今天小編分享的科技經驗：Manus爆火啟示錄：套殼沒有護城河，歡迎閱讀。
文 | 光子星球
自昨天開始，Manus 空降 AI 圈，開始刷屏整個網絡。
熱度如潮水般湧來，Manus 卻陷入了兩極分化的争議中。有人為其搖旗呐喊，誇贊是 " 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 " 制造出的飢餓營銷令人反感，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，讓其伺服器被擠爆。
不知是何原因，目前 Manus 在海外社交媒體 "X" 上的官方賬号已被凍結。
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、多智能體產品，擁有 " 獨立思考 " 能力，能夠對復雜的通用任務進行多步驟拆解并執行。
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據增加，由此實現自然演化，而不是通過 workflow 來增強。
在 Demo 演示中介紹產品定位，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，來彌合概念與執行之間的差距。當其他 AI 只是在生產想法時，Manus 在交付成果。
Manus 直言不諱地表示其產品屬于 " 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 產品的定義回歸到了更加純粹的層面，就是讓 Agent 在不受人工幹預的前提下，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，只能退而求其次地外接工具和規定 workflow 來保證 Agent 執行效果。
Manus 演示中最驚豔的一點是，真正做到了 " 所見即所得 "，這也是 Agent 最本質的交付邏輯。例如，以前只能按步驟分析檔案再制作表格，現在一步到位，在識别用戶需求後，按步驟執行，直接交付最終的表格。
在其官方發布的演示視頻中，Manus 可以分析簡歷、制作表格、出具房產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。但某種意義上，Manus 算得上第一款完整的 Agent 產品。包括 OpenAI、Anthropic 和智譜都發布過 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，分别是浏覽器、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品。
裡面有一個小插曲，據說，Manus 團隊一開始的方向是 AI 浏覽器。在偶然看到 Arc 被放棄後，他們才決定了終止 AI 浏覽器的研發工作。現在在使用過程中，也能看到浏覽器的痕迹。
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。之後操作界面被劃分為了兩部分，左面是對話界面，右面是終端。
當開始執行任務後，左面開始識别意圖、制定執行步驟以及開始搜索、調用所需的各類工具。右面的終端相當于一個虛拟機，可以同步執行檔案處理、代碼生成、搜索浏覽器等工作。所謂的 Computer Use 主要體現在，模拟用戶點擊、浏覽和切換工具使用，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，很适合 C 端用戶使用，門檻低，功能簡潔明了，如若效果貨真價實，還是能產生不錯的用戶體驗。
據 " 自動華 .AI" 公眾号，Manus 提到提升未來使用體驗的 " 三板斧 "：
配置電腦，賦予 AI 訪問浏覽器和工具的能力，例如雲端浏覽器；開放權限，接入私有 API 和權威數據源，例如金融指标等；動态培訓，用戶可以通過反饋來實時調整 AI 行為，類似于培訓 Agent 實習生，用了幾天以後就能适配用戶需求，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變。
Agent 最終導向的是交付，拿效率和結果說話。這意味着 AI 變成了服務供給方，我們人類轉變為了消費方。需求決定供給，供給滿足需求，市場經濟的邏輯一旦能在 Agent 應用裡完成閉環，就能促成消費行為，最終實現價值。
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 "。現在，Agent 正朝着生產力方向發展。
Manus 的功能很容易讓人聯想到 OpenAI 的 Deep Research。這也是一個 Agent，能像經驗豐富的研究員一樣，查資料、思考并完成報告。OpenAI 官方宣稱，該功能将原本人類需要 8 小時的任務縮減到 5 分鍾，幫助人們在工作中節省幾小時甚至幾天。
據最新爆料，OpenAI 計劃為專業人士推出量身定制版 Agent，用于執行銷售線索分類、軟體工程和博士級研究等高級任務。
與生產力挂鉤後，商業化就變得水到渠成。按照現在的思路，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。據悉，未來 Agent 将作為主要的收入增長引擎。
為專業人士量身打造的 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；第二檔針對軟體開發者，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，目标是通過并行任務提升生產力。目前，它已經通過 KV cache 優化、推理時延壓縮、執行流程精簡等手段，實現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，可以單次任務為指标來收費。只要用戶能從 AI 這裡獲得價值與滿足，就可以完成付費行為。
誰是最終受益者？
當然，上面讨論的 Agent 能力和收費模式，還處于非常理想化的狀态。
眾所周知，" 套殼 " 產品沒有護城河。但誰能想到，一夜之間就倒塌了。昨天 Manus" 炸場子 "，今天開源社區通過逐幀扒視頻來復現。"CAMEL AI" 公眾号今天發布了一篇 "0 天復刻 Manus 通用智能體，完全開源 " 的帖子，将 Manus 核心工作流拆解為了六步。
一個 Manus 隐身了，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，代表着越強的可控制性。整體來看，行業大部分玩家都處于該水平。
而 OpenAI 發布的 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，已經涉及到旅行規劃、股票分析、供應商采購、教育内容創建、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。考慮到用戶需求的復雜性，每次單個任務執行中還會涉及補充任務需求，這對伺服器資源和算力都是巨大的挑戰。有報告顯示，Agent 一次任務可能消耗 10-100 倍于傳統聊天機器人資源。
但這對大廠都不是問題，元寶靠接入 DeepSeek 後來居上，在應用内使用推理功能比 DeepSeek 官方還要順暢。大廠現在幾乎人手一個 AI 應用，有自研大模型，同時接入了 DeepSeek-R1 推理模型，RAG、聯網搜索更是現成的。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模。在此基礎上，篩選高質量付費用戶，也像 OpenAI 一樣進行分層付費，提供服務質量越高，消耗的 token 數量越多，收費也就越高。
