag für FoundationAgents/OpenManus; config/config.example.toml, die README-Konfigurations- und Installationsabschnitte, app/llm.py, app/config.py und app/agent/manus.py im aktuellen main; die sechs anbieterspezifischen Beispielkonfigurationen in config/; die Tag-Liste; das Platzhalter-README am alten Repository-Pfad; der PyPI-Eintrag für openmanus; die Modellstilllegungs- und OpenAI-SDK-Kompatibilitätsseiten von Anthropic; die Preis- und Stilllegungsseiten von OpenAI sowie Googles Gemini-Modellliste. Browser Use Cloud und Daytona werden als optionale Anbieter genannt und verlinkt, hier aber nicht bepreist. Manus, manus.im und die Manus-API wurden überhaupt nicht bepreist: Die Preisseite konnte aus der offiziellen Quelle nicht gelesen werden. Es wurde nichts ausgeführt — keine Installation, keine Anfrage über OpenManus und kein Kunavo-plus-OpenManus-Lauf — daher beruht jede Verhaltensaussage auf einer Quellenlektüre, und jeder Dollarbetrag ist illustrative Token-Arithmetik und keine gemessenen Aufgabenkosten. Die Kunavo-Tokentarife stammen aus dem aktuellen Katalog.