Tarification et configuration de l’API OpenManus : le programme gratuit, la facture de tokens et la configuration livrée obsolète

OpenManus coûte 0 $. Il s’agit d’un logiciel open source sous licence MIT, sans forfait, sans niveau payant, sans clé de licence et sans édition hébergée ; « tarification d’OpenManus » désigne donc entièrement la facture de l’API de modèle sous-jacente — à laquelle s’ajoutent deux services cloud facultatifs et désactivés par défaut. Le montant à prévoir est celui envoyé par une exécution d’agent, et le paramètre le plus susceptible de le fausser est le fichier de configuration fourni par OpenManus lui-même : il utilise encore par défaut un ID de modèle Claude retiré le 19 février 2026, et il est chargé même si vous ignorez l’étape de copie.

Commençons par une clarification, car les résultats de recherche pour cette requête portent principalement sur autre chose. Manus est un produit commercial distinct, payant et facturé à l’utilisation de crédits, proposé par une autre entreprise, et son API commerciale à l’adresse api.manus.ai constitue encore une troisième entité. Aucun tarif de Manus n’apparaît sur cette page : manus.im/pricing est rendu côté client et n’a pas pu être lu depuis la source officielle le 21 septembre 2026, et les chiffres qui circulent sur les blogs tiers ne sont pas officiels. Consultez directement manus.im si c’est le produit que vous recherchez.

Cinq éléments appelés Manus ou OpenManus

Le déplacement est plus important qu’il n’y paraît. La propre page d’accueil du projet, openmanus.github.io — le champ homepage défini dans le dépôt actif — renvoie encore les lecteurs vers l’ancien chemin mannaandpoem, comme la plupart des tutoriels de 2025. Le dépôt actuel a été vérifié via l’API GitHub le 21 septembre 2026 : archived: false, sous licence MIT, 58 367 étoiles, 455 problèmes ouverts, dernier push le 22 août 2026, avec le dernier commit sur main daté du 16 août 2026. Deux projets distincts partagent également ce nom sur GitHub — OpenManus/OpenManus-RL est un autre projet d’apprentissage par renforcement, et henryalps/OpenManus est un dépôt portant le même nom qui apparaît dans les résultats et n’a pas été inspecté au-delà de la vérification de sa résolution.

Ce qui est gratuit et ce qui vous est réellement facturé

L’installation se fait uniquement depuis les sources : conda create -n open_manus python=3.12 ou uv venv --python 3.12, puis un git clone du dépôt actuel. Il n’existe pas d’installation de paquet en une ligne, et setup.py déclare python_requires=">=3.12".

Où placer la clé d’API OpenManus

Il n’existe ni variable d’environnement ni option de ligne de commande pour la clé. Dans OpenManus, l’approche Bring Your Own Key repose sur un fichier TOML : copiez config/config.example.toml vers config/config.toml, puis définissez model, base_url et api_key sous [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"

Le client est sélectionné dans LLM.__init__ de app/llm.py, et seules deux valeurs de api_type changent quoi que ce soit : "azure" construit un client AsyncAzureOpenAI et "aws" construit un client Bedrock. Tout le reste — y compris les valeurs ollama, jiekou et ppio dans les propres fichiers d’exemple d’OpenManus — bascule vers un simple AsyncOpenAI(api_key, base_url). Ces libellés relèvent de la documentation, pas des chemins d’exécution. Ainsi, atteindre un endpoint POST /chat/completions de style OpenAI nécessite base_url et api_key, et aucune valeur api_type ; ce que cet endpoint doit ensuite prendre en charge est une question distincte, et la liste ci-dessous est courte mais réelle. L’endpoint de Kunavo présente cette structure — https://api.kunavo.com/v1, authentification Bearer, clés sk-kn-, et un GET /v1/models sans authentification renvoie 401 — et accepte tools et tool_choice de style OpenAI, ce que la boucle d’agent d’OpenManus envoie. Il s’agit d’une affirmation sur la structure du protocole, vérifiée le 21 septembre 2026. Aucune exécution d’OpenManus n’a été effectuée avec Kunavo ; rien sur cette page ne constitue donc un test de compatibilité.

Trois exigences auxquelles votre endpoint doit satisfaire, d’après le main actuel, et un élément qu’OpenManus ne fera pas pour vous. ask_tool impose stream = False et envoie toujours tools ainsi que tool_choice (auto par défaut), de sorte qu’un endpoint qui diffuse uniquement les appels d’outils interrompt la boucle. max_tokens et temperature sont envoyés dans chaque requête, sauf si l’ID du modèle est littéralement o1 ou o3-mini, les deux entrées de REASONING_MODELS. Le code lit directement usage.prompt_tokens et usage.completion_tokens dans la réponse. Il n’existe par ailleurs aucune nouvelle tentative inter-fournisseurs : les échecs passent par tenacity avec un backoff exponentiel vers le même endpoint.

Les deux configurations de démarrage officielles ne concordent pas

C’est le piège auquel il vaut mieux se préparer. OpenManus fournit deux configurations de démarrage officielles qui se contredisent, et aucun des deux fichiers ne mentionne l’autre.

La page de dépréciation d’Anthropic répertorie claude-3-7-sonnet-20250219 comme retiré, avec une date de retrait au 19 février 2026, et indique que les requêtes vers les modèles retirés échoueront ; le remplacement recommandé est claude-sonnet-4-6. Ces dates s’appliquent aux plateformes exploitées par Anthropic — Amazon Bedrock et Google Cloud suivent leurs propres calendriers. Le README est le plus récent des deux fichiers, ce qui inverse l’hypothèse habituelle selon laquelle l’exemple fourni ferait autorité.

Et la configuration obsolète est également la configuration par défaut. Config._get_config_path() dans app/config.py renvoie config/config.toml si elle existe, sinon config/config.example.toml, et ne lève une exception que si aucune des deux n’est présente. Ainsi, une première exécution qui ignore l’étape de copie ne produit pas une erreur utile « no config » — elle s’authentifie avec la chaîne littérale YOUR_API_KEY auprès d’un ID de modèle qui ne répond plus. Le README ne mentionne pas ce repli ; il indique seulement de copier le fichier d’exemple. D’autres exemples fournis utilisent également Claude 3.7 Sonnet — l’exemple Daytona contient le même ID retiré et daté, et l’exemple Anthropic définit claude-3-7-sonnet-latest pour le modèle principal, avec l’ID daté dans son bloc de vision — tandis que l’exemple Google définit gemini-2.0-flash, que Google répertorie parmi les anciens modèles en précisant qu’ils sont obsolètes et « seront bientôt désactivés ». Considérez le répertoire config/ comme un ensemble de fichiers d’exemple fournis par le projet, et non comme une liste de fournisseurs pris en charge : rien dans le dépôt ne les teste, et app/llm.py n’a pas été modifié depuis le 26 avril 2025.

Le bloc [llm.vision] n’est lu par aucun élément

Chaque exemple fourni inclut une section [llm.vision], et dans le main actuel aucun agent ne la lit. Les profils sont sélectionnés par le propre nom de l’agent, converti en minuscules — app/agent/base.py effectue LLM(config_name=self.name.lower()) — et les noms d’agents présents sont Manus, browser, swe, toolcall, Data_Analysis, SandboxManus et mcp_agent. Aucun ne s’appelle « vision », un nom de profil inconnu bascule silencieusement vers [llm], et ask_with_images() est défini mais ne possède aucun point d’appel dans le dépôt. Les sous-tables qu’un point d’entrée fourni peut réellement sélectionner sont [llm.manus] (l’agent exécute à la fois python main.py et run_flow.py), [llm.mcp_agent] (run_mcp.py), [llm.sandboxmanus] (sandbox_main.py) et [llm.data_analysis] (run_flow.py, une fois use_data_analysis_agent activé). BrowserAgent définit bien name = "browser", mais aucun point d’entrée fourni ne l’instancie ; [llm.browser] reste donc inactif tant que vous n’écrivez pas votre propre exécuteur. Chaque sous-table hérite de toutes les clés que vous omettez ; une surcharge n’a donc besoin que des clés qui diffèrent.

La vision est elle-même soumise à un second contrôle, qui détermine cette fois si une passerelle peut la servir. app/llm.py définit une liste blanche codée en dur :

Aucun des deux modèles restants n’est le modèle phare actuel d’OpenAI — la même page de tarification répertorie gpt-6-astra ainsi que la famille gpt-5.6 au-dessus d’eux — de sorte que le seul moyen d’obtenir la vision d’OpenManus sans modifier le code consiste à utiliser un modèle de 2024. La comparaison repose sur une égalité exacte des chaînes ; un identifiant avec espace de noms tel que openai/gpt-4o ne correspond donc à aucun des deux. Lorsque le modèle configuré ne figure pas dans cette liste, format_messages supprime le champ base64_image et envoie uniquement le texte — aucune erreur, aucun avertissement, la capture d’écran n’atteint tout simplement jamais le modèle. Kunavo ne publie ni gpt-4o ni gpt-4o-mini ; un OpenManus configuré pour Kunavo est donc limité au texte et aux outils, sauf si vous modifiez vous-même MULTIMODAL_MODELS dans app/llm.py. La génération de texte et l’appel d’outils ne sont pas affectés ; la liste blanche ne contrôle que les images. La présence d’un modèle dans une liste ne prouve pas non plus le reste : un endpoint qui annonce la chaîne exacte gpt-4o satisfait la comparaison d’OpenManus, mais la question de savoir s’il transmet effectivement une URL d’image data: intégrée au modèle est distincte et n’a été testée pour aucun endpoint ici.

Ce que coûte une exécution d’OpenManus

Aucune tâche OpenManus n’a été exécutée pour cette page ; aucun coût mesuré ne peut donc être indiqué. Le code fournit toutefois une structure honnête. L’agent par défaut dans app/agent/manus.py définit max_steps = 20 et max_observe = 10000. Chaque étape est une requête unique, sans diffusion, d’appel d’outil, qui transporte l’intégralité de la conversation jusque-là ; les jetons d’entrée croissent donc avec le carré du nombre d’étapes, et non linéairement.

Les chiffres ci-dessous correspondent à une arithmétique des jetons fondée sur des hypothèses explicites, et non à un coût de tâche mesuré ni à un plafond de facturation. Supposons une invite de base de 4,000 jetons (invite système et schémas d’outils), 1,200 jetons ajoutés à l’historique à chaque étape et 400 jetons de sortie par étape. Une exécution qui se termine en 6 étapes envoie alors environ 42,000 jetons d’entrée et 2,400 jetons de sortie ; une exécution qui atteint la limite de 20 étapes envoie environ 308,000 jetons d’entrée et 8,000 jetons de sortie. Les tarifs correspondent aux prix actuels du catalogue Kunavo par million de jetons.

Comparez les deux colonnes entre elles plutôt que les lignes. Dans ces hypothèses, 20 étapes représentent 7.3 fois les entrées de 6 étapes pour 3.3 fois plus d’étapes ; c’est pourquoi « combien d’étapes faut-il » domine « combien le modèle facture-t-il par jeton » dans une boucle d’agent. Cela fait également de la mise en cache des invites un levier important sur cette forme de facture, et il est utile de savoir où elle n’est pas disponible : la documentation de compatibilité du SDK OpenAI d’Anthropic — qui décrit l’URL de base exacte vers laquelle pointe l’exemple fourni par OpenManus — indique que la mise en cache des invites n’y est pas prise en charge, que strict, response_format et reasoning_effort sont ignorés, que n doit être exactement égal à 1 et que les messages système sont déplacés au début. La même page qualifie cette couche de « principalement destinée à tester et comparer les capacités des modèles, et non considérée comme une solution à long terme ou prête pour la production dans la plupart des cas d’utilisation ». OpenManus n’envoie jamais sa propre directive de cache ; toute mise en cache doit donc provenir de l’endpoint.

Un paramètre à vérifier avant de pointer OpenManus vers un modèle Claude récent : les exemples fournissent temperature = 0.0 et le code envoie temperature dans chaque requête en dehors des deux ID de raisonnement, tandis que la page de dépréciation d’Anthropic marque temperature, top_p et top_k comme obsolètes à partir de Claude Opus 4.7 et indique qu’une valeur non par défaut renvoie une erreur 400. La page de compatibilité décrit séparément temperature comme pris en charge entre 0 et 1. La question de savoir si la couche de compatibilité le supprime, le plafonne ou le transmet n’a pas été testée ici ; considérez-le comme un élément à vérifier sur votre propre route, et non comme un échec confirmé.

Multipliez ces montants par votre propre nombre d’exécutions quotidiennes avant de les considérer comme un budget. Le montant du catalogue Kunavo constitue un plancher de facturation, et non un plafond : lorsque l’amont communique son coût, la facture correspond au montant le plus élevé entre le coût du catalogue et le coût amont multiplié par la majoration applicable. Les frais de cache et les outils externes ne sont pas inclus dans cet exemple. Le rechargement minimum de Kunavo est de $10 en crédit prépayé, ce qui constitue un minimum de financement et non des frais de tâche ou un abonnement — consultez les détails de facturation.

Meilleure API pour OpenManus : quelle route choisir selon le cas

Notez ce qui ne figure pas dans cette liste : OpenManus ne comporte aucun contrôle de forfait. Aucune clé de licence, aucun niveau payant, aucun contrôle de télémétrie — toutes les fonctionnalités ci-dessus sont accessibles à quiconque clone le dépôt, et les contrôles se trouvent tous dans le code plutôt que dans un abonnement. Comparez les routes dans API compatible OpenAI et passerelle LLM, ou consultez les alternatives à OpenRouter si vous utilisez déjà l’une d’elles. Pour la méthode derrière « tarif affiché le moins cher » par rapport à « coût le plus faible pour terminer », consultez l’optimisation des coûts de l’IA ; pour une décision limitée à une seule famille, consultez l’API Claude la moins chère.

Configurez-le et vérifiez la première exécution

Kunavo ne publie aucune page de configuration spécifique à OpenManus, et OpenManus n’a pas été testé en conditions réelles ici avec l’endpoint de Kunavo — tout ce qui précède a été lu dans les sources du projet et sa propre documentation. Le chemin générique est celui du bloc de configuration ci-dessus : base_url de https://api.kunavo.com/v1, une clé sk-kn- et un ID de modèle issu du catalogue. Gardez une route fonctionnelle à disposition pendant vos essais, exécutez une tâche limitée avec max_steps laissé à sa valeur par défaut, puis consultez le débit enregistré par votre compte plutôt que les totaux consignés par OpenManus, qui sont des estimations tiktoken utilisant le repli cl100k_base pour tout ID que tiktoken ne reconnaît pas. Commencez par le guide de démarrage rapide, vérifiez la structure de la requête dans chat completions, puis créez un compte Kunavo lorsque vous êtes prêt à approvisionner une clé.

Vous choisissez entre des agents plutôt qu’entre des fournisseurs ? Meilleure API pour OpenClaw et l’annuaire des API d’agents IA couvrent des clients qui présentent la même séparation entre logiciel gratuit et facture de jetons à l’utilisation.

Questions fréquentes

Vérifié le 21 septembre 2026, et pas plus largement : l’enregistrement de l’API GitHub pour FoundationAgents/OpenManus ; config/config.example.toml, les sections de configuration et d’installation du README, app/llm.py, app/config.py et app/agent/manus.py dans le main actuel ; les six configurations d’exemple par fournisseur dans config/ ; la liste des balises ; le README stub à l’ancien chemin du dépôt ; l’enregistrement PyPI pour openmanus ; les pages de dépréciation des modèles et de compatibilité du SDK OpenAI d’Anthropic ; les pages de tarification et de dépréciation d’OpenAI ; ainsi que la liste des modèles Gemini de Google. Browser Use Cloud et Daytona sont cités et liés comme fournisseurs facultatifs, mais ne sont pas tarifés ici. Manus, manus.im et l’API Manus n’ont fait l’objet d’aucune tarification : leur page de tarifs n’a pas pu être lue depuis la source officielle. Rien n’a été exécuté — aucune installation, aucune requête via OpenManus et aucune exécution Kunavo-plus-OpenManus — ; toute affirmation comportementale est donc issue d’une lecture des sources, et tout montant en dollars correspond à une arithmétique illustrative des jetons plutôt qu’à un coût de tâche mesuré. Les tarifs des jetons Kunavo proviennent du catalogue actuel.