文｜光子星球
自昨天開始，Manus空降AI圈，開始刷屏整個網(wǎng)絡。
熱度如潮水般涌來，Manus卻陷入了兩極分化的爭議中。有人為其搖旗吶喊，夸贊是“下一個DeepSeek時刻”“一夜間革了OpenAI和Anthropic 的命”。也有人批評Manus雷聲大雨點小，通過“邀請碼”制造出的饑餓營銷令人反感，在實際測評中，跑Agent case的效果差強人意。時間長、卡頓、重復返回是幾個目前常見的問題。
如今的現(xiàn)狀是，免費的邀請碼被炒到了天價。有消息稱，Manus團隊陷入了始料未及的處境，超出預期的熱度，讓其服務器被擠爆。
不知是何原因，目前Manus在海外社交媒體“X”上的官方賬號已被凍結。在諸多零星而碎片化的信息中，我們試圖先打撈起關于Manus的一些關鍵性事實。
Manus官方定位為“通用AI Agent”，即一個多模型、多智能體產(chǎn)品，擁有“獨立思考”能力，能夠?qū)碗s的通用任務進行多步驟拆解并執(zhí)行。
Manus推崇“Less structure，more intelligence” 的理念，Agent的能力進化依賴于基礎模型能力的提升和數(shù)據(jù)增加，由此實現(xiàn)自然演化，而不是通過workflow來增強。
在Demo演示中介紹產(chǎn)品定位，不僅僅是另一個聊天機器人或工作流，是一個真正自主的主體，來彌合概念與執(zhí)行之間的差距。當其他AI只是在生產(chǎn)想法時，Manus在交付成果。
Manus直言不諱地表示其產(chǎn)品屬于“套殼”，底層模型采用了Claude和Qwen，單次任務消耗的成本大概在兩美元左右。
Agent的“玩具”
Manus對Agent產(chǎn)品的定義回歸到了更加純粹的層面，就是讓Agent在不受人工干預的前提下，獨立完成任務。從AutoGPT就開始提的概念，受制于基礎大模型能力，一直遲遲無法實現(xiàn)，只能退而求其次地外接工具和規(guī)定workflow來保證Agent執(zhí)行效果。
Manus演示中最驚艷的一點是，真正做到了“所見即所得”，這也是Agent最本質(zhì)的交付邏輯。例如，以前只能按步驟分析文件再制作表格，現(xiàn)在一步到位，在識別用戶需求后，按步驟執(zhí)行，直接交付最終的表格。
在其官方發(fā)布的演示視頻中，Manus可以分析簡歷、制作表格、出具房產(chǎn)研究報告并結合預算篩選出最佳選項以及分析股票等。
截至到目前，以上的功能都可以通過任意一款AI助手類應用實現(xiàn)。但某種意義上，Manus算得上第一款完整的Agent產(chǎn)品。包括OpenAI、Anthropic 和智譜都發(fā)布過Agent相關功能，但大多都作為工具屬性存在。
打開Manus界面，有四部分構成，分別是瀏覽器、搜索、編輯器和終端。Manus自稱“套殼”名副其實，跟AI搜索Perplexity一樣，是把各類功能組合封裝好的一款產(chǎn)品。
里面有一個小插曲，據(jù)說，Manus團隊一開始的方向是AI瀏覽器。在偶然看到Arc被放棄后，他們才決定了終止AI瀏覽器的研發(fā)工作?，F(xiàn)在在使用過程中，也能看到瀏覽器的痕跡。
具體來看，第一步跟ChatGPT一樣有對話界面，用戶需要提出具體的訴求。之后操作界面被劃分為了兩部分，左面是對話界面，右面是終端。
當開始執(zhí)行任務后，左面開始識別意圖、制定執(zhí)行步驟以及開始搜索、調(diào)用所需的各類工具。右面的終端相當于一個虛擬機，可以同步執(zhí)行文件處理、代碼生成、搜索瀏覽器等工作。所謂的Computer Use主要體現(xiàn)在，模擬用戶點擊、瀏覽和切換工具使用，意義不是十分大。
這樣一來，Manus約等于“ChatGPT/Claude/DeepSeek模型+Agent框架+搜索引擎+工具+Computer Use+RAG”。該團隊的創(chuàng)新點在于運用了很多工程化的方法，把上述的一套邏輯像搭積木一樣組合得嚴絲合縫。
就其目前展示的Demo來看，很適合C端用戶使用，門檻低，功能簡潔明了，如若效果貨真價實，還是能產(chǎn)生不錯的用戶體驗。
據(jù)“自動華.AI”公眾號，Manus提到提升未來使用體驗的“三板斧”：
配置電腦，賦予AI訪問瀏覽器和工具的能力，例如云端瀏覽器；開放權限，接入私有API和權威數(shù)據(jù)源，例如金融指標等；動態(tài)培訓，用戶可以通過反饋來實時調(diào)整AI行為，類似于培訓Agent實習生，用了幾天以后就能適配用戶需求，提升使用體驗。
改變供需關系
Manus的各種花式營銷操作，無非是想要搶先押注Agent應用賽道。透過Manus，可以看到大模型時代供需關系的轉(zhuǎn)變。
Agent最終導向的是交付，拿效率和結果說話。這意味著AI變成了服務供給方，我們?nèi)祟愞D(zhuǎn)變?yōu)榱讼M方。需求決定供給，供給滿足需求，市場經(jīng)濟的邏輯一旦能在Agent應用里完成閉環(huán)，就能促成消費行為，最終實現(xiàn)價值。
此前，很多人寄希望于AI 搜索可以完成上述使命，即便是頭部公司Perplexity也只是想到了投放廣告這一個“好辦法”?，F(xiàn)在，Agent正朝著生產(chǎn)力方向發(fā)展。
Manus的功能很容易讓人聯(lián)想到OpenAI的Deep Research。這也是一個Agent，能像經(jīng)驗豐富的研究員一樣，查資料、思考并完成報告。OpenAI官方宣稱，該功能將原本人類需要8小時的任務縮減到5分鐘，幫助人們在工作中節(jié)省幾小時甚至幾天。
據(jù)最新爆料，OpenAI計劃為專業(yè)人士推出量身定制版Agent，用于執(zhí)行銷售線索分類、軟件工程和博士級研究等高級任務。
與生產(chǎn)力掛鉤后，商業(yè)化就變得水到渠成。按照現(xiàn)在的思路，大致有兩類：一類是訂閱收費，一類是以完成任務導向的結果收費。
OpenAI的Agent服務采用的是訂閱收費。據(jù)悉，未來Agent將作為主要的收入增長引擎。
為專業(yè)人士量身打造的Agent被分為了三檔：第一檔針對高收入知識工作者，每月收費2000美元；第二檔針對軟件開發(fā)者，每月收費10000美元；第三檔針對博士級研究，每月收費20000美元。
按Manus的想法，大概率要探索第二種，以完成任務導向收費模式。
Manus在分享會上，提出了“Agentic Hours per User (AHPU)”概念，即衡量用戶委托AI完成任務的時間效率，目標是通過并行任務提升生產(chǎn)力。目前，它已經(jīng)通過KV cache優(yōu)化、推理時延壓縮、執(zhí)行流程精簡等手段，實現(xiàn)了單次任務消耗控制在兩美元左右的成本。
這提供了另一種思路，對于使用頻率不高的用戶，可以單次任務為指標來收費。只要用戶能從AI這里獲得價值與滿足，就可以完成付費行為。
誰是最終受益者？
當然，上面討論的Agent能力和收費模式，還處于非常理想化的狀態(tài)。
眾所周知，“套殼”產(chǎn)品沒有護城河。但誰能想到，一夜之間就倒塌了。昨天Manus“炸場子”，今天開源社區(qū)通過逐幀扒視頻來復現(xiàn)?！癈AMEL AI”公眾號今天發(fā)布了一篇“0天復刻Manus通用智能體，完全開源”的帖子，將Manus核心工作流拆解為了六步。
一個Manus隱身了，千千萬萬個Manus誕生了。
Agent能力提升很大程度還是要依賴于大模型能力。Manus現(xiàn)在的思路是拼接，一個大模型能力不夠，另一個來湊。其宣傳的雖然是“Agent原生”，但以其團隊規(guī)模和訓練能力，不排除還是有搭建workflow的可能性。因為在當下，越多的workflow設計，代表著越強的可控制性。整體來看，行業(yè)大部分玩家都處于該水平。
而OpenAI發(fā)布的Agent走的完全是模型訓練的路徑。Deep Research突出特點便在于端到端訓練帶來的自主能力進化，基于微調(diào)的 O3 版本，底層訓練賦予了 Deep Research 很多分析能力。長期來看，在模型之上進行強化學習調(diào)整，可能才是構建強大 Agent 的關鍵。
Deep Research官方給出的案例中，已經(jīng)涉及到旅行規(guī)劃、股票分析、供應商采購、教育內(nèi)容創(chuàng)建、在線商店運營分析等，基本覆蓋了Manus的功能。短期，Manus想要脫穎而出，就得靠體驗和低價策略。長期的話，存在被OpenAI覆蓋的風險，畢竟一個“終端”小設計對其不構成任何威脅。
成本也許是最致命的問題。Manus聲稱單次完成任務消耗成本在兩美元，換算成token消耗量幾十萬到百萬?？紤]到用戶需求的復雜性，每次單個任務執(zhí)行中還會涉及補充任務需求，這對服務器資源和算力都是巨大的挑戰(zhàn)。有報告顯示，Agent一次任務可能消耗10-100倍于傳統(tǒng)聊天機器人資源。
但這對大廠都不是問題，元寶靠接入DeepSeek后來居上，在應用內(nèi)使用推理功能比DeepSeek官方還要順暢。大廠現(xiàn)在幾乎人手一個AI應用，有自研大模型，同時接入了DeepSeek-R1推理模型，RAG、聯(lián)網(wǎng)搜索更是現(xiàn)成的。對他們來說，原地改造或者再造一個Manus幾乎不是問題。
如果考慮原地化改造，或許可以考慮階梯付費模式。對大部分普通用戶采取免費策略，吸引新用戶和擴大用戶規(guī)模。在此基礎上，篩選高質(zhì)量付費用戶，也像OpenAI一樣進行分層付費，提供服務質(zhì)量越高，消耗的token數(shù)量越多，收費也就越高。