Preços e configuração da API do OpenManus: o programa gratuito, a conta de tokens e a configuração que vem desativada

O OpenManus custa $0. Ele é um software de código aberto licenciado sob a MIT, sem plano, nível pago, chave de licença ou edição hospedada, portanto "preços do OpenManus" se resume inteiramente à fatura da API de modelo por trás dele — além de dois serviços de nuvem opcionais e desativados por padrão. O número que vale incluir no orçamento é o que uma execução do agente envia, e a configuração com maior probabilidade de distorcê-lo é o arquivo de configuração distribuído pelo próprio OpenManus: ele ainda usa por padrão um ID de modelo Claude que foi descontinuado em 19 de fevereiro de 2026, e ainda é carregado se você pular a etapa de cópia.

Primeiro, uma desambiguação, porque os resultados de busca para esta consulta são em sua maioria sobre outra coisa. Manus é um produto comercial separado, pago e medido por créditos, de outra empresa, e sua API comercial em api.manus.ai é uma terceira coisa. Nenhum preço do Manus aparece nesta página: manus.im/pricing é renderizado no cliente e não pôde ser lido da fonte oficial em 21 de setembro de 2026, e os valores que circulam em blogs de terceiros não são oficiais. Consulte manus.im diretamente se esse for o produto que você quer.

Cinco coisas chamadas Manus ou OpenManus

A mudança importa mais do que parece. A própria página inicial do projeto, openmanus.github.io — o campo homepage definido no repositório ativo — ainda direciona os leitores para o caminho antigo mannaandpoem, assim como a maioria dos tutoriais de 2025. O repositório atual foi verificado pela API do GitHub em 21 de setembro de 2026: archived: false, MIT, 58.367 estrelas, 455 issues abertas, último push em 22 de agosto de 2026, com o último commit em main datado de 16 de agosto de 2026. Dois projetos separados também compartilham o nome no GitHub — OpenManus/OpenManus-RL é um projeto diferente de aprendizado por reforço, e henryalps/OpenManus é um repositório homônimo que aparece nos resultados e não foi inspecionado além da confirmação de que resolve.

O que é gratuito e o que realmente gera cobrança

A instalação é somente a partir do código-fonte: conda create -n open_manus python=3.12 ou uv venv --python 3.12, depois um git clone do repositório atual. Não existe instalação de pacote em uma linha, e setup.py declara python_requires=">=3.12".

Onde colocar a chave de API do OpenManus

Não há variável de ambiente nem sinalizador de linha de comando para a chave. O uso da sua própria chave no OpenManus é feito em um arquivo TOML: copie config/config.example.toml para config/config.toml, depois defina model, base_url e api_key em [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"

O cliente é escolhido em LLM.__init__ em app/llm.py, e apenas dois valores de api_type alteram algo: "azure" cria um cliente AsyncAzureOpenAI e "aws" cria um cliente Bedrock. Todo o restante — incluindo os valores ollama, jiekou e ppio nos próprios arquivos de exemplo do OpenManus — resulta em um AsyncOpenAI(api_key, base_url) simples. Esses rótulos são documentação, não caminhos de código. Portanto, alcançar um endpoint POST /chat/completions no estilo OpenAI requer base_url e api_key e nenhum valor de api_type; o que esse endpoint precisa aceitar depois é uma questão separada, e a lista abaixo é curta, mas real. O endpoint da Kunavo tem esse formato — https://api.kunavo.com/v1, autenticação Bearer, chaves sk-kn- e um GET /v1/models sem autenticação responde 401 — e aceita tools e tool_choice no estilo OpenAI, que é o que o loop do agente do OpenManus envia. Isso é uma afirmação sobre o formato do protocolo, verificada em 21 de setembro de 2026. Nenhuma execução do OpenManus foi realizada contra a Kunavo, portanto nada nesta página é um teste de compatibilidade.

Três requisitos que seu endpoint precisa atender, extraídos da main atual, e uma coisa que o OpenManus não fará por você. ask_tool define permanentemente stream = False e sempre envia tools mais tool_choice (padrão auto), portanto um endpoint que transmite chamadas de ferramentas apenas por streaming interrompe o loop. max_tokens e temperature são enviados em todas as solicitações, a menos que o ID do modelo seja literalmente o1 ou o3-mini, as duas entradas de REASONING_MODELS. O código lê usage.prompt_tokens e usage.completion_tokens diretamente da resposta. E não há nova tentativa entre provedores: as falhas passam por tenacity com backoff exponencial contra o mesmo endpoint.

As duas configurações iniciais oficiais não são compatíveis entre si

Esta é a armadilha para a qual vale chegar preparado. O OpenManus distribui duas configurações iniciais oficiais que se contradizem, e nenhum dos dois arquivos menciona o outro.

A página de descontinuação da Anthropic lista claude-3-7-sonnet-20250219 como Retired, com data de descontinuação em 19 de fevereiro de 2026, e informa que as solicitações para modelos descontinuados falharão; a substituição recomendada é claude-sonnet-4-6. Essas datas se aplicam às plataformas operadas pela Anthropic — Amazon Bedrock e Google Cloud têm seus próprios cronogramas. O README é o mais recente dos dois arquivos, invertendo a suposição usual de que o exemplo distribuído é o canônico.

E a configuração obsoleta também é a padrão. Config._get_config_path() em app/config.py retorna config/config.toml se ele existir; caso contrário, config/config.example.toml, e só gera um erro se nenhum dos dois estiver presente. Portanto, uma primeira execução que pule a etapa de cópia não produz um erro útil de "nenhuma configuração" — autentica com a string literal YOUR_API_KEY contra um ID de modelo que não responde mais. O README não menciona esse fallback; diz apenas para copiar o arquivo de exemplo. Outros exemplos distribuídos também apontam para o Claude 3.7 Sonnet — o exemplo do Daytona carrega o mesmo ID descontinuado com data, e o exemplo da Anthropic define claude-3-7-sonnet-latest para o modelo principal, com o ID datado em seu bloco de visão — enquanto o exemplo do Google define gemini-2.0-flash, que o Google lista entre os modelos anteriores, com a observação de que estão obsoletos e "serão desativados em breve". Trate o diretório config/ como arquivos de exemplo distribuídos pelo projeto, não como uma lista de provedores compatíveis: nada no repositório os testa, e app/llm.py não é modificado desde 26 de abril de 2025.

O bloco [llm.vision] não é lido por nada

Todo exemplo distribuído inclui uma seção [llm.vision] e, na main atual, nenhum agente a lê. Os perfis são selecionados pelo próprio nome do agente, convertido para minúsculas — app/agent/base.py faz LLM(config_name=self.name.lower()) — e os nomes de agentes presentes são Manus, browser, swe, toolcall, Data_Analysis, SandboxManus e mcp_agent. Nenhum é "vision"; um nome de perfil desconhecido retorna silenciosamente para [llm], e ask_with_images() é definido, mas não tem pontos de chamada em nenhum lugar do repositório. As subtabelas que um ponto de entrada distribuído pode realmente selecionar são [llm.manus] (o agente executa tanto python main.py quanto run_flow.py), [llm.mcp_agent] (run_mcp.py), [llm.sandboxmanus] (sandbox_main.py) e [llm.data_analysis] (run_flow.py, quando use_data_analysis_agent é ativado). BrowserAgent define name = "browser", mas nenhum ponto de entrada distribuído o instancia, portanto [llm.browser] fica inerte, a menos que você escreva seu próprio runner. Qualquer subtabela herda todas as chaves que você deixar de fora, portanto uma substituição só precisa das chaves que diferem.

A visão é controlada uma segunda vez, e esta parte decide se um gateway pode oferecê-la de fato. app/llm.py declara uma lista de permissões fixa:

Nenhum dos dois sobreviventes é o principal modelo atual da OpenAI — a mesma página de preços lista gpt-6-astra e a família gpt-5.6 acima deles — portanto a única maneira de obter visão no OpenManus sem editar o código é executar um modelo de 2024. A comparação usa igualdade exata de strings, portanto um slug com namespace como openai/gpt-4o não corresponde a nenhum dos dois. Quando o modelo configurado não está nessa lista, format_messages exclui o campo base64_image e envia apenas o texto — sem erro, sem aviso; a captura de tela simplesmente nunca chega ao modelo. A Kunavo não publica gpt-4o nem gpt-4o-mini, portanto um OpenManus configurado para a Kunavo funciona somente com texto e ferramentas, a menos que você edite MULTIMODAL_MODELS em app/llm.py por conta própria. A geração de texto e as chamadas de ferramentas não são afetadas; a lista de permissões controla apenas as imagens. A listagem de um modelo também não comprova o restante: um endpoint que anuncia a string exata gpt-4o satisfaz a comparação do OpenManus, mas saber se ele encaminha uma URL de imagem data: incorporada até o modelo é uma questão separada que não foi testada para nenhum endpoint aqui.

Quanto custa uma execução do OpenManus

Nenhuma tarefa do OpenManus foi executada para esta página, portanto não há custo medido a informar. O que o código fornece é uma estrutura honesta. O agente padrão em app/agent/manus.py define max_steps = 20 e max_observe = 10000. Cada etapa é uma solicitação de chamada de ferramenta sem streaming que carrega toda a conversa até aquele momento, portanto os tokens de entrada crescem com o quadrado da quantidade de etapas, não linearmente.

Os valores abaixo são aritmética de tokens baseada em premissas declaradas, não um custo de tarefa medido nem um teto de cobrança. Considere um prompt base de 4.000 tokens (prompt do sistema mais esquemas de ferramentas), 1.200 tokens adicionados ao histórico por etapa e 400 tokens de saída por etapa. Uma execução que termina em 6 etapas envia então aproximadamente 42.000 tokens de entrada e 2.400 de saída; uma execução que chega ao limite de 20 etapas envia aproximadamente 308.000 tokens de entrada e 8.000 de saída. As tarifas são preços atuais do catálogo da Kunavo por milhão de tokens.

Leia as duas colunas em comparação entre si, não as linhas. Sob essas premissas, 20 etapas representam 7,3 vezes a entrada de 6 etapas para 3,3 vezes mais etapas, e é por isso que "quantas etapas são necessárias" domina "quanto o modelo cobra por token" em um loop de agente. Isso também torna o cache de prompts uma alavanca importante nesse formato de cobrança, e vale saber onde ele não está disponível: a documentação de compatibilidade com o OpenAI SDK da Anthropic — que descreve exatamente a URL base apontada pelo exemplo distribuído do OpenManus — informa que o cache de prompts não é compatível, que strict, response_format e reasoning_effort são ignorados, que n precisa ser exatamente 1 e que as mensagens do sistema são movidas para o início. A mesma página chama essa camada de "destinada principalmente a testar e comparar capacidades de modelos, e não considerada uma solução de longo prazo ou pronta para produção para a maioria dos casos de uso". O OpenManus nunca envia uma diretiva de cache própria, portanto qualquer cache precisa vir do endpoint.

Um parâmetro a verificar antes de apontar o OpenManus para um modelo Claude recente: os exemplos incluem temperature = 0.0 e o código envia temperature em todas as solicitações fora dos dois IDs de raciocínio, enquanto a página de descontinuação da Anthropic marca temperature, top_p e top_k como obsoletos no Claude Opus 4.7 e posteriores e informa que um valor diferente do padrão retorna 400. A página de compatibilidade descreve separadamente temperature como compatível entre 0 e 1. Não foi testado aqui se a camada de compatibilidade o remove, limita ou encaminha — trate isso como algo a verificar na sua própria rota, não como uma falha confirmada.

Escale estes valores pelo seu próprio número de execuções por dia antes de considerá-los um orçamento. O valor do catálogo da Kunavo é um piso de cobrança, não um limite: quando o upstream informa sua cobrança, a fatura é o maior valor entre o custo do catálogo e o custo do upstream multiplicado pela margem aplicável. As cobranças de cache e de ferramentas externas ficam fora deste exemplo. O recarregamento mínimo da Kunavo é $10 em crédito pré-pago, o que é um mínimo de financiamento, não uma taxa por tarefa nem uma assinatura — consulte os detalhes de cobrança.

Melhor API para o OpenManus: qual rota vence em cada situação

Observe o que não está nessa lista: não há nenhuma restrição de plano no OpenManus. Nenhuma chave de licença, nenhum nível pago, nenhuma verificação de telemetria — todos os recursos acima estão disponíveis para qualquer pessoa que clone o repositório, e todas as restrições estão no código, não em uma assinatura. Compare as rotas em API compatível com OpenAI e gateway de LLM, ou veja as alternativas ao OpenRouter se você já usa uma delas. Para conhecer o método por trás de “menor tarifa listada” versus “menor custo para concluir”, consulte otimização de custos de IA; para uma decisão dentro de uma única família, veja API Claude mais barata.

Configure e verifique a primeira execução

A Kunavo não publica uma página de configuração específica para o OpenManus, e o OpenManus não foi testado em execução aqui com o endpoint da Kunavo — tudo acima foi lido do código-fonte do projeto e da documentação própria. O caminho genérico é o do bloco de configuração acima: base_url de https://api.kunavo.com/v1, uma chave sk-kn- e um ID de modelo do catálogo. Mantenha uma rota funcional disponível enquanto testa, execute uma tarefa limitada com max_steps em seu valor padrão e leia a cobrança registrada pela sua conta, em vez dos totais registrados pelo próprio OpenManus, que são estimativas do tiktoken com um fallback cl100k_base para qualquer ID que o tiktoken não reconheça. Comece pelo início rápido, verifique o formato da solicitação em conclusões de chat e crie uma conta na Kunavo quando estiver pronto para adicionar crédito a uma chave.

Escolhendo entre agentes em vez de provedores? Melhor API para OpenClaw e o diretório de APIs de agentes de IA abrangem clientes com a mesma divisão entre software gratuito e uma cobrança de tokens medida.

Perguntas frequentes

Verificado em 21 de setembro de 2026, e não de forma mais ampla: o registro da API do GitHub para FoundationAgents/OpenManus; config/config.example.toml, as seções de configuração e instalação do README, app/llm.py, app/config.py e app/agent/manus.py no main atual; as seis configurações de exemplo por provedor em config/; a lista de tags; o README de referência no caminho antigo do repositório; o registro do PyPI para openmanus; as páginas da Anthropic sobre descontinuação de modelos e compatibilidade com o OpenAI SDK; as páginas da OpenAI sobre preços e descontinuações; e a lista de modelos Gemini do Google. Browser Use Cloud e Daytona são mencionados e vinculados como fornecedores opcionais, mas não têm preços informados aqui. Manus, manus.im e a API Manus não tiveram nenhum preço informado: não foi possível ler a página de preços na fonte oficial. Nada foi executado — nenhuma instalação, nenhuma solicitação pelo OpenManus e nenhuma execução Kunavo com OpenManus — portanto, toda afirmação comportamental é uma leitura de fontes, e todo valor em dólares é uma aritmética ilustrativa de tokens, não um custo de tarefa medido. As tarifas de tokens da Kunavo vêm do catálogo ativo.