Jules vs Manus

Сравнение характеристик, категорий, отзывов и интеграций двух продуктов.

Jules

0.0 (0)

Открыть обзор

Manus

0.0 (0)

Открыть обзор

Оценка и сохранение

Стандартные характеристики

Тип сервиса

Международный

Рейтинг

0.0 из 5

Отзывов

Категории

ИИ-агенты, Разработка, Git-репозитории

ИИ-агенты

Десктопные ОС

—

Desktop application

Доступно на GitHub

—

Нет

Закрылся

—

Нет

Компания

Google / Google Labs

Meta; Manus remains a separate service

Основатель

—

Xiao Hong, Yichao Ji, Zhang Tao

Поддержка MCP

Jules MCP Server

MCP client, Prebuilt MCP connectors, Custom MCP servers

Развёртывание

Облачная краткоживущая VM

Cloud SaaS; local Browser Operator session

Android Приложение

—

Да

iOS Приложение

—

Да

Бесплатный тариф

Да

Веб-платформа

Да

API

Да

Цены и тарифы

Бесплатная версия

Да

Цена от

Бесплатный уровень; расширенные лимиты через Google AI Pro и Ultra

—

Таблицу можно прокручивать по горизонтали.

Отзыв автора

Jules

Анастасия Петрова

Плюсы

Асинхронно выполняет задачи в GitHub-репозитории и возвращает план, diff и pull request
Имеет бесплатный уровень и позволяет ограничить GitHub-доступ выбранными репозиториями
Поддерживает веб-интерфейс, CLI, REST API alpha и повторяющиеся задачи

Минусы

Для работы нужны Google Account и подключение GitHub
REST API находится в alpha, а готовое расписание нельзя отредактировать
Доступность платных уровней и оплаты зависит от страны и типа аккаунта
Официальный MCP-сервер в проверенной документации не найден

Manus

Анастасия Петрова

Плюсы

Агент показывает план и промежуточные шаги, поэтому выполнение можно контролировать и уточнять.
Cloud Browser, Browser Operator, коннекторы и API покрывают разные способы запуска задач.
Free позволяет проверить интерфейс и расход credits до покупки подписки.

Минусы

Стоимость задачи зависит от credits и сложности действий, а публичная цена не всегда доступна без интерфейса оплаты.
Браузерные действия могут упираться в CAPTCHA, региональные ограничения и правила сторонних сайтов.
Точные используемые foundation models публично не перечислены, поэтому результат нельзя оценивать по одной заявленной LLM.