Manus：它卖的不是 Agent，是一次认知震撼

我为什么没有付费

2025 年 3 月，Manus 刷屏的时候，我作为一个有 LLM 产品经验的 AI PM，看完演示视频，做了一个决定：不付费，不进去。

理由很简单，两条。

第一，我用深度研究模式已经能满足日常需求——搜集信息、多轮推理、输出报告，这些 Manus 的演示场景我基本都有工具覆盖了。第二，我隐约感觉它被过度包装了。当时已经有媒体报告实际效果没有演示视频那么流畅，MIT Technology Review 的实测也写到 Manus 会在任务中途"偷懒"，用它自己的话说是"时间限制导致加速了研究过程"。

这个判断大体上是对的。但我后来意识到，我对 Manus 的理解停留在"它是一个更强的深度研究工具"这个层面——而这个理解本身就是错的。

它到底是什么

Manus 由武汉团队 Butterfly Effect（母公司 Monica.im）开发，于 2025 年 3 月 6 日正式上线，自我定位为"全球首个 General AI Agent"。它没有自研大模型，底层调用 Anthropic 的 Claude 3.5 Sonnet 和阿里巴巴 Qwen 的微调版本，核心是一套多 Agent 协作的任务执行系统。

Manus 和深度研究的本质差异，不在于谁的报告写得更好，而在于一个只会读，一个还会动手。

深度研究的边界是信息世界：搜集网页 → 整理分析 → 输出文字。全程不触碰任何真实系统的状态。Manus 多出来的核心能力是：登录账号、填表、点按钮、执行代码、部署应用。它能改变外部世界的状态。

这个差异在我的日常任务里确实不重要——我要的是分析报告，不是让 AI 替我操作某个后台系统。但对另一类用户来说，这个差异是决定性的：那些有重复性跨平台操作任务、但没有技术能力把它工程化的人。跨境电商卖家监控多平台价格、HR 在不同招聘网站之间搬运候选人信息——这类任务深度研究做不了，Manus 能做。

技术架构上，Manus 的设计哲学是"少结构，多智能"：多个专职子 Agent 并发执行（规划、验证、搜索各司其职），通过工具调用体系接触外部世界，任务在云端后台异步运行，用户不需要盯着屏幕等。最有辨识度的交互是"Manus's Computer"侧边栏——用户可以实时观察 Agent 在做什么，并在任何环节介入干预。

产品演进：从爆红到被收购

2025 年 3 月，发布期。邀请码机制、极度有限的访问量、精心策划的 Demo 场景，上线 7 天候补名单突破 200 万人。邀请码在社交媒体上被炒卖，Jack Dorsey、Hugging Face 产品负责人 Victor Mustar 等科技圈知名人士公开称赞。核心能力是网页研究、数据分析、基础代码任务，"Manus's Computer"作为核心交互创新亮相。

2025 年 3—9 月，早期迭代。可靠性是这一阶段被批评最多的问题。MIT Technology Review 实测记录了 Manus 在复杂任务中的"偷懒"行为，暴露了 General Agent 的结构性困境：任务链越长，错误累积概率越高。这一阶段的迭代重点是稳定性和错误恢复，同期与阿里 Qwen 团队达成战略合作，补充算力基础设施。

2025 年 10 月，1.5 版本。这是 Manus 迄今最重要的一次更新，官方将其描述为"对整个引擎的全面重新设计"。平均任务完成时间从约 15 分钟降至不到 4 分钟，约提升 4 倍；内部基准测试显示任务质量提升 15%（均为官方内部数据，未经独立验证）。最重磅的能力扩展是全栈应用构建：用户只需用自然语言描述需求，Manus 1.5 可以生成并部署一个带有后端数据库、用户认证、内嵌 AI 能力的完整 Web 应用。同时推出 Manus-1.5-Lite 对全部用户开放，完整版为订阅用户专属的 freemium 分层策略。

2025 年 12 月，被 Meta 收购。Meta 以超过 20 亿美元收购 Manus，谈判历时约 10 天。此前 Manus 已在上线 8 个月内实现年化经常性收入（ARR）超过 1 亿美元，Butterfly Effect 自称这是史上增速最快的 SaaS 产品之一。

三个核心决策

局限在哪里

成本结构不可持续。Manus 没有自研大模型，底层调用成本加上沙盒运行、多 Agent 并发的基础设施开销，单任务成本极高。1 亿美元 ARR 在这个成本结构下，大概率是亏损运营的，这不是靠规模效应能解决的结构性问题。

可靠性天花板。General Agent 的可靠性问题是结构性的。任务链越长，错误累积概率越高；任务越通用，边界条件越难穷举。企业客户对任务失败的容忍度远低于个人用户，这是 Manus 往 B 端走的根本障碍。

模型依赖是估值窗口有限的根本原因。Manus 没有自研大模型，底层跑在 Anthropic 的 Claude 和阿里的 Qwen 上。OpenAI 的 Operator、Google 的 Mariner、Anthropic 的 Computer Use 都在做 Agent 产品，它们天然拥有模型加执行一体化的优势，不需要依赖外部授权。当基模厂商自己下场，纯 execution layer 的独立价值会被持续压缩——不是因为 Manus 做得不好，而是因为上游供应商本身就是最强的潜在竞争者。这个逻辑也解释了为什么 Manus 必须在估值窗口最高点完成退出：基模厂商还没有成熟 Agent 产品、但市场已经验证了需求的这个时间段，才是 execution layer 作为独立资产估值最高的时刻。

更大的判断：Meta 买的是什么

Meta 以超过 20 亿美元收购 Manus，谈判历时约 10 天，同时承诺收购完成后不存在任何中国所有权利益，并关闭在中国的运营。

Meta 买到的不是大模型——Manus 没有自研模型。买到的是三样东西：一套经过大规模真实任务压力测试的 execution layer，处理了超过 147 万亿 tokens、运行了超过 8000 万个虚拟计算机实例；1 亿美元 ARR 和数百万付费用户；以及进入 Agent 赛道的时间。

最后这一点是关键。Meta 的 AI Agent 能力本可以自研，但自研的时间成本太高，竞争窗口正在关闭。Manus 用 8 个月完成了从 0 到市场验证的全套动作，Meta 用 20 亿买走的，本质上是这 8 个月。

这笔收购也在更大的层面上发出了一个信号：AI 时代的价值，正在从"谁的模型更强"向"谁能把模型能力可靠地转化为真实任务完成结果"转移。Manus 没有自己的模型，但它证明了 execution layer 可以独立成为一个 20 亿美元的资产。