从“猛犸浏览器”看移动互联网早期的蛮荒机遇
纪艺超（Pick）出身于北大物理系教授与中关村连续创业者的家庭，这种背景让他成为了一名兼具理性与技术直觉的“科技创业者”。早在2009年App Store出现后，身为高中生的他便意识到全球化变现渠道的缺失曾是开发者最大的痛点。他开发了第三方iOS浏览器“猛犸浏览器”，采用最朴素的买断制商业模式（buy copy），每卖出一份即赚取固定销售额。这种模式无需复杂的内购或增值服务设计，维护成本极低且现金流稳定。他在高中时期通过该软件赚取了约30万美金，成为中国第一代软件出海创业者。当时正值从桌面互联网向移动互联网过渡的“蛮荒期”，无论是BAT还是海外巨头，都在重新探索新媒介下的商业模式，这为个人开发者提供了巨大的机会窗口。
“App Store 当时的出现给了我一个契机，就是说我可以向我的父母、同学，乃至于老师证明说，我瞎搞的这个东西是能产生经济价值的。”
辍学创业与真格基金的“放养”承诺
尽管拥有稳定的现金流，纪艺超在高二、高三时面临人生抉择。当时国内缺乏成熟的支付渠道，他只能在国内论坛破解软件以“赚吆喝”，却意外获得了资本关注。真格基金创始人徐小平看中了他，并询问是否想创业。纪艺超最初拒绝是因为他享受边上学边躺着赚钱的状态，但在父母建议下重新评估了机会成本。他认为App Store带来的正反馈证明了创新的回报，且意识到自己踩中了时代机遇而非常态能力。最终他接受了真格基金的Term Sheet并决定大学辍学创业。关键原因在于真格基金给予了他极大的自由度：“他们不会管我干什么，我爱干嘛干嘛”。这一承诺兑现至今，成为他早期创业最重要的保障。随后他拉拢几位已保送北大的同学加入，团队意识到单纯的买断制在竞争加剧下难以为继。
从浏览器到NLP：技术驱动的兴趣转向
第二段创业的起点源于对“弱网环境”下用户体验的优化。当时3G初期网速缓慢，用户在使用人人网等社交媒体时频繁翻页。纪艺超提出通过预测用户下一次点击来进行预加载（preloading），这一需求迫使他深入研究自然语言处理（NLP）。2013年Google发布的Word2Vec论文成为他心中的转折点，该成果首次实现了将离散文本高效转化为稠密向量，使得机器学习方法能直接应用于NLP领域。相比之下，当时的依存句法分析等专有解决方案依赖大量人工标注且难以扩展。他意识到自己的兴趣在于NLP而非浏览器，于是果断放弃原有业务。随着iOS系统更新导致旧版应用不兼容，“猛犸浏览器”自然下架，但他认为这段经历完美融合了出海、AI与变现三个要素，为人生奠定了良好开端。
知识图谱与语义搜索：被误判的“下一代Google”
2013年，随着苹果筹备可穿戴设备（如Apple Watch）的传闻出现，纪艺超预见到交互界面的变革。他认为传统搜索引擎依赖大屏幕和自由文本展示的模式在语音或小型屏幕上将失效。他试图构建一种更结构化、紧凑的知识表达形式，即语义搜索（Semantic Search）。团队深入钻研知识图谱技术，发现其落地瓶颈在于过度依赖人工标注专家进行构建。他们试图解决任意问题的结构化回答，但当时技术尚不足以支撑大规模自动化知识抽取。尽管后来证明这一方向判断存在偏差（未赶上Transformer带来的大模型革命），但这段经历让他深刻理解了技术驱动与市场需求之间的错位。他反思道，浏览器这类产品更适合巨头在拥有分发渠道后锦上添花，而非创业者颠覆市场的切入点。
“如果我们在三月份发布的时候，如果没有任何付费的宣传，我死全家。”
Manus的争议与“正常人”创始人的稀缺性
在Manus发布前后，外界对其宣传片的反应两极分化。作为主要出镜人，纪艺超面对支持者与批评者并存的局面。他特别指出联合创始人肖红（小红）的一个稀缺特质：身心健全、无不良嗜好、无极端思想。在当前AI行业普遍存在偏执或艺术家气质的背景下，这种“正常”显得尤为难得。他直言许多创始人是“没有乔布斯的命，却得了乔布斯的病”。对于Manus的市场表现，他做出了极具自信的承诺：“如果我们在三月份发布的时候，没有任何付费的宣传”（注：此处语境为强调产品自然爆发力或宣传策略的有效性）。站在2025年Agent元年的尾巴上，Manus作为通用Agent的代表引发了全球关注。纪艺超认为，与移动互联网早期不同，AI时代缺乏全新的平台媒介，巨头、创业公司与个人开发者反应速度一致，不存在明显的“蛮荒期”红利。这种环境要求创业者必须更加干脆利落地执行，而Manus的故事正是这一时代特征的缩影。
“你会发现小红有一个非常稀缺的特质，什么？他很正常，他身心健全，没有任何不良嗜好，没有任何极端极端的思想。”
从人工标注到开放式信息提取的技术演进
早期知识图谱构建依赖如 Freebase（后被谷歌收购，演变为 WikiData）的众包模式，通过实体、属性及关系（边/谓语）构建三元组。然而这种完全依赖人类标注的方式存在明显瓶颈，团队决定研发自动化技术以突破限制。当时的解决方案主要基于命名实体识别（NER）和关系提取，但这要求预先定义好实体类型和关系 schema。由于现实中两个实体间的潜在关系是无限集，这种预设规则的方式具有极大的局限性。
“我们意识到，当前的技术肯定是有局限性的。那么我们当时就投入到了一种新技术的研发……Open IE 开放式信息提取。”
团队选择了最艰难的路径：从零训练模型，实现 Schemaless（无大纲）的自动提取。这意味着 AI 在阅读文本时，无需预先定义白名单或预设关系规则，即可自动识别潜在实体及其相互关系。这一技术突破使得 AI 能够持续、自动地构建不限领域的知识图谱，解决了传统方法无法枚举所有关系类型的难题。
模型迭代中的痛苦与长上下文技术的突破
从2013年底至2018年，团队经历了 NLP 技术最剧烈的迭代期。初期尝试基于传统依存句法分析和 BERTopic 向量化方案，随后转向 LSTM 及 Attention 机制。团队发现纯词向量方法存在严重的信息损失，因为同义词在不同上下文中的含义被压缩在相同的维度中（如512或768维），导致模型无法区分“孙悟空”在《西游记》、《七龙珠》或游戏中的不同指代。
Transformer 和 BERT 的出现解决了上下文编码问题，但每次技术迭代都意味着过去几年积累的模型需推倒重来。团队自2018年底开始解决长上下文（Long Context）问题，将模型支持长度从默认的512个 token 提升至 16k。这一时期，团队构建了总参数量约 0.3B 的模型，并开发了名为 Maggie 的产品。Maggie 能够自主爬取互联网文章并持续更新知识图谱，实现了类似终身学习（Lifelong Learning）的能力。尽管工程上极具挑战性——包括自研爬虫、索引引擎及基于英特尔 PMEM 持久化内存的向量搜索方案——但团队在技术实现上达到了巅峰。
GPT-3 带来的冲击与垂直整合的困境
2019年，团队获得 GPT-3 早期访问权限后意识到行业格局已变。GPT-3 证明了通用大模型在信息抽取等任务上能与自研的垂直短端模型达到“五五开”的水平，且具备通解能力。此前行业内任务泾渭分明（如机器翻译、客服系统各自为政），而 GPT-3 的出现印证了任务大一统的趋势。尽管 Google 此前发布的 Flan T5 已显露苗头，但 GPT-3 彻底改变了竞争态势。
“G P三出来之后，就彻底就把我们那条心给摁死了……我的第一反应就是赶紧卖掉公司。”
团队反思认为，Maggie 项目虽在技术上优于 Google 的 Knowledge Vault（在高置信度下准确率达 89.7%，且支持中文及阿拉伯语等反向书写语言），但在产品层面存在三大失误：一是低估了搜索引擎构建的非技术壁垒（如数据源生态）；二是过早押注尚未成熟的可穿戴设备或新交互界面，导致产品落地时机错误（“早一步是先驱，早十步就是先烈”）；三是商业模式在 To C 与 To B 间摇摆，团队基因更偏向技术研发而非商业运营。这种垂直整合（自研模型、产品、基础设施）的模式在外部技术巨变面前显得脆弱且低效。
加入独角兽公司：算力霸榜与心态转变
出售 Maggie 后，团队核心成员加入了一家处于独角兽状态的 AI To B 公司。这段经历被描述为“特别开心”，主要得益于独特的内部激励机制。公司内部建立类似 Kaggle 的打榜系统，获胜者可获得更多显卡资源，形成“强者恒强”的正向循环。该成员凭借对 Benchmark 的优化能力长期霸榜第一，囤积了数十张显卡。
“你赢得越多，你的奖品是什么呢？你能获得更多的显卡……所以我当时一个人能囤好几十张卡。”
充裕的算力资源允许其进行大规模实验和 Scale Up，无需受限于垂直整合的痛苦。这段经历也反映了其心态的转变：从早期追求“证明自我、死而无憾”的技术执念，转变为更轻松的状态。他意识到历史会押韵但不会重复（如从512 token 到16k，再到如今的百万级上下文），并选择加入新技术浪潮而非对抗。这种从“垂直整合”转向利用基础设施层资源的策略，使其在 GPT-3 爆发后的行业洗牌中找到了新的定位。
避开大模型红海，转向基础设施与应用层的战略抉择
在2023年中旬的AI浪潮中，尽管ChatGPT和Character.ai等产品已展现出PMF（产品市场契合度），但Pik意识到自己并非大模型或通用AI应用的最佳人选。他明确表示不想再体验那种特别难受的状态，因此将目光转向了基础设施层与应用层。他观察到当时行业缺乏系统性的方法论，大家都在基于直觉下注，而他希望像字节跳动一样拥有数据思维。经过一年半的沉淀与交流，他决定不再主导产品，而是寻找一个空的画布去观察用户行为。他认为ChatGPT的成功是天时地利人和的结果，而Character.ai这类产品因无法融入他的生活场景，让他意识到自己不是用户就做不好这样的产品。因此，他选择通过观察现有工具来寻找真正的机会，而非盲目进入大模型赛道。
浏览器插件：作为观察用户行为的“空画布”与低侵入性载体
Pik最终被Monica这款Chrome插件形态所吸引，认为它是进入AI应用时代的绝佳门槛。他推崇这种产品形态的核心原因在于其无偏的观测性。Monica没有改变用户的使用习惯，用户在Gmail或YouTube中依然保持原有轨迹，这使得对AI使用的观察更加真实。此外，浏览器插件通过基于Context的功能分发机制解决了复杂度爆炸的问题：视频理解功能仅在YouTube出现，写作辅助仅出现在Gmail中。正如Pik引用的GetUp理念：“Everything add dilute everything else”（每增加一个东西都会稀释所有的价值）。这种形态避免了在单一界面中无限叠加元素，使得产品能够作为一个空的容器（Empty Container）或画布，让用户自然探索AI的能力边界。
寻找“正常”的CEO：从艺术家执念到尊重常识的经营哲学
在组建团队时，Pik深刻反思了自己作为CEO的局限性。他坦言自己情绪上抵触管人，且过于追求技术上的“正道”而忽视商业现实。他形容许多AI创始人是太艺术家了，甚至带有偏执或抑郁倾向，这在移动互联网时代或许能靠低成本获客成功，但在AI领域则行不通。他认为AI行业更像传统制造业，随着用户量增加，推理成本（Inference Cost）呈线性级提升，因此对经营操作能力的要求极高。相比之下，他的合伙人小红（Manus CEO）具备稀缺的“正常”特质：身心健全、相信常识且尊重团队。Pik认为，在AI创业中，身心健康比偏执的艺术家气质更重要，因为创业者必须能够一次次谦卑地站起来，冷静应对外界变化。
模型与应用的时序之争：先PMF后自研模型的理性路径
针对“拥有大模型才能做好应用”的观点，Pik提出了时间先后顺序的辩证看法。他承认头部应用公司未来都会具备模型能力，但在早期阶段自研模型会严重拖慢迭代速度。他引用Cursor推出Composer One模型的案例，指出自下而上的模型迭代会反向引导产品走向，导致产品经理追不上模型的思维活跃度。他主张在产品尚未达到PMF时，应使用外部模型以追求速度；只有当产品稳定后，才应以增加稳定性、降本或突破天花板为目的去自研模型。他特别赞赏千问（Qwen）和DeepSeek，认为前者展示了大厂年轻人的扎实能力，后者则通过开源数据集留下了遗产。他强调内部的Evaluation和Benchmark是AI公司唯一的护城河，这决定了公司的方向与品位。
SOTA模型的短暂保质期与垂直整合的困境
大语言模型（LLM）的出现彻底改变了行业的竞争格局，模型的保质期被极度压缩至一到一个半月。在早期做垂直任务（如信息抽取）时，评价指标是多元的，开发者有较多的腾挪空间；但在Next Token Prediction范式下，各种任务被统一建模，世界上的衡量指标维度非常清晰且单一。这种激烈的“不进则退”状态意味着，如果只做模型而非SOTA（State of the Art），将毫无意义。尽管追求极致性能痛苦，但对于模型公司和A轮公司而言，追求SOTA依然是必要的，因为选择的Benchmark决定了Taste能否落地。相比之下，做产品更为美妙之处在于可以自己定义什么是好，从而在错位的赛道上通过差异化竞争获得更大的发挥空间。
模型公司与应用公司的边界消融及硅谷人才流动
展望未来，大模型公司最终都会演变为同时做模型和应用的公司。以美国市场为例，OpenAI更像是一家模型公司与一家强关联但非绑定的研究实验室的结合体；Google则始终在双向保持强势；而Anthropic通过Cloud Code的成功激励，展现了极佳的面向用户及开发者产品的打磨能力。然而，随着知识在硅谷的快速流通——例如OpenAI员工配偶可能在Google工作导致几乎没有秘密可言，单纯依靠模型优势已难以维持壁垒。因此，未来的竞争核心将转向应用之争，做出一款被大家喜欢的优质应用，比做出够好的模型难得多。每个成功的应用背后都会绑定特定的模型，模型公司与应用公司的界限将不再泾渭分明。这一判断基于2023年初对Long Context、Agent交互以及Scale Up（算力投入）趋势的早期洞察，其中看好通用方法加更大算力的路径并因此投资NVIDIA股票的经历也被证明是准确的。
从浏览器插件到AI原生浏览器的战略误判与反思
在2024年3月加入Manus后，团队曾基于Monica作为Chrome插件的成功经验，试图打造一款AI原生浏览器。当时认为插件生态存在天花板：尽管AdBlock和Grammarly等头部产品拥有约五千万活跃用户量级，但面对Chrome全球二十亿日活而言渗透率不足百分之一。团队天真地认为跳出插件形态、做原生浏览器能实现端侧模型运行以尊重隐私并节省API成本。然而，这一战略很快被内部验证为错误：首先，浏览器本质是联网的，追求离线端侧运行显得荒谬；其次，受限于硬件（如Apple Silicon仅能跑约3B模型），端侧效果远不如云端旗舰；最后，让AI接管电脑操作体验极差。当用户滚动屏幕时，会打破AI的Observation（观察）状态，导致人与AI共用一台电脑产生“抢系统”的怪异体验。此外，对于简单任务（如点外卖），AI每步推理耗时数秒至十秒，用户自身的快速决策比AI更高效，只有长周期任务（Long Horizon）才体现AI价值。
Manus的六人合伙团队结构与混合决策机制
Manus（蝴蝶项目）由六位连续创业者组成合伙人团队。核心成员包括负责产品和对外宣讲的CPO张涛（前豌豆荚、神策创始人），以及Monica原始创始人的CEO肖红、CTO潘潘和CMO慧杰，加上Manus联合创始人本人及负责运营的CC。团队认为AI时代难以将能力项完全正交，Research与Engineering深度耦合，产品又引导系统架构。在决策机制上，团队采用混合模式：设定目标（Goal）时由CEO肖红进行仁慈终身独裁者（BDFL）式的集权决策；确定优先级时采用专制加民主的形式，兼顾专业意见；而在提供备选方案（Alternative）阶段则充分民主化，因为可选方案的数量比质量更重要。肖红作为产品最终决策者信奉“与其悬而未决，不如赶紧试试”，通过快速行动获取反馈而非过度思考；而技术决策上则赋予联合创始人BDFL权力。团队正逐渐从自上而下转向自下而上的成熟协作模式，强调成员身心健康且观念不极端。
放弃AI浏览器的核心逻辑：无法超越Chrome+插件的生态优势
在开发原生AI浏览器期间，团队发现长时任务执行存在严重的体验痛点。由于模型运行在本地电脑，持续操作会导致设备休眠或卡顿，用户不得不全程盯着屏幕以防中断，这完全违背了AI解放注意力的初衷。更深层的问题在于产品价值的不可替代性：团队未能回答“原生AI浏览器相比Chrome加Monica插件有何本质区别”，经过冷静复盘，发现两者功能重叠度高。回顾浏览器历史变革，从Netscape到IE再到Chrome的迁移，根本驱动力在于渠道分发能力（如预装）或重大技术/安全危机带来的历史机遇。在Chrome生态成熟且插件丰富的当下，用户缺乏足够动力仅因AI功能而更换浏览器。
“我做Arc这么久，我甚至无法说服我的亲戚朋友从Chrome换成Arc。”
这一观点与美国创业公司The Browser Company创始人Josh Miller的言论产生强烈共鸣，后者宣布停止开发Arc浏览器。这印证了创业公司难以通过单纯的产品形态颠覆来挑战巨头生态的结论。团队意识到，继续投入将陷入“自证循环”，错失其他高价值机会。因此，在九月末团队达成共识放弃该项目，这种“无所事事”的状态反而为后续创新提供了空间。
Monica带来的商业底气与对Context（上下文）的深刻洞察
放弃浏览器项目并非盲目冲动，而是建立在Monica产品带来的正向现金流基础之上。当时Monica已实现约1200万美元的年度经常性收入（ARR），这种财务稳健性让团队在决策时既大胆又理智。正向现金流产品是创业公司进行第二曲线探索的安全垫，它消除了生存焦虑，使团队能更客观地评估新项目的机会成本。
此外，Monica让团队深刻理解了Context（上下文）在AI应用中的核心地位。与需要用户手动复制粘贴内容的Chatbot不同，Monica作为浏览器插件能主动观测并捕获用户的浏览上下文。通过宏观脱敏数据统计，团队洞察到用户的行为模式（Pattern），认识到顺畅的上下文传递是提升AI实用性的关键。这种对用户行为习惯和技术痛点的理解，为后续产品形态的设计提供了重要启发。
Manus的诞生：从Cursor非典型用法中提炼“通用编程能力”
在浏览器项目停滞后的短暂空窗期，团队观察到Cursor等编码AI工具在非工程师群体中的意外流行。运营同事用其写博客，数据分析同事用它做可视化。这一现象揭示了“编程并非垂直能力，而是解决通用任务的媒介”。然而，Cursor作为IDE形态存在局限：代码界面带来技术紧张感、本地运行导致权限风险（如误删驱动）、且无法异步并发执行长时任务。
团队决定重构这一形态：将AI Agent从本地移至云端，以异步并发方式执行任务，并将代码复杂度包装在后台。目标用户从专业工程师转向Prosumer（产消者）及所有脑力工作者。基于此前在Chromium内核和Agent调度系统上的技术积累，团队迅速立项。项目代号“Air BNB”（Browser in Browser in the Air），意在描述在云端浏览器中运行另一个浏览器的概念。从九月底启动到次年一月完成，仅耗时六个月。
命名寓意与发布策略：心手合一与时机对齐
Manus的名字源自拉丁语“Mens et Manus”（心与手），寓意让智能真正触及现实世界。团队认为，大模型解决了“心智”层面的智力问题，但缺乏物理世界的执行力（手），因此Manus的使命是成为那个“手”，实现心手合一。这一命名也延续了团队产品以M开头的巧合传统（猛犸、Maggie、Monica）。
在发布策略上，团队选择延迟上线以等待模型迭代。当时可用的最佳模型是Claude 3.5 Sonnet V2，虽具备初步Agentic能力但缺乏真正的推理（Reasoning）深度。团队预判两个月后将有新一代模型发布，因此决定将产品发布时间与下一代模型的代际提升对齐。通过额外一个半月的打磨，确保Manus在发布瞬间能最大化利用模型溢出的性能红利。这种策略体现了团队对技术趋势的敏锐判断和对产品体验极致追求的平衡。
“如果一个产品做完，你觉得不太酷，就别发。你都觉得不酷，没人会觉得酷。”
这一理念贯穿了团队从浏览器到Manus的决策过程，强调创始人的直觉与用户视角的一致性。通过放弃不酷的产品、依托现金流支撑创新、洞察通用任务媒介化趋势，团队成功实现了从浏览器插件到云端AI Agent的跨越。
ARR 核算口径与定价简化策略
在衡量产品健康度时，Manus 内部坚持使用极其严格的财务口径来定义年度经常性收入（ARR）。ARR 的计算并非简单地将当月获得的年收入除以十二，而是基于 Stripe 及移动端实际产生的月度经常性收入（MRR）乘以十二。这种单一口径旨在避免通过多种方法人为夸大 MMR 数字，防止团队陷入自我欺骗。目前 Manus 的 ARR 已超过一亿美金。在收费模式上，公司曾采用订阅加单次充值（top-up）的复合模式，虽赋予用户灵活性但造成困扰。因此，Manus 不断简化定价方案，目前基本分为免费方案和默认 40 美金/月的自由订阅方案。这种对数据的严谨态度和对用户痛点的简化，体现了产品驱动型公司对核心指标的重视。
从技术赌注到敏捷迭代：文化适应与决策逻辑
加入 Manus 后，创始人经历了从传统硬科技创业到产品驱动型创业的剧烈文化转变。过去在技术层面做决定时，往往伴随着巨大的心理压力，因为数据清洗代码的错误可能导致几十万美金的训练运行损失，且后果难以纠正。而在 Manus 这样以产品驱动的公司中，迭代成本更低，因为没有垂直整合模型的沉重包袱。创始人提到：“如果你是一家完全以产品驱动的话，你会发现整体的节奏会快特别多……甚至一开始说实话，我是有些不适应的。”这种快节奏允许“先发布再修复”，与模型训练中必须慎重的单向门决策形成鲜明对比。团队在初期并不适应这种看似草率的节奏，但逐渐意识到产品迭代的掉头速度远快于技术底层的重构。这种文化差异让许多习惯重型技术赌注的研究员感到不适，认为其缺乏真正的“技术 Bet”，但 Manus 团队通过实践证明了敏捷开发的有效性。
“壳”的厚度：Agent 与 Chatbot 的本质区别
Manus 将自己定义为一种特殊的“壳”（Shell），并以此区分于简单的套壳产品。创始人用比喻指出，像 Monica 这样的工具如同生鱼片，其价值完全取决于原材料（基座模型），加工深度浅；而 Manus 则更像四川水煮鱼，虽然也是“壳”，但内部结构复杂。这种差异源于 Agent 与 Chatbot 的本质不同：Chatbot 仅包含人和模型两个元素，而 Agent 引入了第三个关键元素——环境或运行时（Runtime）。这个“第三元素”使得 Manus 的壳具有地壳一样厚的深度，能够处理复杂的环境交互。这种对“壳”的重新定义，强调了 Manus 并非仅仅包裹模型，而是构建了一个能够自主操作环境的复杂系统框架。创始人认为，“壳”并非低技术门槛，相反，构建一个能稳定运行在复杂环境中的 Shell 需要极高的工程能力。
三个关键 Bet：不做中国版 Cursor 与通用 Agent 的坚持
Manus 的成功源于三个关键的“Bet”（赌注/决策），且多为轻量级、可逆的决策，而非重型技术押注。第一个 Bet 是相信通用 Agent（Manus）可以被制造出来。起初团队仅由 5 人在北京进行实验，随着苗头显现才从武汉的 Monica 团队（几十人）调动资源支持，采取渐进式加码而非全面转型。第二个 Bet 是不在此时训练自有基座模型。当时可用的开源模型（如 Cloud 3.5, Sonic V2）稳定性差，但创始人判断技术上升极快（如 Cloud 3.5 V1 到 V2 的巨大进步），不应在此方向下重注，而应 Bet Context Engineering（上下文工程）和 Agent 框架带来的提升。第三个 Bet 是拒绝做“中国版 Cursor”，坚持差异化创新以服务于 Prosumer（专业消费者），而非卷入同质化竞争。这些决策体现了“不做”比“做”更重要，尤其是在 AI 极大提升生产力的今天，克制地选择方向成为关键。
通用 Agent 的长期主义：长尾场景与网络效应
Manus 选择做通用 Agent 而非垂直领域，基于技术和产品形态的双重考量。技术上，Manus = 通用模型 + 计算机（图灵完备的虚拟机沙盒），底层供给是通用的。产品上，通用架构允许用户自由发挥想象力，团队通过观察集体行为捕获头部场景（如 PPT、网页制作）进行优化。创始人强调：“Manus 是一个完全由用户所塑造的一个产品，且同时又保留了极强的通用能力。”这种策略解决了垂直 Agent 频次低、心智难建的问题。更重要的是，通用性带来了长尾场景的惊喜。例如，一位分子生物学家上传小众格式数据，Manus 自动解析并完成分析。这种长尾不等于低频的场景（用户日常工作）能带来强烈的 Aha Moment。此外，Manus 坚持统一的 Agent 框架，使上下文和记忆自由流转。一个任务完成后，Agent 能自动衔接下一步（如做完网页后分析流量、生成 PPT），产生内部网络效应，这是垂直功能无法比拟的优势。
环境边界：从虚拟机到广域并行计算
Manus系统的核心架构由用户、环境和模型三个具有明确边界的元素构成，其中环境决定了Agent与外界接触的边界。Manus并未如误解那样为每个用户分配实体电脑，而是基于内部虚拟化团队构建的独立一次性沙盒（Sandbox）进行运作。这种架构使得Manus能够被称为“个人云计算产品”，让非编程用户也能享受算力。环境扩展的第一层在于Scale Out能力，例如推出“Wide Research”功能以解决其他AI因上下文窗口限制或模型惰性导致的任务失败问题。当面对如“查找YC所有AI营销公司CEO邮箱”这类复杂任务时，Manus可启动上百个沙盒并行处理并汇总结果。
在虚拟化技术选型上，Manus摒弃了绑定Linux内核的Docker容器方案，转而采用基于Firecracker的全虚拟化技术以支持Windows生态。这种重路径的选择扩大了Agent的动作空间，因为许多专业软件仅存在于Windows环境中。此外，Manus维护着一个专为Agent设计的Linux发行版，预装了只有内部团队知晓如何调用的工具。正如创始人所言：“Manus其实是一款个人云计算产品，因为你真的是让不会编程的人也能去操作云计算。” 这种对环境的深度定制和扩展，构成了Manus区别于普通Chatbot的基础设施壁垒。
Token消耗：以质量为先的巨额投入与成本覆盖
Manus虽然不直接研发底层模型，但凭借巨大的Token消耗量成为各大厂商的核心客户。我们在各个模型厂商基本应该都是Top 2到Top 5的消耗量全球范围内，这种影响力使Manus能反向干预模型的发展。在成本结构上，Transformer架构中Input Token（Prefilling）与Output Token（Decoding）的成本差异巨大。传统Chatbot的Input/Output比例约为3:1，而Manus作为Agent系统，这一比例高达100:1到1000:1。因此，Manus的Token消耗量是传统Chatbot的几十甚至上百倍。
尽管早期处于负利润状态，但通过优化曲线和商业化收入，Manus迅速实现了盈亏平衡甚至盈利。“我们不会为了成本或者速度去缩减Token的消耗量，我们一定是以质量为先。” 创始人甚至提出梦想制造一台“7x24小时烧Token的机器”。这种策略不仅保证了Agent任务的执行质量，更通过巨额投入换取了对模型厂商的技术话语权。Manus团队利用自身对Agent场景的理解，直接参与定义如Gemini的“可控并行函数调用”等特性Schema，从而以较低的研发带宽获得了顶尖模型能力的加持。
模型对齐：Agent工况与Chatbot训练数据的错位
当前主流大语言模型的训练数据主要面向Chatbot场景，这与Agent的工作逻辑存在根本性错位。基于ReAct范式的Agent需要在循环中根据Observation选择Action，而非像Chatbot那样急于在一轮内给出完整回答。“Agent基础假设其实就是圣语的那篇paper ReAct……它每次都跟别人讲，都是这个。” 然而，现有模型缺乏真实的Agent轨迹训练数据，导致其在长链路任务中表现出“耐心不足”。当Input Token长度增加时，模型会感受到无形的Context Pressure，倾向于输出EOS（End of Sequence）以结束对话。
这种压力导致模型在后期任务中质量急剧下降，表现为疯狂使用要点列表（Bullet Points）进行简短总结。“它到后面开始疯狂用bullet point……写短，写短。” 此外，针对数学或编程竞赛设计的Reasoning模型（如O系列）直接应用于Agent场景时效果不佳，因为其长思维链会削弱指令遵循能力并增加幻觉风险。Manus主张采用“Interleaved Thinking”（交错式思考），即在观察后短暂推理再行动，而非长篇幅的内部沉思。同时，Manus认为20K以上Context的重要性低于模型的“压缩意识”（Compression Awareness），即模型应学会将中间历史信息外化至文件系统而非一直占用上下文窗口。
厂商生态：差异化竞争与快速迭代的壁垒
在模型供应商选择上，Manus根据场景需求均匀分布合作对象。OpenAI在多轮现实工程编程方面表现最佳，其推理能力领先；Anthropic在Coding领域极其先进；而Gemini在多模态理解（尤其是YouTube视频）和Google索引访问上具有断层级优势。“Gemini，很明显它的多模态领域……是非常非常非常强的。” 这种多元化的模型组合使Manus能够灵活应对不同任务需求。
面对“厂商可能抄袭产品”的担忧，Manus的核心壁垒在于速度。由于模型迭代周期长于应用开发，快速的产品落地和用户体验优化构成了护城河。“我觉得就是快……你们没有那么快能抄他们的模型。” 同时，Manus通过高频反馈推动Google DeepMind和Anthropic等厂商快速改进模型特性。这种“用户付费-创造价值-反向训练模型”的闭环，不仅节省了内部研发带宽，还推动了整个行业对Agent友好型模型的演进。Manus团队认为当前是应用开发者的幸福时刻，因为头部旗舰模型的技术成果正迅速溢出至开源社区。“全世界都在帮我们一起去训练很好的模型，而我们却没有自己掏出很多钱去砸进去。”
垂直整合的直觉陷阱与模型彩票
在AI行业的竞合关系中，Manus认为应用公司相较于垂直整合的模型公司拥有独特的结构性优势。尽管竞争对手如OpenAI通过博客频繁展示Thinking Tool、MCP调用等前沿能力，但Manus并不焦虑。其核心逻辑在于：应用公司的优势源于对多模型的灵活适配与极速迭代。垂直整合往往导致产品路径变窄，而Manus通过为不同场景选择最优模型，确保用户体验始终处于最佳状态。这种反直觉的现象源于公司基因：应用层无需购买“模型彩票”，而是将外部所有创新视为养料。正如Manus创始人所比喻的，欧派等尊重自下而上模式的公司证明了小团队创新的重要性，而Manus则通过聚合外部突破来构建场景，避免了单一模型路线的风险。
用户数据飞轮与远程劳动力指标（RLI）
Manus的核心壁垒在于其独特的数据飞轮机制。与Chatbot不同，Agent场景下用户会主动“教导”或“修复”AI，这些反馈留存于应用层而非模型层。这种基于集体反馈的在线学习（Parameter-free）使得系统能自动吸收通用失败模式，实现自我进化。在评估体系上，Manus高度关注Scale AI发布的Remote Labor Index (RLI) 基准测试。该Benchmark的核心标准是：AI完成的工作能否让现实客户愿意付款，且无法区分是人类还是AI。
“这个Benchmark里头...Manus就是SOTA了，肯定第一名。然后我们战胜了像那个Cloud呀、这个Gemini这所有这些竞争对手。”
尽管Manus在RLI中排名第一，但完成率仅为2.5%。这一数据揭示了通用Agent的巨大潜力：若能提升至更高水平，将能显著加速全球GDP的生产规模。Manus认为，评估不仅是技术指标，更是指引产品方向 Taste 的关键。
Prosumer用户画像与通用Agent的本质
Manus的用户群体主要定义为Prosumer（专业消费者），具体分为三类：互联网/技术公司的非程序员白领、Freelancer/Solo Entrepreneur（独立创业者），以及金融和咨询行业从业者。这些用户具备强自驱力且任务高价值。Manus强调，通用Agent不是在制造工具，而是在模拟一个“人”的系统。
“如果你做的是一个通用 agent，你其实在做一个一个人。... Manus 作为一个通用 agent... 我们一直在这样一个类比，就是说我是一个人，一个普普通通的人。”
Manus通过标准化的接口（如鼠标、键盘、屏幕）让Agent能执行无穷无尽的任务，这与垂直工具（如Lawfare作为设计师的工具）有本质区别。这种通用性要求Agent具备极高的抽象层级，能够像人类一样通过标准接口与外部世界交互。
评估困境：从自动化到主观评价的回归
在数据飞轮的第二层，Manus依赖用户的直接反馈（如1-5星评分）来指导迭代。创始人指出，自动化评估存在严重局限。虽然SweepBench等基准测试能验证技术架构，但用户更关注美学、长宽比（如16:9）等主观体验，这些难以通过自动Reward Model量化。因此，Manus建立了由十多人的专门评估团队（含技术与产品人员）负责的主观评价体系。
“用户关注点跟你这些理想化的标准还是挺不一样的... 什么叫网站好用、可易且易用？这东西你很难通过一个完全自动的 reward model 去实现。”
Manus关注的核心原子能力包括：Coding（SwiftBench）、GUI理解（Browser Use）以及广义的Tool Calling。此外，错误自我意识是关键指标：低维度指AI能否在用户指正后修复Bug而不引入新错误；高维度指从“可用”到“好用”的跨越，例如Manus能自动运行生成的网页并校验数据库记录。创始人反对将人类组织架构（如分工明确的Designer/Manager）强加给Agent，因为模型比人更全能，生搬硬套只会增加沟通摩擦。通用Agent将输入责任交给用户，而垂直Agent则深入特定业务系统获取数据。
关于“OS”概念，Manus持谨慎态度。创始人认为Agent OS尚不成熟，因为用户文件和软件并未完全托管于AI层。Manus更倾向于与现有OS（如Windows）深度合作，而非试图取代它们成为中间层。
操作系统厂商的开放心态与Agentic生态趋势
现有的主流操作系统厂商正以相当开放的心态拥抱AI Agent技术，例如Microsoft在Agent 365中集成了Manus。这种趋势表明，未来的竞争焦点并非突然出现一个全新的“Agentic Browser”，而是所有现有的浏览器都在变得具有代理能力。在生态格局上，垂直领域的Agent预计将呈现百花齐放的状态，尤其在To B（企业级）市场会更为集中。这一现象在美国市场尤为明显，许多创业者倾向于开发面向其他公司的产品，而非直接面向消费者（To C）。
“我更相信的不是突然出现了一个全新的 Agentic Browser，而是所有的 Browser 都在变得 Agentic。”
这种To B倾向源于美国成熟的退出机制和资本市场正反馈。创业者可以通过出售公司或独立上市获得稳定回报，这种成功路径塑造了市场倾向。相比之下，中国创业者在移动互联网时代积累了更多To C经验，心态更为勇敢。Manus选择在美国市场坚持做To C产品被视为一种“异类”，但也因此吸引了愿意下大注的投资人。这种差异反映了不同市场环境对创业策略的深远影响。
垂直To C Agent的挑战与“增强人”而非“替换人”的理念
在垂直To C领域，Agent的开发面临独特的挑战。以视频剪辑为例，为专业剪辑师开发工具极难成功，因为专业人士从风险控制角度审视产品：任何环节的失误都会导致整体评价为零，这是一种乘法关系。因此，垂直To C Agent的正确切入点应是服务于有需求但缺乏专业技能的非专业人士（如自媒体创作者），从而提供净增益。
“做垂直to C的应用很难的一种一种模式是什么？就是比如说你要给剪辑师。做一款更好的剪辑 agent，他说这是非常非常难的。”
Manus的核心设计理念是“增强人”（Enhance People）而非替换人类。如果用户认为Agent旨在取代自己，他们会出于风险控制本能地排斥；但如果工具能提升现有高效雇员或自驱个体的产能，则更容易被接受。这种理念避免了用户因恐惧失业而产生的抵触心理，转而关注如何通过工具提升个人生产力效率。
与OpenAI的竞争分层：服务高价值需求用户
尽管存在竞争，Manus认为自身市场定位与OpenAI的ChatGPT Agent并不完全重合。在ChatGPT推出前，市场常担忧OpenAI的进入，但实际效果显示Manus在特定场景下表现更优。这主要基于两点：一是Manus能整合市面上所有最佳选择，而OpenAI仍局限于其专长领域；二是用户心智差异。ChatGPT已占据通用问答市场，但有复杂Agent需求的用户在数量上少一个量级。
“ChatGPT我觉得它是一个打透了的产品，就是Chatbot的战争已经结束了……但实际上有Agent需求的人，客观来说是少一个量级的。”
Manus采取自上而下的策略，初期通过硅谷精英（如Jack Dorsey）口碑传播，专注于服务对价格不敏感但对效率有高要求的用户群。对于快速问答等低价任务，许多高端用户仍首选ChatGPT。因此，Manus长期专注为真正有高价值需求的用户提供最佳AI体验，而非争夺最底层的通用用户群。这种分层市场策略使得两者可以共存。
未来方向：主动性（Proactiveness）与通用Agent的技术本质
Manus未来的核心投入方向是“主动性”（Proactiveness），即Agent的本意Agency。当前用户输入Prompt的过程繁琐且缺乏上下文代入，Manus致力于优化这一瓶颈，让Agent在后台主动完成任务。例如，面试后系统可自动读取Notion记录并填写第三方SaaS的评价表格，用户仅需确认。这种设计旨在解放用户的操作瓶颈。
“我们更关注的应该是如何让 Agent 主动去完成更多的事儿……解放出来的就是用户的这层瓶颈，让 agent 的能动性逐渐去发挥出来。”
关于“通用Agent”的定义，创始人透露该概念最初仅为视频拍摄时的临时应对（遮挡保洁阿姨入镜），并非精心设计的市场定位。但从技术角度看，通用架构允许不同场景（如网站构建、幻灯片生成）在统一底层上协同增强。Manus不会收敛为垂直产品（如单独的Slides Builder），而是保持统一Agent架构下的长尾能力与头部场景优化。对于设计类垂直工具（如LoveArt），Manus定位为服务非设计师用户，并通过集成能力作为网络节点融入工作流，而非直接竞争。
竞争格局：竞合常态与信心来源
Manus团队认为，尽管Coding是AI的主赛道且竞争激烈（如Gemini在静态前端美学上的领先），但竞争是一种常态化的焦虑，而非生活的全部。团队强调与Kimi等国内模型公司无直接竞争关系（因无国内业务），而与国外模型巨头最终将形成竞合关系。回顾与ChatGPT的早期交锋，团队在效果上至少是赢家的。这种自信源于对产品的极致信念：在北京ePark共享办公室的初创期，团队仅设6个工位，却因对技术潜力的高度确信而处于“极度快乐”且无焦虑的状态。当内部测试跑通一个由Ned独立完成的找办公室、查地图、写程序并交付网站的全流程案例后，团队确信“这东西一定能成”，这种信心在后续多次不同Case的跑通中不断强化。
算力瓶颈与邀请码机制的真实逻辑
发布初期遭遇的“过度营销”质疑，实则是算力供给严重不足下的被动控量手段。团队在发布前与云厂商沟通时，发现全球能立即提供的算力远少于预期。例如Cloud曾警告“千万别放开，否则我们会挂”。由于Agent工作负载中Prefilling与Decoding的比例从Chatbot时代的3:1激增至约100:1，导致输入Token量随迭代呈指数级增长。在无法即时扩容的情况下，邀请码成为唯一可行的控量方式。团队坦言，若算力充足且Scaling做得更好，用户无需经历早期的服务崩溃体验。Google GCP、Azure和AWS在物理层面紧急调拨资源（如从其他可用区搬卡插柜），提供了雪中送炭般的支持，帮助Manus撑过第一个月。随着基础设施适应Agent工作负载，团队在不到一个月内便去除了邀请码机制。
营销争议：广结善缘与出海定位
关于“买量炒作”的指控，团队坚决否认并强调没有任何付费宣传。Manus的目标市场是海外Prosumer群体，国内热度对出海业务无直接助益甚至带来压力。因此，团队选择在美国早晨（北京时间深夜）发布以聚焦北美市场。国内自媒体的自发报道被视为“多年广结善缘的结果”：团队长期无私分享技术见解，许多曾经的合作伙伴如今已成为投资人或媒体人，出于朋友情谊自然进行报道。团队在国内采取“灭火”策略，避免过度解读或赋予产品过多非技术含义；而在海外，则依靠Andrew Capaci、Patrick Coninson等核心用户自上而下地影响大众。这种去中心化的传播链路证明，好产品加上朋友的支持足以引发自然爆发。定价方面，团队承认初期逻辑简单（参考ChatGPT的$20-$40区间），本质是按量付费，初期甚至通过补贴用户来体验Agent形态。目前团队正快速走向盈亏平衡，并保留免费额度以履行社会责任。
决策风格与生态现状
在Manus的发展过程中，小红（Xiaohong）作为最终决策者拥有极大话语权。团队内部的争论务实且高效，例如关于是否开发独立Chat Node的讨论，最终结论是“赶紧做一个试试”，通过海量A/B测试快速迭代而非长期犹豫。团队认为，创业公司没有天然活着的权利，生存权是靠持续奔跑争取来的。爆火后的生活状态是“颠倒黑白”，因需支撑全球不同时区客户而极度忙碌。面对国内外的赞誉或批评，团队保持理智与沉默，专注于客户服务与产品迭代。目前Manus的生态并非稳固不变，而是处于动态竞争中，团队通过快速响应市场反馈来维持竞争力。定价策略虽无复杂逻辑惯性，但已随商业化能力增强而逐步优化。
早期救火与团队重组
Manus的用户遍布全球，但在产品爆发初期，团队规模尚小，面临着极高的运营压力。那段时期团队成员长期处于“救火”状态，系统频繁故障导致大家极度疲惫。每天只能间断性睡眠三到四个小时，精神状态极差。为了改善跨区域协作效率低下的问题，团队决定将武汉同事集中到楼上租用的更大办公室进行线下办公。书架上摆满的不再是书籍，而是各种补剂和营养品。
“那段时间真的就是大家精神状态都很差……甚至当时我们那个书架上摆的更多都是就什么补剂、营养品。”
尽管工作环境艰苦，但投资人的正反馈成为团队的重要精神支柱。白天网络上充斥着对Manus的批评甚至谩骂，而在与投资人沟通时获得的认可是一天中最温暖的时刻。这种反差让团队在高压下依然保持动力，但也促使他们反思如何更好地应对公众情绪。
国区山寨品与出海战略的必然性
Manus在国内遭遇大量负面评价，创始人指出一个关键原因：国区App Store上搜索到的Manus多为山寨品，用户因使用假冒产品而愤怒。此外，用户对突然爆火的产品天然存在营销质疑。创始人郑重声明：“如果我们当时有这种行为的话（蹭热度/造假），我先死全家。”
面对有限的团队带宽，Manus选择优先服务海外高付费意愿市场。AI产品更像制造业而非传统互联网，因为算力成本高昂且边际效益不为零。Manus无法承担大规模补贴战的风险，必须保证自身生存。“我们要先保证自己能活下去，再去讨论这件事儿。” 因此，初期战略聚焦于出海，利用海外用户对生产力工具更强的付费意愿来支撑高昂的AI基础设施成本。
巨头合作与技术标准化输出
Manus与Google、Microsoft等巨头的合作基于互补优势。一方面，Manus是这些拥有云和模型业务巨头的大客户；另一方面，双方共同探索AI PC等新范式。例如与微软发布的Agent 365项目。Manus不仅提供产品，还将构建过程中学到的技术以标准化API形式开放给开发者。
在Google Cloud开发者大会上，其CEO Thomas公开宣布将此前仅对Manus开放的功能向所有开发者开放。这体现了Manus在行业中的影响力：“我们不仅做了一款很好的产品，且我们的技术也在帮助更多人更好地构建Agent。” 这种原子能力的网络效应使得Manus能够与生态伙伴共同推动AI Agent的发展，形成良性循环。
Manus 1.5升级与核心体验逻辑
Manus 1.5的发布并非突变，而是过去数月迭代的打包呈现。通过版本号更新让用户直观感知变化是重要的Know-how。技术层面，1.5版本实现了速度的无损提升：平均体感快了三到五倍。
| 版本/指标 | 性能表现 |
|---|---|
| Manus 1.5 平均体感速度 | 快了三到五倍 |
Manus明确区分了Chatbot与Agent的用户群差异。Chatbot满足大众日常需求，而Manus服务于对质量极度敏感的高价值用户。双盲测试显示，若替换模型导致满意度下降，证明用户对当前最高水平AI的依赖。因此，Manus不追求DAU（日活），而是关注Agentic Hours（代理小时数）。对于高价值用户，其用量可能是普通用户的千倍。公司核心指标是营收而非DAU。
AI时代的商业逻辑与网络效应
Manus认为AI是技术增量而非平台颠覆，强者恒强。由于算力成本限制，Manus不追求低价竞争或成为唯一入口。用户群体呈现并存状态：装了ChatGPT、DeepSeek等软件的用户，安装Manus的概率出现最大异常值提升。
关于网络效应，传统的人与人连接并非AI核心。Manus观察到“原子能力的网络效应”：增加基础能力（如看图）能与其他通用Agent能力产生交互，使整体水平指数级提升。此外，Wide Research功能体现了Agent间的网络效应：一个Agent调度多个其他Agent并互相通信完成任务。这种能力组合拳构成了Manus独特的竞争壁垒，而非依赖传统的用户规模网络效应。
“你增加一个基础能力的同时，能跟你所有通用Agent这个水平别的能力之间产生交互。这我们叫做可能能力基原子能力的网络效应。”
Agent协作与网络效应的务实视角
Manus在探索Agent加入人类协作上下文时，发现目前尚未出现爆发式的网络效应。虽然Manus能与Slack打通以辅助讨论，但Agent与人的协作仍偏专业化。对于“Agent之间社交”这一形态，Manus认为这更多属于娱乐领域（如让Agent代替人社交），而非Prosumer市场的主流。针对第三方开发者询问是否需为Manus优化，Manus团队给出了反向思考的架构理念。他们认为赛博世界的基础设施（网站、App、API）目前仍是为人设计的，不能指望一夜之间为Agent做好准备。因此，Manus选择主动适配第三方服务，而非要求开发者专门为通用Agent做优化。这种“两侧相向而行”的策略旨在通过Manus的泛化能力去适应现有生态，而非等待生态成熟。
“纯血派”Agent与泛化能力的取舍
在定义“纯血派Agent”时，Manus团队严格区分了Agentic Workflow（工作流）与真正的Agent。他们认为，通过大量人为约束、Guardrails和Prompt工程来保证稳定性的做法属于Workflow范畴；而纯血Agent应由智能本身决定完成任务的过程，无人為加的限制。这种方法的天花板更高，但可复现性较差。以数据可视化为例，传统做法是为不同语言编写特定的字体处理规则（堵漏洞），而Manus的做法是赋予Agent查看图片的能力。当出现中文乱码或图表元素重叠时，Agent能通过视觉反馈自行发现并修正错误。这种从“打压子”到利用智能泛化性解决未知问题的转变，体现了Manus坚信的“由智能主导”而非“规则主导”的核心思维。
组织架构创新：面向模型的研发体系
Manus的组织结构发生了显著变化，形成了两个特色团队：Sandbox Team与Agent Team。Sandbox Team负责维护一套给Agent使用的虚拟化操作系统，其工作被比喻为“教不会用电脑的人如何更好地使用电脑”。Agent Team则由工程师、评估团队（Evaluation）和研究团队组成，负责设计能持续跟上模型周级迭代速度的稳健架构。他们采用“弱到强”的衡量方法论（Weak-to-Strong Evaluation）：锁死当前Agent框架，在同源模型家族中对比弱版本与强版本的性能差异（Delta），通过调整框架使这一增幅最大化。这种机制确保了当底层模型变强时，Manus能获得最大的性能收益，从而在快速变化的AI领域中保持竞争力。
技术决策：克制与开放生态的战略选择
Manus在关键技术路径上做出了多项反直觉的保守决策。首先，团队未盲目追随Reasoning模型路线，因为朴素推理会导致指令跟随能力下降和多卡幻觉增加；相反，他们采用独立的Planning Stage（规划阶段）来处理复杂任务。其次，对MCP协议持谨慎态度，认为动态发现工具会污染Action Space并降低缓存命中率，从而推高成本。Manus研究了一套非原生Action Space内的MCP调用方法。此外，团队主动放弃了语音输出、生图生视频等功能的深度开发。Manus认为这些是通用基建，且与Notion、Microsoft等服务并非竞争关系。通过开放心态连接外部服务（如串联Notion、Granola和Ashby），Manus旨在利用生态协同效应，避免陷入维护大量单一功能的泥潭，从而专注于为高价值用户提供最高质量的通用Agent体验。
技术决策：做对一千件小事而非三个大事
在Manus的开发过程中，团队进行了大量技术共享与决策优化。创始人强调，Agent开发的核心在于执行层面的细致打磨。他认为在技术路线上没有单一的“最重要”决策，因为Agent的开发逻辑与模型训练高度相似。与其追求少数几个宏大的战略转折，更重要的是做对一千件细微的小事。这种理念体现在文件系统等基础架构的持续优化中。由于团队调整速度极快，许多决策在实施后迅速迭代，导致很难产生那种“如果当初没这么做”的深刻后悔。这种快速试错机制使得团队能够灵活应对技术挑战，将精力集中在高频反馈与持续改进上，而非固守某个可能过时的宏大蓝图。
模型选型反思：小模型的参数化知识误区
在早期阶段，团队曾尝试过度依赖训练小型模型（Small Models），这一决策后来被反思为存在局限。当时的假设是，Agent能通过高频与外界交互获取数据，从而弥补参数化知识的不足；如果小模型具备强大的工具使用能力，动态获取的知识可以替代静态的参数化记忆。然而实验结果推翻了这一假设。团队意识到，知识、记忆与泛化能力在模型内部难以完全分离。参数化的“背板”对于维持模型的稳定性和基础推理能力至关重要，大参数量依然具有不可替代的价值。这一教训表明，不能简单地将知识获取外包给外部交互而忽视模型内部参数的积累。对于Agent而言，大模型的参数化知识底座依然是核心竞争力的重要组成部分。
在线学习的概念澄清与大规模个性化策略
当前业界对“Online Learning”的定义存在混淆，创始人将其拆解为三个不同维度的概念：狭义的在线学习、大规模个性化（Mass Personalization）和持续/终身学习。对于大规模个性化，团队认为无需通过改变模型参数来实现。例如，可以通过基于用户行为的协同过滤或Prompt动态注入（In-context Learning）来调整模型行为，这种方式比为每个用户维护独立的参数副本更高效。虽然某些技术试图解决Batch Size问题以支持多LoRA，但推理效率往往因此降低。相比之下，动态注入能在保持规模效应、降低成本和延迟的同时实现个性化。这一策略避免了不可复用的参数冗余，是更优的工程选择。
持续学习与Agent交互模式的演进方向
在讨论是否值得立即下注于在线学习时，创始人指出需区分任务分布的动态性。若任务理想分布随时间变化（如金融市场），在线学习才有价值；否则，仅是在策略上收集数据并周期性优化。对于Agent模型的选择与厂商建议，创始人提出四点关键方向：首先，与其无限扩展上下文窗口，不如让模型具备压缩感知能力（Compression Awareness），学会如何卸载和检索文件信息。其次，推理优化应结合工具集成（Tool Integrated Reasoning, TIR），而非仅依赖纯思维链竞赛。第三，Agent应支持异步交互模式，允许用户在持续工作中随时插嘴、修改目标或终止任务，这与传统Chatbot的交替执行模式不同。最后，模型需具备错误恢复能力（Error Resilience），在遇到环境报错或意外情况时能寻找替代路径而非陷入死循环。这些能力需要通过专门训练获得，是Agent部署真实环境的关键。
创业成本、团队管理与组织文化变迁
此次Manus的启动标志着从“CBA到NBA”级别的竞争跃升，创业成本显著增加。相比移动互联网时代低边际成本的特性，AI基础设施投入巨大，Meta上线初期即消耗数十万美金。在团队管理上，创始人明确表示不喜欢管人，认为人的复杂度高于AI。公司鼓励全员使用各类提效工具（包括第三方产品），旨在提升生产力而非替代岗位。在决策机制上，团队反对投票制度，认为这会异化目标导向；而是通过充分讨论提供多种方案（Alternatives），最终由创始人Red拍板。这种模式强调目标一致性与选项丰富性。在产品与技术的话语权上，技术拥有一票否决权以阻止短视行为，但技术服务于产品。团队内部协作紧密，成员间互相分担情绪压力，尤其在面对外部批评时，感性的创始人也需团队的情感支持。这种文化在高压竞争中维持了团队的稳定性与创造力。
拒绝管理：将人性复杂度外包以聚焦核心生产力
在创业过程中，创始人往往面临一个悖论：随着团队规模扩大，人际关系的复杂度呈指数级增长。尽管良好的设计模式可以控制代码的复杂性，但人的管理极其占用带宽。对于体力较差且偏好深度工作的技术型创始人而言，投入大量时间处理非技术性的人际协调事务，会显著稀释其有效输出。因此，明智的策略并非强行弥补短板，而是将不擅长的管理职能外包或剥离，专注于自身最核心的技术优势。这种“做减法”的思维在AI时代显得尤为重要。与其去补强自己不擅长的人脉或管理能力，不如专注于自己最擅长的领域。
这种对效率的极致追求也体现在对AI价值的认知上。许多人恐惧被AI取代，实则是对自身价值定位的迷茫。如果那些我们不喜欢、低效且繁琐的事情都被AI所取代，那么剩下真正属于“人”的部分才会凸显出来。正如纺织机的发明虽然让部分女工下岗，但也解放了劳动力并催生了新的职业形态。当前对AI的恐惧源于使用深度不足，一旦学会与AI共处并调度异步Agent创造价值，用户的时间约束将被打破。因为Nexus或Agent的核心在于减少直接交互时长，同时在后台持续产出价值，这使得传统移动互联网时代“争夺用户总注意力时长”的零和博弈逻辑不再适用。
模型竞争无终点：从Scaling到质量跃迁的范式转移
关于大模型的排名波动，外界常预期掌握硬件或Scaling优势的一方会胜出，但现实是OpenAI、Anthropic和Gemini等头部厂商正沿着分化且多样化的路径演进。排名的变化反映了用户体验的综合差异，而非单一技术的绝对领先。模型竞争没有终点，因为AI产品的核心约束不再是占用用户时间，而是为用户创造价值。这种转变意味着竞争将从“流量争夺”转向“价值密度比拼”。目前，Scaling（规模扩展）依然有效，但狭义的Loss曲线下降已不足以解释所有进步。广义的Scaling中，投入算力是否必然解锁新场景存在不确定性。当前Agent领域的主要问题并非需求未被满足，而是完成质量仍需提升。
AI的爆发已经发生，但尚未呈现出理想中“遍地开花”的景象。这是因为许多应用场景在完成度上只差一口气。这一口气既来自模型能力的提升，也依赖生态系统的协同进步。例如，Agent在执行任务时常遭遇人机验证（Callflare）或网站访问限制等非技术性阻碍。随着如Stripe等支付基础设施与Agent的深度集成，这些阻塞点将被打通。2026年将是Agent进一步爆发的关键年份，更多应用将跨过“生产力工具”的门槛，成为用户产生收入的主力要素。然而，对于Manus而言，最大的隐忧并非来自外部竞争，而是内部变得复杂。每增加一个功能都在稀释其他部分的体验，如何在保持克制与持续增长之间找到平衡，是产品长期主义的核心挑战。
巨头博弈：Anthropic的经济价值导向与Meta的务实转向
在模型厂商的战略布局中，各家展现出截然不同的优先级。Anthropic近期获得大额融资后需在算力上补课，但其核心优势在于开发者社区的影响力及“高经济价值任务”的优化目标。与OpenAI侧重研究自由不同，Anthropic更关注哪些动作能产生足够的经济价值并据此优化模型。相比之下，Google凭借其在预训练、多模态数据积累及搜索引擎索引上的深厚壁垒，在信息获取和多模态领域保持持久领先。XAI则采取了独特的“Pixel in, Pixel out”第一性原理，试图统一所有模态的直接生成。而Meta在经历杨立坤等核心研究人员离职后，可能转向更朴素且能快速见效的工作方向。
在技术路线上，田渊栋提出的Latent Reasoning（潜在推理）被视为解决当前LVR（长视频/逻辑验证）痛点的关键。现有的LVR方法本质上是在文本空间进行随机采样，导致推理延迟高且依赖基座模型质量。而Latent Reasoning通过在不塌缩的状态下并行考虑多种可能性，实现了更高的推理效率及Long-to-Short的泛化能力。这一方向比单纯的搜索式推理更为务实。Meta在AI浪潮中的相对落后，部分原因在于人事变动及场外因素，如Llama团队的多次重组。尽管OpenAI面临人才流失风险（如ChatGPT Agent团队核心成员动向），但其深厚的文化根基仍具韧性。未来，随着Agent生态的成熟，竞争的本质将演变为独特价值的丧失与否——当产品失去独有价值时，即便不直接死于大厂竞争，也会因用户流失而消亡。
创新文化与行业格局展望
Manus创始人认为，只要保持自下而上的创新文化，公司仍是最有可能诞生新范式的主体之一。关于Manus是否会成为替代Meta的新一代社交网络，他持谨慎态度，认为目前产品形态仍在探索中，难以简单断言其替代性。在评估竞争对手时，他对依恋公司保持沉默，因其过于神秘；但对Thinking Machine Labs的Tinker API评价颇高。他指出该API将抽象层级优化为四组关键接口，相比传统RFT或SFT接口的过多约束，更适合研究人员进行实验。尽管目前成本较高，但随着优化及开源模型（如千问）的持续进步，该产品有望成为中小规模研究团队的优选工具。他强调，Thinking Machine Labs的成功很大程度上取决于千问同源模型光谱的完整性。对于Mira Murati，虽未直接交流但评价极高；在硅谷技术领袖中，他认为Demis Hassabis和Ilya Sutskever是纯粹的技术顶尖代表，而其他人则是复合型人才。
行业观点碰撞与Agent技术洞察
在与国内专家杨立群、姚春雨的交流中，创始人高度认同“大厂超小公司”的现状观察以及杨立群提出的“只要问题能被定义，就一定能解决”的乐观信念。然而，他强烈反对杨立群关于“不训模型做Agent是逆向工程”的观点。他认为，构建垂直整合的Agent并非逆向工程，而是在为模型定义外部行为节奏。在技术层面，他特别指出多模态应用中输入端的重要性远超输出端。虽然开源模型在简单的图文交错（Interleave）任务中表现良好，但在Agent场景下作为工具结果返回的多模态数据（如浏览器截图、图片读取结果）训练质量正在下降，这是当前重视程度不足导致的短板。此外，面对AI泡沫论调，他承认过度建设存在但在可接受范围内；对于Manus的未来，最悲观预期是下个月倒闭以获取生存权，而最乐观愿景是让白领拥有7x24小时不断推理的AI伙伴。他透露自己工作强度极大，常因WeWork空调开放时间而决定下班时间。
全球化战略与个人生活切片
针对“跑路”传闻，创始人澄清Manus一直拥有新加坡实体且面向全球市场。选择新加坡主要基于两点：一是降低跨地域沟通成本，解决北京与武汉办公的高昂协调费用；二是满足全球市场的合规要求，如已通过SOC 2 Type II、ISO 27001及GDPR。他认为这是出海企业的常规操作，并非特例。在新加坡的生活便利且适应迅速，对创业而言这种“无聊”反而是加分项。在快问快答环节，他喜爱Mac and cheese和北京；冷知识是海带不是动物（因海鲜过敏常需解释）；推荐书籍为《线条小狗》画册。在影响AI进程的论文中，他提及“work to back”（注：原文如此）及Flan-T5，并强调AI未来的关键赌注在于用户的深度参与。最后回忆见黄仁勋时，对方表示接下来一年“没有任何事会让他感到意外”，这折射出整个AI圈对技术突破的极度自信。
结论
Manus的成功验证了通用Agent通过云端沙盒执行长时任务、以异步并发模式解决复杂工作流的可行性，其核心壁垒在于对多模型灵活适配的极速迭代能力、基于用户反馈的数据飞轮机制，以及“增强人”而非替代人的产品定位。尽管面临算力瓶颈、模型对齐错位及高昂的Token成本挑战，Manus凭借严格的财务纪律和务实的技术决策（如克制使用推理模型、主动适配现有生态），在垂直整合的困境中找到了应用层的结构性优势。其未来竞争力取决于能否持续优化主动性体验并维持与模型厂商的竞合平衡，而非单纯依赖底层技术突破。