繼 DeepSeek 之後，這兩天，又有一款 AI 產品突然爆火—— Manus 。
在一些 AI 博主們的宣傳中，它被稱為「對標 Deepseek 」「全球第一個通用型 AI Agent 」、「第二個國運級 AI 產品」、「震驚矽谷」……更誇張的是，二手交易平台上 Manus 的邀請碼居然被炒到了數萬元一個。但同時，也有很多人說，它只是個「行銷噱頭」。
部份關於Manus的微博熱搜。圖片來源於微博
那麽，Manus 到底是什麽？我們今天來客觀聊聊。
Manus 是 AI Agent（智慧體）
的一種實作形態
Manus 是由中國團隊 Monica.im 開發的 通用型自主AI Agent（智慧體） ，這個團隊另一個產品就是火爆海外的 Monica AI 外掛程式。
Manus 的工作原理是基於底層 AI 大模型的能力基礎，透過自主任務分解將復雜任務拆解為多個子任務，並動態呼叫不同的 Agent 或工具來執行每個子任務，最終完成整體任務。
在具體的實踐中，它像一個「自主性比較高的助理」，我們只需要告訴它最終目標，它會自動幫我們執行完成。
對 Manus 能幹嘛還是看得雲裏霧裏？來看看 2 個 Manus 官方給的演示案例：
除了上面展示的案例，我們還可以用 Manus 撰寫傳播策劃案，編寫程式，寫述職報告等。
看到這裏，可能你會疑惑，上面這些能力用 GPT、DeepSeek 這樣的 AI 產品不是也能做到嗎？Manus 和它之間的區別是啥？
這個問題問得好！它們之間是有本質區別的：
DeepSeek 和 GPT 等都是大語言模型，而 Manus 是基於底層 AI 大模型的通用型 AI 自主智慧體。 Manus 的嘗試在於在產品化設計（如任務拆解視覺化、多模型動態排程），而非底層技術原創性。
在具體的使用時，大語言模型像「大腦」，在使用它時，通常需要使用者明確地指導任務的拆解和執行順序。例如，使用者可能需要手動提示 AI 先生成大綱，再根據大綱生成內容，最後整合成完整文章。這種模式對使用者的要求較高，需要使用者對任務拆解有清晰的認識和表達能力。
Manus 在實際任務執行中，恰好就幫我們完成了這一部份，它能自動將復雜任務分解成多個小步驟。
以讓 AI 玩 2048 遊戲為例，如果是用 DeepSeek、GPT等 AI 產品，整個過程會是這樣的：
我們需要先幫 AI 找到這個 2048 小遊戲的網站，然後還得告訴 AI 遊戲規則，最後 AI 才能開始玩遊戲。整個過程中，需要我們不斷引導和指示 AI 該怎麽做。
而用 Manus，我們只需要下達一個指令——「想玩 2048 這個遊戲，並拿到最高分」，它就會自動將任務拆分成多個小步驟：找到遊戲網站、學習規則、制定策略、執行遊戲操作......全程不需要我們的幹預，最終它會完成遊戲並向我們展示結果。
Manus的任務實踐過程
其實早在 Manus 之前，你就可能已經用過很多 AI Agent 。
比如豆包的「拍照識萬物」，它作為一個專門用於影像辨識的基礎智慧體，已經在實際套用中展現了 AI Agent 的基本特性。
滑動檢視 任務實踐過程
不過和 Manus 相比，它的功能相對單一，主要依靠預訓練知識和內建能力，能夠幫助使用者完成特定的任務，比如辨識圖片中的物體並給出相關解答，但其能力範圍和自主性都相對有限。
除了豆包之外，「秘塔 AI 搜尋」也是一種相對基礎的 AI Agent 。它的特別之處在於能夠自主決定搜尋策略，呼叫搜尋功能，並根據使用者提問和搜尋到的資料給出更準確、可靠且完善的回答。
當我問「什麽是 AI Agent ，舉例說明」時，秘塔 AI 搜尋並不像普通大語言模型那樣直接給出答案。它會先將這個問題拆分成幾個小問題，就像是解決一個復雜數學題時先分解成幾個簡單步驟一樣。然後它會逐個回答這些小問題，最後把所有資訊整合成一個完整的回答。
滑動檢視任務實踐過程
Manus 的缺點依舊明顯
目前， Manus 雖然在某些方面確實表現出色，缺點也相當明顯。
1. 上下文限制
就拿上下文長度這個問題來說吧，它就像是一個人的短期記憶容量——再聰明的人也記不住太多資訊。Manus 執行的大多數任務，最終都會卡在上下文限制上。比如下面這個 2048 遊戲的例子，原本計劃讓 Manus 玩 5 局，結果才玩了 2 局就不得不停下來了。
根本原因還是基礎的 AI 大模型支持的上下文長度有限。當互動內容積累到一定程度，系統就無法再處理更多資訊，只能中斷任務。
當然這個問題後續還是非常好最佳化的，這就像是手機記憶體從最初的幾 MB 發展到現在的幾百 GB 一樣，時間會解決大部份的容量問題限制。
2. AI 幻覺
現階段每個 AI 都會有幻覺存在 （可回顧往期文章【AI 有多會一本正經地瞎編？超出你的想象！深度解析大模型的"幻覺"機制】） 。Manus 是基於通用大語言模型構建的，幻覺發生的機率更大，甚至可能像滾雪球一樣越滾越大
目前大量實操案例都表明， Manus 交付的最終成果中往往都存在錯誤，需要人工進一步篩查。
3 .資源獲取受限
很多資訊所在的平台都需要帳號密碼登陸才能獲取 ，導致在執行任務時，Manus 也無法獲取許多優質資源。Manus 就像被擋在圖書館門外的學生，看得到書但拿不到手。這種「看得見吃不著」的問題在很多實操場景中都會發生。
Agent 是 AI 發展的趨勢之一
總的來說，包括 Manus 在內的 AI Agent 確實是人工智慧發展的重要趨勢。
對普通使用者而言，AI 不再是一個需要精心「餵養」提示詞的工具，而是一個能真正理解並執行任務的助手，能極大的提高個人效率。對企業而言，AI Agent 能大幅降低 AI 落地的門檻，讓更多行業和場景能夠切實享受到 AI 帶來的效率提升。 AI Agent 是連線 AI 技術與實際套用的重要橋梁 ，幫助我們真正釋放大模型的潛力，實作 AI 的廣泛落地。
未來，隨著技術的進步，我們有理由相信 AI Agent 的能力邊界會不斷擴充套件，也會有更多更好用 AI Agent 產品。
劃重點！！！
千萬不要因為「 AI 焦慮」而真的花幾萬塊錢來買一個 Manus 的邀請碼。
策劃制作
作者丨田威 AI 工具研究者
稽核丨於乃功 北京工業大學機器人工程專業負責人，北京人工智慧研究院機器人研究中心主任，博士生導師
於旸 騰訊玄武實驗室負責人
策劃丨林林
責編丨楊雅萍
審校丨徐來 林林
