Manus

Manus 是 2025 年 3 月由中国团队蝴蝶效应（Butterfly Effect，旗下产品 Monica）发布的通用 AI Agent 产品，名字取自拉丁语「手」，寓意把 AI 从「思考」延伸到「动手」。它是第一个以「通用 Agent」身份真正出圈的产品：发布当天全网求邀请码，二手平台最高炒到数万元，A 股一批「Manus 概念股」跟风涨停。

对学习者来说，Manus 的价值不只在产品本身。它后来的轨迹——爆火、融资、迁址新加坡、20 亿美元卖身 Meta、被中国监管叫停、2026 年 8 月恢复独立运营——几乎是一整部通用 Agent 赛道的浓缩史。而 Manus 团队 2025 年 7 月发表的 Context Engineering 博客，至今仍是构建生产级 Agent 最有价值的公开工程文献之一。

一、现象级发布：2025 年 3 月的出圈事件

发布与传播

2025 年 3 月 6 日凌晨，Monica.im 以一支演示视频发布 Manus，自称「全球首款通用型 AI Agent」。创始人肖弘是 90 后连续创业者（此前做过 Monica 浏览器插件），联合创始人兼首席科学家季逸超（Yichao 'Peak' Ji）是 NLP 老兵。演示中 Manus 展示了筛简历、做股票深度分析、调研房产、生成网站等能力，与聊天式 AI 的区别在于：它直接交付任务成果，而不只是给出建议。

传播烈度超出所有人预期：

• 内测采用邀请制，官网因流量激增多次宕机；
• 邀请码在二手平台被炒至 999 元到 5 万元不等，个别报道出现 8.8 万甚至 10 万元的天价挂单；
• 微博热搜、营销号刷屏，一批跟 AI 关系不大的 A 股公司被列为「Manus 概念股」大涨；
• 拿到邀请码的用户实测后口碑迅速分化：有人惊叹自动化能力，也有人遇到卡顿、迟缓、任务未完成。

饥饿营销是一把双刃剑

邀请制 + 演示视频的组合制造了稀缺感和传播爆点，但也透支了信任。当真实用户发现体验与演示视频存在差距时，「过度营销」「炒作」的反噬随之而来。后续所有 Agent 产品发布时，「是否开放实测」几乎成了媒体的第一问。

GAIA 成绩宣称：需要打折扣看

Manus 官网宣称在 GAIA 基准（General AI Assistants，评估通用 AI 助手解决真实世界问题的能力）的全部三个难度级别上取得 SOTA，并给出了与 OpenAI Deep Research 的对比数字：

GAIA 难度级别	Manus（自报）	OpenAI Deep Research	此前 SOTA
Level 1（基础任务）	86.5%	74.3%	67.9%
Level 2（多步推理）	70.1%	69.1%	67.4%
Level 3（复杂编排）	57.7%	47.6%	42.3%

但有一个关键细节：发布时（2025 年 3 月 5 日截止的榜单数据）GAIA 官方榜单上并没有 Manus 的评测记录，这些数字是 Manus 自测自报的。自测 SOTA 在 Agent 行业并不少见（评测配置、pass@1 口径、工具预算都会影响结果），读任何 Agent 产品的 benchmark 宣传都应先看是否经过第三方复现。评测方法论的更多讨论见评测与 Evals。

二、产品定位：通用任务执行

Manus 的定位可以概括成一句话：给 AI 一台云端电脑，让它替你干活。它不是垂直工具（只写代码、只做搜索），而是通用执行层，典型任务类型包括：

• 深度研究：跨网站检索、阅读、综合，输出带引用的研究报告（对标 OpenAI Deep Research）；
• 数据分析：抓取数据、清洗、用 Python 分析、生成图表和报告；
• 网站与应用生成：从需求描述直接生成并部署可访问的网站；
• 办公自动化：筛简历、做 PPT、整理表格、比价、订行程。

产品形态上有几个值得注意的设计：

• 云端异步执行：任务跑在 Manus 的云端虚拟机上，用户关掉浏览器任务照样继续，完成后收到通知。这与本地 Agent（如 Claude Code）是两种截然不同的产品哲学。
• 过程可视化：用户可以实时看到 Agent 的操作回放——打开了哪个网页、执行了什么命令、正在写哪个文件。这种「看着 AI 干活」的透明感是它演示传播力强的核心原因。
• 成果交付物导向：最终交付的是文件（报告、表格、网站），不是一段对话。

商业化上，Manus 采用订阅制，档位从每月 19 美元到 199 美元不等（2025 年 8 月披露口径），免费账户提供有限的基础额度。2025 年 8 月上线的 Wide Research 功能允许同时调度上百个子 Agent 并行处理大规模研究任务，被包含在 199 美元/月的顶级订阅中。

一次典型的 Manus 任务长什么样

以「帮我分析特斯拉最新财报并生成一份带图表的研究报告」为例，任务的实际执行流程大致是：

1. 规划：规划模块把需求拆成子目标，写入 todo.md（抓财报原文 → 提取关键财务数据 → 用 Python 画图 → 撰写报告 → 校验事实与引用）。
2. 检索与浏览：Agent 在沙箱里驱动无头浏览器访问财报页面、新闻源和第三方数据源，遇到登录墙或反爬会自行换源。
3. 数据处理：把抓到的数据存成沙箱内的文件，写 Python 脚本清洗、计算同比/环比、生成图表，脚本报错就自己读堆栈、改代码、重跑。
4. 写作与组装：基于沙箱里的中间产物撰写报告，图表以文件形式引用。
5. 交付：产出打包的文件（Markdown/HTML 报告 + 图表 + 数据表），同时保留完整的操作回放供用户审计。

整个过程中用户可以随时插话纠正方向——收到新输入时，Manus 会立即回复确认而不是闷头继续执行（这正是下文「工具掩码」一节提到的设计）。据参与早期实测的从业者估算，单个研究类任务的推理成本约 2 美元量级，约为同期 OpenAI Deep Research 的十分之一（该数字来自播客讨论，非官方披露，引用前请核对）。

三、技术架构：公开信息拼图

Manus 没有开源，其架构信息来自官方介绍、团队访谈和第三方拆解，拼凑出来的图景大致如下：

┌──────────────────────── Manus 云端 ────────────────────────┐
│                                                             │
│  用户请求 ──> ┌──────────┐                                  │
│               │ 规划模块  │ 任务分解为子目标/todo.md         │
│               └────┬─────┘                                  │
│                    ▼                                        │
│         ┌─────────────────────┐      工具集（约 29 种）      │
│         │   执行 Agent Loop    │ ──> 浏览器（browser_*）     │
│         │ （多智能体协同：     │ ──> Shell（shell_*）        │
│         │   规划/执行/验证）   │ ──> 文件读写 / 代码执行      │
│         └────────┬────────────┘                             │
│                  ▼                                          │
│      ┌────────────────────────┐                             │
│      │  独立虚拟机沙箱（VM）   │  每个任务一台「云电脑」：     │
│      │  Linux 环境 + 文件系统 │  装软件、跑脚本、存中间产物   │
│      └────────────────────────┘                             │
│                                                             │
│  底层模型：Claude（主）+ 基于 Qwen 的微调模型（非自研底座）  │
└─────────────────────────────────────────────────────────────┘

几个要点：

• 多智能体架构（Multiple Agent）：官方称复杂任务被分解为规划、执行、验证等子模块，各模块由独立的模型支持，通过 API 协同。这与 Multi-Agent 架构一章讨论的主流形态一致。
• 虚拟机沙箱：每个任务运行在独立的云端 Linux 虚拟机中，运行方式与 Anthropic 的 Computer Use 类似——Agent 拥有完整操作系统，可以装依赖、跑代码、操作浏览器，而不是只能调几个封装好的 API。截至 2025 年 12 月官方披露的数据，Manus 累计创建了超过 8000 万台虚拟计算机。
• 不训底层模型：底层依赖 Claude 等前沿模型和基于通义千问（Qwen）的微调模型（2025 年 3 月 11 日 Manus 宣布与阿里通义千问团队达成战略合作）。这是它有意的战略选择，见下。

Context Engineering 博客：Manus 最重要的技术遗产

2025 年 7 月 18 日，季逸超发表了《Context Engineering for AI Agents: Lessons from Building Manus》，公开了 Manus 的核心工程经验。文章开篇点题：团队曾面临「基于开源模型自训端到端 agentic 模型」还是「在前沿模型的 in-context learning 能力之上做工程」的抉择，最终选择后者——「如果模型进步是上涨的潮水，我们要做船，而不是钉在海底的柱子」。整个 Agent 框架为此重写过四次，团队自嘲这个过程叫「随机研究生下降」（Stochastic Graduate Descent）。

文中六条经验，条条都是生产环境换来的，这里提炼要点（更系统的展开见上下文工程）：

1. 围绕 KV cache 设计（Design Around the KV-Cache） 季逸超认为 KV-cache 命中率是生产级 Agent 最重要的单一指标。Agent 的输入输出比极度失衡（Manus 平均约 100:1——上下文不断变长，而每步输出只是一个短的函数调用），缓存命中与否直接决定延迟和成本：以 Claude Sonnet 为例，缓存输入 token 0.3 美元/百万，未缓存 3 美元/百万，差 10 倍。实践要求：prompt 前缀保持稳定（别在 system prompt 开头放精确到秒的时间戳）、上下文只追加不修改（append-only）、JSON 序列化保持确定性、需要时显式标记 cache breakpoint。这条经验的成本含义在成本优化一章有进一步展开。

2. 用掩码而不是删除（Mask, Don't Remove） 工具数量膨胀时，直觉做法是用 RAG 动态加载工具，但 Manus 实验结论是：除非绝对必要，不要在迭代中途增删工具定义——工具定义位于上下文前部，任何变动都会让后续 KV cache 全部失效；且历史动作引用了已删除的工具名会让模型困惑。Manus 的解法是用上下文感知的状态机管理工具可用性，在解码阶段 mask 掉不允许的 token logits，工具定义本身保持不动。利用 response prefill 还能实现三种 function calling 约束模式（auto / required / specified）。配合刻意设计的命名约定（浏览器工具统一 browser_ 前缀、命令行工具统一 shell_ 前缀），可以在不写 stateful logits processor 的情况下按组约束动作空间。

3. 把文件系统当作终极上下文（Use the File System as Context） 128K 的 context window 在真实 agentic 场景里不够用甚至是负担：网页/PDF 等 observation 动辄超长、长上下文性能衰减、传输和 prefill 都烧钱。Manus 的做法是把文件系统当作无限大、可持久、Agent 自己可读写的「外置记忆」。压缩策略全部设计为可恢复：网页内容可以从上下文丢弃，只要保留 URL；文档内容可以省略，只要沙箱里留着路径。逻辑很硬：Agent 必须基于全部历史状态预测下一步，你无法预知哪条 observation 在十步之后变得关键，所以任何不可逆压缩都有风险。

4. 用复述操控注意力（Manipulate Attention Through Recitation） 用过 Manus 的人会注意到它处理复杂任务时总爱建一个 todo.md 并逐步打勾。这不是卖萌，是刻意的注意力操控：Manus 平均每个任务要调约 50 次工具，长循环中模型容易跑偏、遗忘最初目标。不断重写 todo 列表，等于把全局计划反复「复述」到上下文末尾，推入模型的近期注意力范围，规避 lost-in-the-middle 问题——不改架构，用自然语言把模型的焦点掰回任务目标。

5. 把错误留在上下文里（Keep the Wrong Stuff In） 多步任务中失败是常态而非异常。常见冲动是抹掉失败痕迹、重试或重置状态，但「擦除失败等于销毁证据」。把失败动作和对应的报错、堆栈留在上下文里，模型会隐式更新内部信念，降低重复同样错误的概率。季逸超认为错误恢复能力是真正的 agentic 行为最清晰的标志之一，而这恰恰是学术 benchmark 覆盖最弱的部分。

6. 别被自己的 few-shot 带沟里去（Don't Get Few-Shotted） 模型是出色的模仿者：上下文里全是相似的动作-观察对，它就会惯性重复这个模式，哪怕已不是最优。批量处理 20 份简历这类任务里，Agent 会陷入固定节奏，导致漂移、过度泛化甚至幻觉。Manus 的对策是在动作和观察的序列化模板、措辞、顺序和格式上注入少量结构化变化，用受控的随机性打破模式。

把六条经验落成代码

下面这段骨架代码演示了如何在自己写的 Agent Loop 里同时落实其中四条经验（append-only 上下文、工具掩码、todo 复述、错误保留），可以直接作为实验起点：

# 一个体现 Manus 经验的极简 Agent Loop 骨架（伪代码，可对接任意 chat API）
SYSTEM_PROMPT = "你是一个通用任务执行 Agent。"  # 注意：不含时间戳，保持前缀稳定以命中 KV cache

# 工具定义一次性放入上下文前部，全程不增删 —— 保护 KV cache
TOOLS = [browser_open, browser_click, shell_exec, file_read, file_write]  # 命名带统一前缀

def agent_loop(task: str):
    context = [system(SYSTEM_PROMPT), user(task)]   # append-only：只追加，永不修改历史
    write_file("todo.md", f"# 任务目标\n{task}\n- [ ] 进行中")  # 复述：把目标写进文件

    step = 0
    while True:
        # 每 5 步把 todo.md 重新读进上下文末尾，对抗 lost-in-the-middle
        if step % 5 == 0:
            context.append(tool_result("file_read", read_file("todo.md")))

        # 工具掩码：工具定义不动，只按当前状态约束可选动作
        allowed = state_machine.allowed_tools()      # 例如收到用户插话时只允许「回复」
        action = model.chat(context, tools=TOOLS,
                            allowed_tools=allowed)   # 底层用 logits mask / prefill 实现

        try:
            observation = execute(action)            # 在沙箱中执行
        except Exception as e:
            observation = format_traceback(e)        # 错误保留：完整堆栈也进上下文
        context.append(assistant(action))
        context.append(tool_result(action.name, observation))
        step += 1

        if action.name == "finish":
            break

def compress(context):
    # 可恢复压缩：长 observation 丢弃正文，但保留 URL / 文件路径
    return [drop_body_keep_ref(m) if is_huge(m) else m for m in context]

注意这段代码里刻意没有做的事：没有在中途 del TOOLS[i]、没有重排历史消息、没有失败后重置 context。这三件事正是初学者最常犯、而 Manus 用真金白银的教训换来的禁忌。

为什么这篇文章值得精读

这六条经验覆盖了 Agent 工程里最贵的三类问题：成本与延迟（KV cache）、行为稳定性（工具掩码、防 few-shot 僵化）、长任务可靠性（文件系统外置记忆、复述、错误恢复）。它与 Anthropic 的《Effective Agents》《How we built our multi-agent research system》并列为 2025 年 Agent 工程领域被引用最多的实践文献。建议读原文，本文只是提炼。

四、商业与资本动态（截至 2026 年 8 月）

Manus 的资本故事比产品故事更跌宕，完整时间线如下：

时间	事件
2023-02 / 2023-08	真格基金种子轮（投后约 1400 万美元）与天使轮（投后约 5000 万美元）
2024-11	A 轮融资，红杉中国、腾讯、真格基金、王慧文等参投，投后估值约 8500 万美元
2025-03-06	Manus 发布，一夜爆红
2025-04	Benchmark 领投 7500 万美元 B 轮，投后估值近 5 亿美元，约半年涨 5 倍
2025-06	总部迁往新加坡，中国团队从约 120 人裁至约 40 人，官网屏蔽中国 IP
2025-08	披露年化营收跑速约 9000 万美元；Benchmark 的投资因美国 AI 对外投资限制规则遭美国财政部审查
2025-12 月初	官方披露累计处理超 147 万亿 token、创建超 8000 万台虚拟计算机；ARR 突破 1 亿美元，号称全球从零到 1 亿美元 ARR 最快的初创公司
2025-12-29/30	Meta 宣布以超过 20 亿美元收购 Manus 母公司蝴蝶效应，创始人肖弘原计划出任 Meta 副总裁
2026-01-08	中国商务部介入审查，评估技术出口合规性
2026-04-28	国家发改委发布公告，收购案被叫停
2026-06	彭博社报道 Meta 完成与 Manus 的运营隔离，停止数据共享，收购走向撤销
2026-08-11	Manus 公告恢复以独立公司形式运营，腾讯等原股东牵头从中方财团回购股权；因收购当天及之后产生的部分用户数据安排删除/迁移

几个值得注意的点：

• 迁址新加坡的争议：拿美国风投的钱、用美国模型的 API、屏蔽中国 IP、裁撤国内团队，这一系列「切割」动作在 2025 年年中引发了巨大舆论反弹，也为后来的监管审查埋下伏笔。
• 中美监管的双向夹击：美国审查 Benchmark 对 Manus 的投资（担心触及对华 AI 投资限制），中国则叫停了 Meta 的收购。一家应用层 Agent 公司同时被两个大国监管盯上，这在 AI 行业还是头一遭。
• 结果：折腾 16 个月后回到原点——独立运营，中国股东（腾讯牵头的财团）重新接盘，估值锚点仍是约 20 亿美元，但肖弘的 Meta 副总裁任命已成空谈。

一个耐人寻味的对比

Manus 靠「不训模型、只做应用层」证明了这条路能跑出最快的商业化速度（8 个月到 1 亿美元 ARR），但它的地缘遭遇也说明：应用层公司并不是中立地带——你用谁的模型、拿谁的钱、数据放在哪里，都会成为监管变量。这是 2026 年做 AI 出海创业必须纳入考量的现实约束。

五、争议：「套壳」之争

Manus 从发布第一天起就背着「套壳」的质疑，这几乎是中文 AI 圈 2025 年上半年最大的口水战之一。

批评方的观点：Manus 没有自研底层模型，核心能力来自 Claude 等第三方 API，本质是「集成式操作系统」；邀请制是饥饿营销；全英文官网、要求海外支付，与「中国团队」的叙事自相矛盾；有开发者用开源项目 OpenManus（MetaGPT 团队出品）在很短时间内复现了其部分能力，说明护城河不深。

辩护方的观点：把任务拆解、工具编排、沙箱环境、上下文管理做到可用且稳定，本身就是极高门槛的工程能力。「做大模型和做应用的是两拨人」，应用层的价值不该被「套壳」二字抹杀。季逸超后来也公开说明产品使用了基于 Qwen 的微调模型，并非简单的 API 转发。

我的判断，分三层看：

1. 「套壳」在技术上是事实，在商业上不是贬义。 Manus 团队自己也从不讳言——Context Engineering 博客开篇就讲了「做潮水上的船」的选择。真正的问题是：模型厂商会不会顺手把应用层吃掉？OpenAI 的 Operator 和 Deep Research、Anthropic 的 Claude Agent 能力在 2025 年快速跟进，说明这个威胁是真实的。
2. 护城河的部分答案藏在工程细节里。 OpenManus 能复现界面和流程，但复现不了 KV cache 命中率、工具掩码状态机、可恢复压缩这些在数百万用户规模上调出来的工程参数。Context Engineering 博客之所以影响巨大，恰恰因为它展示了「壳」的厚度。
3. 但纯应用层护城河确实有限。 Manus 最终选择卖身 Meta（以及后来回归中国资本），某种程度上印证了独立通用 Agent 产品在巨头夹击下的生存压力。对比 Devin 在垂直编程场景的深耕，通用 Agent 的差异化更难建立。

这场争论的行业价值在于：它把「模型能力 vs 工程价值」这对矛盾摆上了台面，此后一年所有 Agent 创业公司的融资 BP 里，几乎都有一页在回答「你的护城河是什么」。

六、对通用 Agent 赛道的意义

抛开争议，Manus 在这个行业的历史上留下了几个抹不掉的坐标：

1. 定义了通用 Agent 的产品范式。 「云端虚拟机沙箱 + 工具调用 + 异步执行 + 过程回放 + 交付文件」这套组合，此后成为通用 Agent 产品的标准配置。今天看各家产品，处处都有 Manus 的影子。
2. 完成了大众层面对 Agent 的第一次市场教育。 在 Manus 之前，「AI Agent」对多数人是抽象概念；它用「看着 AI 替你干活」的直观体验，让「从聊天到干活」这个转变深入人心。如果你觉得什么是 AI Agent里的定义抽象，Manus 的演示视频就是最好的注解。
3. 贡献了最有价值的工程方法论之一。 Context Engineering 博客把「上下文工程」这个词推成了行业标准术语，其经验（KV cache 优先、工具掩码、文件系统作上下文、错误保留）已经成为 Agent Loop 设计的必修课。
4. 提供了营销与发布的教科书级案例（正反两面）。 邀请制饥饿营销的传播效率与信任反噬同样惊人，后来者如 Manus 的同类产品和开源复现 都吸取了教训。
5. 成为地缘博弈下 AI 应用公司的首个完整样本。 从中国团队起步、拿美元基金、迁址新加坡、被美国巨头收购、被中国监管叫停、回归中国资本——这条 16 个月的曲线，是理解 2026 年 AI 创业环境绕不开的案例。

对想动手的学习者，最直接的 takeaway 是：把 Context Engineering 那六条经验读透，然后在亲手构建一个 Agent 的实践中逐条验证——它们比任何框架教程都更接近生产环境的真实问题。

参考资料

• Context Engineering for AI Agents: Lessons from Building Manus（Manus 官方博客，2025-07-18） —— 季逸超亲述的六条上下文工程经验，本文第三节的主要依据。
• Manus恢复独立公司运营 腾讯等原股东向Meta购回Manus（财新网，2026-08-12） —— 收购撤销与回购的最新进展。
• Manus收购案被叫停！20亿美元AI"造富"神话破灭（凤凰网财经，2026-04-28） —— Meta 收购与监管叫停的时间线梳理。
• 曝国产Agent黑马完成超5亿融资，估值暴增5倍（36氪/智东西，2025-04-25） —— Benchmark 领投 7500 万美元 B 轮融资细节。
• 中国AI新星Manus爆火！全网抢邀请码，公司合伙人回应（金羊网，2025-03-06） —— 发布当天的传播盛况与 GAIA SOTA 宣称。
• 从爆火到爆雷，Manus究竟做错了什么？（钛媒体，2025-03-12） —— 对邀请码炒作、29 种工具集成与「云电脑」模式的早期拆解与批评。
• Manus AI: Capabilities, GAIA Benchmark, Use Cases & More（GoCodeo，2025-03-10） —— GAIA 三个级别的具体分数与对比数据。
• Manus推出Wide Research功能最多同時執行上百個代理人（iThome，2025-08-01） —— Wide Research 功能与大规模虚拟化基础设施。