庄明浩
哈喽大家好，我是明浩。我翻了一下自己小宇宙的后台，距离我上一次更新 PPT 的 solo 播客，应该刚过去半个多月。上一期关于 DeepSeek 的播客，内容其实是讲 DeepSeek，以及对于 2025 年所谓“Agent 年”的一些预期。可是现在回头去看，你会发现，我对自己的评判是：那一期里面关于 Agent 的讲述有一些空。
我相当于在那个时间点，针对那一章节的内容做了一定的讨巧式处理。所以那一段内容回头来看，其实没有太多观点，更像是已有信息的排列组合。为什么呢？说实话，在那个时间点，无论是我还是业界，本质上对 Agent 这件事情都没有那么明确的认知。
那直接引出今天的话题：为什么会做这一期内容？在过去大概一周的时间里，整个 AI 行业都在谈论 Manus。作为业界的观察者，我对这件事情也有了一些更深的认知和理解，所以有了今天这一期播客。
2025 年刚刚过去两个半月，我已经做了 3 个超长的 PPT 了。对，这是第三个。我们今天的内容叫《Manus 没有秘密》。本来我还加了一个副标题，叫“2025 年会是 AI Agent 的年吗？”，是一个问号。可是我做的时候发现，其实这个问题可能已经不需要再问了。
《Manus 没有秘密》大概有 5 章、70 页 PPT。如果大家需要，也可以去手诺里下载我的 PPT 文档。5 章内容分别是：核心叙事、定义 Agent、Agent 实现原理、Manus 的使用体验，以及最后的暴论输出。我很庆幸的是，当你对一件事情有比较多的了解时，才会有比较多的暴论；当你没有那么了解时，更多做的是信息罗列。
大概一个多月之前，我做了上一次 PPT，内容是《从 DeepSeek 爆火看 2025 年的 AI 行业发展》。里面讲了 DeepSeek 爆火的整个过程、过去两年 AI 行业的叙事、可能出现的新叙事，以及最后一章所谓的 Agent。
正如我刚才所说，前 3 章内容我觉得都是老东西。第四章本来应该有一些观点和出彩的地方，但受限于我对这个行业的认知和理解还没有到，所以我会觉得当时做的关于 DeepSeek 以及 AI Agent 的第四章并不那么理想。
1. 从 Chatbot 走向 Agent
如果大家回去翻上一期播客的 PPT，我在里面讲过：如果那个大概 70 页的 PPT 只用 1 页做总结，就是 OpenAI 定义的 L1 到 L5，而我们现在处在 L2 到 L3 之间。
详细来说，L1 就是 Chatbot，以 ChatGPT 为代表。我们今天能够用到的很多产品，都是 L1。L2 是推理模型，包括 OpenAI 的 o1、DeepSeek R1，以及 DeepSeek R1 之后一系列头部供应商发布的推理模型。L3 就是我们今天讨论最直接的话题：Agent。
在上一次 PPT 里我也讲过，Agent 这个概念被无限泛化了。今天很好，有人把它定义得更清楚了。所以如果今天依然只有 1 页 PPT，我依然可以用这一页 PPT 总结所有内容。现在我们把 L1 到 L3 掰开、揉碎了来聊一聊。
其实在上一次 PPT 的整理过程中，我并没有那么详细地解释。我列了一些问题：从 L1 的 Chatbot 再往前推，在 2014 年、2015 年，甚至更晚一点兴起的那一波 AI 1.0 时代的模型公司，其实今天也还在，比如中国当年的 AI 四小龙。
回头去想，那个年代的 AI 1.0 和大模型年代的 AI 最大的区别是什么？我们当时是怎么从原来那个样子走到大模型、走到 GPT 的？再去想，2020 年中 GPT 就发布了 GPT-3，之后又有 GPT-3.5。到 2022 年 11 月 30 日 ChatGPT 发布，才被定义为这个行业到达了一个节点。
那我想问的是，ChatGPT 对于 GPT-3.5 的意义是什么？那是 L1。到了 L2，从 OpenAI 的 o1 在 2024 年 9 月发布，到 DeepSeek R1 在 2025 年 1 月发布，我们又是怎么走到 L2 的？
还有一个问题，为什么每一次大模型的重大更新，看上去都会有一波应用公司死掉？这个问题再延展，就变成了模型和产品这两件事情到底是统一的还是分开的。有人可能会说模型即产品，也有人可能会说模型和产品应该分开。那这件事情在不同阶段，是不是会有不同的答案？
2. 通用 Agent 的三条原则
我的核心思想其实挺简单。刚才我问了，我们从之前的 AI 1.0 时代到了大模型时代，然后从基础大模型到推理模型，再到今天探讨的 Agent。第一个关键词，我写的是“通用”。
也就是说，这一波大模型叫通用大模型，L1 就是通用的。到了推理模型的时候，我们也开始做通用推理模型，因为几乎没有人做什么垂直行业的推理模型，推理模型出来就是通用的。
那这个逻辑再往下推，如果 L3 是 Agent，是不是也应该是一个通用 Agent？第二个关键词叫“技术实现”。刚才问我们是怎么一步步走过来的，从之前的 AI 1.0 到大模型，我们之前用过一个关键词，叫“大力出奇迹”。
从预训练到 L2，强化学习变得重要了。在从 L0 到 L1、再到 L2 的过程中，你会发现大家一直遵循的一个观点是：尽量少地控制，给更多的数据，用强化学习的方式让模型本身自己学习。这就是技术实现的过程。
第三个关键词叫“用户感知”，也就是说，对于一个用户而言，他怎么去感知技术的变化。大家经常会说所谓的“啊哈时刻”，就是用户突然“哇哦”，像看到魔法一样的时刻。对于一个普通用户而言，这是一个并不那么难理解的事情。
然后你会发现，从 L1 到 L2 再到 L3 的过程中，都在经历从简单变复杂，再变简单、再变复杂的过程。所以总结来看，L1 到 L3 的整个过程，我觉得有几个关键词：通用、技术实现和用户感知。听起来有点神棍，对吧？我们一个一个看。
先看通用。我用了一张创新工场、零一万物刚刚成立时，开复老师在一次发布会上的 PPT 截图。他讲的是 AI 2.0，也就是大模型克服了 AI 1.0 单领域、多模型的限制。
在之前的 AI 1.0 时代，我们是用单一的数据集，在单一的场景下训练固定的模型。到了大模型时代，变成通用的。这个变化就是在大模型时代出现的。
那我们是怎么走到 L2 的？如果大家有兴趣，可以详细回看我之前讲 DeepSeek 的那期播客。o1 发布之后，世界上的主流模型厂商都希望复现 o1 的推理模型，所以用了两个路径或者两个技术方案。
一个叫 CoT，也就是思维链。大家会认为，因为今天如果你用 DeepSeek，已经很了解思维链是什么了。但在那个时间点，大家会认为，让大模型以一步一步的方式去思考问题，这叫思维链。
思维链出现之后，就变成了一个问题：在训练过程中，我们是针对这条链上的每一个环节做激励，还是针对结果做激励？当时有一种路线方案，是针对每一个过程，也就是 PRM，过程奖励模型。
但是最后的结果告诉大家，无论是最早出现的 OpenAI 的 o1，还是 DeepSeek 的 R1，我们去看它们的开源文章，以及一些员工在社交媒体上的发布，最后证明它们完全只依靠对结果的强化学习。我们不需要在过程中对模型本身做更多限制。
这就像当年 AlphaGo 出现 AlphaZero 一样，不需要跟人类学习棋谱，也可以得到更强的 AlphaZero 围棋模型。它摆脱了人类经验。DeepSeek 也一样，DeepSeek 的基础模型叫 V3，基于 V3 的模型能力做强化学习，仅仅针对模型本身的结果做奖励，就出现了 R1-Zero，跟 AlphaZero 一样。
这就是我们走到 R1 的整个过程。从 R1-Zero 再经过一点点预训练、基础信息增加和数据调整，我们出现了今天用到的 R1。DeepSeek R1 把这套训练方案和方式同时复现在了 Llama 和 Qwen 上，也提高了那几个模型的效率。
你会发现，这是一个纯技术路线、模型层面的实施。那在用户层面是什么呢？我有一个说法叫“用户需要 Magic”，就跟“啊哈时刻”一样。所谓“啊哈时刻”，就是用户作为一个非技术人员，非常清晰地看见了某种变化，而“看见”是非常重要的。
回头来看 L1 的年代，ChatGPT 发布时，作为用户来讲，他看见了什么？说得赤裸一点，他看见了机器在吐字，就这么简单。那 L2 的时代，也就是 o1 或 DeepSeek R1 的时候，用户看见了什么？用户看见了模型在推理。
同样把这个逻辑往下推，如果 L3 是 Agent，或者说那个“啊哈时刻”出现在 Agent 这个板块里，那也应该是用户看见了什么。用户需要 Magic。
再说刚才提到的关键词：简单、复杂、简单，一次又一次重复的过程。我们看 L1 的年代，ChatGPT 刚发布时，所有人都说，我们只需要用自然语言就可以跟大模型交互了。
但你会发现，后来需要出现非常复杂的提示词工程。你需要描述非常多的内容，甚至需要用严格的格式去给模型做刺激，它才会给你好的答案。
到了 L2，我们前面讲了思维链，我希望让模型一步一步思考。L2 真正实现的时候，你会发现我们现在使用 DeepSeek R1 以及各种推理模型，感觉提示词工程也不太需要了，大模型自己可能就理解了。
但是训练 L2 的过程，其实大家也跑了一些弯路。有很多厂商用了过程奖励的方式。现在我们要去 L3，要做 Agent 了，你会发现很多厂商在尝试用 Workflow，也就是工作流的方式来定义模型的执行。
如果依然延续这个逻辑，从简单到复杂，再到简单、复杂、简单，那 L3 是不是也应该不需要 Workflow，也不应该限定场景？过去这几次技术更迭，从技术实现的角度来看，我们的路径依赖往往会把我们引到一些弯路上，最后成功的都不是这些弯路。
总结一下，第一章掰开揉碎地讲 L1 到 L3，第一个关键词叫通用：不是垂类，不限定具体场景，不设置边界。当然这会非常难，初期的实现也一定是不完美的。
第二，让大模型自己来，不要干预，不要添加条件，更少的限制，更好的激励。当然，对于做相关工作的公司而言，比较考验他们的是成本和结果之间的博弈。
第三，要把操作傻瓜化，尤其是对于用户。要让用户看见，看见，即使是看见实现的过程也很重要。不能一次又一次地把用户带入复杂的区域。
3. Agent 必须被看见
我们进入第二章，真正意义上地看看 Agent。刚才在 L1 到 L3 的推理过程中，其实已经有一些结论慢慢显现出来了。我们把边界再收敛一点，这一章叫“定义 Agent”，副标题叫“从特征到看见”。
你会发现，我在第一章的过程中讲到了很多特征，就跟房间里有一头大象一样。我们可以描述它的腿、尾巴、耳朵和鼻子，那些都是它的特征。但是如果想完整地定义那头大象，你需要看见它。
我们还是从两个最不像 Agent 的 Agent 方向来看，也是我在上一期 DeepSeek 的 PPT 中讲得比较多的两个方向：一个是搜索，一个是 coding。
先讲搜索。在今天这个时间点，头部的 AI 搜索公司有 Perplexity、Genspark，国内有秘塔、纳米，甚至还有知乎等垂类平台。你会发现，针对 AI 搜索公司有很多问题。
从 AI 搜索公司出现的第一天，很多人就会问：AI 搜索公司需要有自己的模型吗？如果没有，那不就是套壳吗？AI 搜索的机会到底属于传统搜索引擎公司，还是属于初创公司？
这一波 DeepSeek 火了之后，所有搜索公司都接入了 DeepSeek，大家的区别是什么？信息源的差别真的能够带来持久的竞争优势吗？产品设计上能够拉开绝对差距吗？开源的 AI 搜索方案似乎也有很多，从工程实现的角度来讲，好像也没有什么难度。
同时，专门做法律、金融、医疗等垂直方向的 AI 搜索，是否有意义？你听到这些分析的时候，会不会觉得特别耳熟？这是 AI 搜索。从 AI 搜索出现的第一天起，这些问题就都在。
我们再看 AI coding。头部大模型公司的 Chat 产品出现的第一天就可以编程。AI coding 能力进化的原动力，一定是大模型本身能力的进化，尤其是从 Claude 3.5 开始的进化。
那似乎所有做 AI coding 的公司，本质上都是 Claude 3.5 或 Claude 3.7 的套壳。那这些项目的护城河又是什么？工程、体验和产品的边界能够拉开差距吗？AI coding 的开源方案也有很多，所有大厂大概率都会做。产品的品牌效应会有吗？做垂直会有意义吗？做前端、后端，或者某个垂类场景，会有意义吗？
你会发现，差不多的问题被频繁问起来了，但这些问题有答案吗？可能没有。所以这就回到了我最开始讲的内容。我又列了上一次 PPT 里关于 Agent 的几页内容，比如“一千个人眼中有一千个 Agent”，以及 Agent 概念被严重泛化。
其中有一些典型的 Agent 定义，也包括 2024 年 Agent 行业的发展。但你会发现，大家在这种讨论中更多的是一种空对空的谈论，因为大家的共识都还没有达成。
4. Manus 让工作可见
提示一下，截止到这一页之前，我的 PPT 没有提及任何关于 Manus 的内容，任何都没有。从这一页开始，我们来看看 Manus 的种种。
我对 Manus 的第一个描述叫“一切工作都是为了让用户看见”。我在前面强调了很多次，看见很重要。我截了一张 Manus 官网的案例图，是他们分析特斯拉股票价格的案例。
从网页截图里你会发现，它有完整的 To-do list，然后去查各种各样的网站，得到各种各样的图表。图表做好之后，它会进行呈现，做一个网页给到你。本质上来讲，在产品层面，Manus 的所有工作都是为了让用户看见。
记住前面说过，L1 的看见是什么？是看见吐字。L2 的看见是什么？是看见推理。Agent 的看见是什么？就是看见 Agent 在工作。一切工作都是为了让用户看见。
那为了让用户看见，怎么做到的？我们看第三个部分：Manus 的实现原理。副标题叫“Less Structure”，也就是更少的控制、更少的限制。
第三章我又分了 6 个小节，分别是技术、产品、打榜、复现、成本和一个小故事。我们一个一个来看。
先看技术。在 Manus 之前，已经有很多所谓的 Agent 产品了，甚至在 2023 年就有一些开源或者闭源的 Agent 产品，比如 AutoGPT、Anthropic 的 Computer Use、OpenAI 发布的 Deep Research、智谱发布的 AutoGLM，其实大家底层的逻辑似乎都差不多：Agent 拆解任务、执行任务、给出结果。
又因为最近一段时间推理模型的成熟，在第一步拆解任务这件事情上，感觉好像已经没什么难度了。同时，随着 Anthropic 推出 MCP 协议，可以让大模型使用各种各样的工具和 API。这个协议出现之后，包括 OpenAI 最近发布的一系列 Agent 框架，似乎让模型使用工具、搭起架构这件事情也不再是门槛。
那很多人会问，为什么之前迟迟没有爆发？差的是什么？
举一个 Manus 的例子。Manus 在发布之前，其实就给一些投资人和很资深的合作方看过测试版本。当时有人问这个团队：你们自己写了多少个 Workflow？大家可以猜一下答案是多少。答案是：0。
还记得我们怎么做到 L2 的吗？先有了 CoT，然后用 PRM 针对过程做激励，但发现这不对。最后的方式是不预设任何限制和架构，只通过结果进行激励。
在这个逻辑上，Manus 和之前所有模型公司复现 o1 是一样的，没有预设 Workflow。反过来讲，为什么叫通用？如果你一旦预设了一定的 Workflow，其实就没有那么通用了，可能只在几个预设好的场景边界下表现比较好。
为什么我一定要把 Less Structure 标红？因为在之前关于 OpenAI 发布 o1 的几个视频中，OpenAI 的一位核心研究人员表达过这样的观点：不要教它，直接给激励，尽可能少地给各种各样的限制。限制越少，模型表现越好。
同样的话，也出现在 Manus 发布第二天，产品合伙人张涛老师和 Pick 分享的闭门分享会 PPT 里，叫“Less Structure, More Intelligence”。越少的控制，越好的智能。
如果从产品形态来讲，Manus 有一个比较简单的比喻。这个比喻也是之前我们整理 YC 时借用的一个 QL 表单。那个 QL 叫“产品二姐”，她做了一个非常形象的比喻。
当然，这个比喻可能是今天看到 Manus 之后，一个很容易想到的方式：给 AI 一台虚拟机。给 AI 一台虚拟机。
我们回头来看，Perplexity 相当于给 AI 搜索；以 Monica 为代表的、偏插件和 Chatbot，或者说 AI 搜索类的公司，可能给 AI 的是一个浏览器；Cursor 这样的产品，可能给 AI 的是一台 IDE 编辑器；而今天 Manus 给 AI 的是一台虚拟机。
再举一个更现实的例子。这个例子也是 Manus 团队在第二天的闭门分享会上讲的。他说，我们之前用大模型，有点像招了一个实习生。这个实习生是博士学历，懂得非常多，但你在使用这个实习生时，只给了他笔和纸。
那你想，他能干什么？只给他笔和纸，他能干什么？但如果你再给他一个浏览器，他又能干什么？如果你再给他一些内部核心数据库的访问权限，他又能干什么？如果你再给他必要的训练和要求，他又会做成什么样子？
这一路走下来，其实就是 Manus 在做的事情：给 AI 一台虚拟机，给它浏览器，给它必要的数据库访问权限，同时做一定的训练。这就是 Manus。
对于用户而言，我们具体看见了什么？前面讲了无数次，用户看见很重要。那用户到底看到了什么？
首先，用户看到了 Manus 在规划一个任务，会有一个非常详细的 To-do list。第二步，你会看到它执行这个 To-do list。无论它是查网页、调 API，还是编程写代码，你都会看到它在哪里做。
第三，你会看到它的归纳和总结。它完成所有任务之后，会一个一个核对是否完成，并且把每一步工作变成一个整体的归纳。最后，它给你一个完整的交付：一个 PDF 文件、一个网页、一篇文章、一段文案，甚至一个程序、一段代码。总之，给你完整的交付。
所以你看见了它在规划、在执行、在归纳，最后给你交付。
5. GAIA 检验 Agent 能力
到这里你会发现，Manus 做出来了。对于 Manus 团队而言，做完之后最直接、马上要来的事情，就是看这东西效果怎么样。
在 Manus 官网有一张打分表，是它和 OpenAI Deep Research 以及 SOTA 做的对比。这是两个类似 Agent 的产品，他们比较的榜单叫 GAIA Benchmark。
GAIA Benchmark 也分 3 个等级。L1 是最简单的题，L2 是难一点的题，L3 是最难的题。GAIA 本质上就是一个题库，大概有 400 多道题，让模型去做这些题，或者说考察它回答这些题时的正确率，以此衡量 Agent 的能力。
刚才说过，它有 3 个等级。初级题目通常不需要工具，或者最多只需要一种工具，不超过 5 个步骤就可以完成。中级题目需要执行 5 到 10 个步骤，而且必须组合使用不同的工具。
最难的高级题目，则要求 AI 能够执行任意长度的行动序列，使用任意数量的工具，并且广泛访问世界知识。听起来就很吓人了。
我们看一下具体例子。L1 的问题大概是：20 世纪 1977 年之后，唯一一位国籍记录为已不复存在国家的马可尼奖获奖者，名字是什么？听懂了吗？
中级问题是什么？在 2015 年大都会艺术博物馆以当年中国生肖命名的展览中，十二生肖中有多少个动物的脚是能被看见的？
L3 的问题是：在 2018 年 3 月上传的一段 YouTube 360 度 VR 视频中，旁白由《指环王》中咕噜角色的配音演员配音。在视频中第一次出现恐龙后，旁白立即提到了什么数字？
给你一台联网的电脑，不是给 AI，你觉得你能回答多少这样的问题？所以这个问题特别难。
Manus 有一个很有意思的小例子。当天的闭门会上，Manus 团队也讲到了这个例子。当时他们测试了一个 GAIA L3 的题目：在一个类似国家地理风格的 YouTube 视频里，各种企鹅来来回回地走出、走进画面，让 Agent 数出某一帧画面里同时出现的企鹅种类最多有几种。
听明白这个问题了吗？Manus 是怎么做的？它先打开视频链接，接着做的第一个动作是按了一下键盘上的 K。然后它挨个截图，记录哪一帧出现了哪种企鹅，最后得出最多的一帧画面有 3 种企鹅。
这还没有完。做完之后，Manus 回去检查，它的下一个动作是按了键盘上的 3，最后确定答案。
不知道大家是否用 YouTube，或者是否用视频网站。你是否知道 YouTube 快捷键里的 K 和 3 是干嘛的？K 是暂停。有人说空格也能暂停，对，空格也能暂停，但空格有可能会引发旁边进度条的变动，K 完全只针对视频做暂停。
3 是什么呢？YouTube 的 1 到 9 快捷键，对应的是视频 10% 到 90% 的进度。这就是 AI 在做的事情。
除了 GAIA 之外，Manus 还做了什么？这个其实没有太多人讲，因为只有在当天的闭门会上提到。
大家知道，今天 YC 应该是这个时间点在孵化领域投资 AI 项目最多的孵化器了。它的一期项目里面可能有 100 到 200 个项目，现在 70% 到 80% 都是 AI 项目。
如果大家有兴趣，可以去翻去年我跟扣几做的总结，我们总结的是 2024 年。在 2025 年最新一季的 YC 项目中，可能有 100 多个和 AI Agent 相关的项目。Manus 团队把这些项目全部拉出来，让 Manus 重新去复现。因为这些项目可能做医疗、法律、销售、金融，甚至做汽车 4S 店销售这样更小的场景。
无论做什么，这些项目总归会有一个官网，官网上总归会有业务介绍，无论是图片、视频还是文字描述。Manus 团队把所有这些 YC 2025 W25 Agent 项目的描述全部拉出来，让 Manus 重新去做复现。最后得到的结果是，它大概可以覆盖 76% 的不同 Agent。
这一步叫通用，对吗？或者说，有一点像之前 DeepSeek 做出 R1 之后，同时去训练 Llama 和 Qwen 的事情。
6. Agent 改写算力成本
接下来是成本的话题，这也是 Manus 团队提出的。他们认为，在今天这个 Agent 时代，尤其是 AI Agent 时代，衡量一个业务的指标可能不应该看常规意义上的 DAU、MAU、留存。
有一个核心指标应该叫 AHPU，也就是 Agentic Hours per User，一个用户使用 Agent 的时间。
你想一下，我们现在用 DeepSeek、豆包、夸克、混元或者元宝，跟它对话一次的消耗时间是多久？5 秒、10 秒、20 秒，撑死 30 秒，对吧？
但如果大家用过 Manus，会发现一个复杂任务交给 Agent，快的可能也要十几分钟，慢的可能要几个小时，甚至更长。那你想想，这中间算力成本的差距是多少？可能不是 10 倍、100 倍，甚至是 1,000 倍、10,000 倍的差距。
同时，因为时间有这样的差距，Manus 自己的统计是，平均来看，Deep Research 每个问题所消耗的成本平均在 20 美元左右，SOTA 大概 10 美元，他们现在大概是 2 美元。
有一些开源方案复现了 Manus 的功能之后，技术人员用开源方案重新实施时，我印象中看过一些方案，做一些任务也需要 3、4 美元的算力成本。
成本的巨幅扩张又引发了另外一个问题。这就变成了年初我做 2024 年总结时的一页 PPT，内容是转发涅槃创始人修寒对于 token 市场的估算。
他在今年年初做了这样一个估算：在中国国内，如果不算大模型厂商自己的应用，只算第三方调用，一个应用每天能够消耗 100 亿 token，那基本上就是一个垂类比较大的 App。100 亿 token 大概意味着每天 5,000 元的算力成本，这种 App 大概可能有几百个。
每天就是小几百万元的消耗，全年这个盘子就是几十亿元到将近 100 亿元。这就是第三方调用大模型的商业模式，也是当时可见的天花板。
而且重要的是，大家会说，我在上一期播客里也讲过，OpenAI 的 Sam Altman 也提过，基本上每 12 个月算力成本会下降 10 倍。如果再考虑多模态的迭代，可能又是 10 倍，所以每年是以 100 倍的方式在下降。
极端设想一下，修寒说，一个用户用两个小时、全部以视频生成的方式调用 AI，大概是 30 亿 token。一个拥有 100 万 DAU 的产品，就是 3,000 万亿 token 的消耗，是当前的 30 万倍，那是一个极限状态。
今天你会发现，原来大家会担心，如果今年成本下降 100 倍，第三方市场的业务增长能不能达到 100 倍，这是个问号。但有了 Agent 这样新的衡量方式之后，你会发现，100 倍真的太容易了。
如果再发散一下，前面提到的 AHPU 更像是一个单线程指标。那如果是多线程并发呢？因为大家如果用 Manus，会发现很多用户会同时让 Manus 执行很多个任务。
如果你作为服务提供商，你允许的最大并发应该是多少？如果再考虑到这些并行过程中有用户干预，会重新启动一些新的进程，那似乎这个数字可以无限算下去。
所以出现了一个结论。这是我的好友、《公式粉碎机》的作者周末前天发的。他说，因为他在美国和很多投资人沟通，会发现无论我们如何评价 Manus，不管怎么样，这一周可能是讨论 Agent 带来 token 变化的第一周，我们真正意义上开始讨论 Agent 对 token 变化的影响。
7. Manus 早已公开技术路径
最后讲一个小故事。Manus 团队最早并不是在做 Manus，他们最早想做的是浏览器，是 AI 浏览器。
很巧合的是，如果对这个行业有了解，应该知道美国之前有一个很有名的 AI 浏览器叫 Arc。但是 Arc 已经确认停止更新了。也非常巧合的是，Arc 确认停止更新的那一天，也是 Manus 团队决定不做浏览器的那一天。
为什么大家会发现浏览器不太适合作为 Agent 的承载？其实从用户体验层面，这是一个非常好理解的状态。大家今天用 Manus，把任务交代完就可以走了。
但如果它是一个浏览器，它就要占用你的屏幕，你不能干别的事情，甚至不能断开网络，也不能进行其他操作，否则就会打断它。
但 Manus 选择了另外一条路：我给它一台虚拟机，让它在虚拟机上运行就好了。只要任务下达完成，它就可以自己工作。所以浏览器变成了一个中间态，被放弃掉了。这就是这个故事。
回到我的标题，如果大家还有印象，我这期的标题叫《Manus 没有秘密》。为什么说 Manus 没有秘密？
Manus 的核心团队有 3 个人：CEO 肖弘、首席科学家 Peak，以及产品合伙人张涛老师。
2 月份，肖弘接受小俊播客采访时提到，AI 今天的能力还不够做 Agent，应该有一台虚拟机。Chatbot 应该在云上有一台电脑，把它写的代码、要通过浏览器查询的内容，都在电脑上执行。
因为是虚拟机，坏了也无所谓，可以再开一台。甚至在当前任务执行完之后，还可以释放掉那台虚拟机。
我自己觉得，这个架构就是一个虚拟服务器和浏览器，能够自己写代码、调用 API，能够胜任各种各样的长尾任务。这就是我们在做的事情。
2024 年 10 月，Peak 开源了一个模型，也是复现 o1，做的是推理模型和强化学习。今天这个时间点，Manus 上很多任务的执行，以及更少架构控制的方式，用的就是这套开源模型。
2025 年 2 月，张涛老师在讲 DeepSeek 的 PPT 最后一页，提到了 DeepSeek 给他在产品使用上的启发。他说，要提供绝佳的产品价值。用我的理解来看，就是让用户看见。
张涛老师还问过：要想让 95% 的人用到第一款应用，AI 应用应该是什么样的？如果做 Agent，获得外部世界的观察很重要，还能加什么？
所以你会发现，在 Manus 发布之前，这 3 位核心创始人已经把 Manus 所有的执行技术路径、实现原理、方案和产品设计都讲过了。因此，Manus 没有秘密。
在 Manus 火了第二天，他们发了一个公告。我想在这里重新读一下。张涛老师在 3 月 6 日发的公告说：
“首先，向关注 Manus 的用户和媒体老师们表示歉意，我们知道很多人没有体验到 Manus。过去的 17 个小时对于团队来说，无异于一场充满各种意外的冒险。
“我们完全低估了大家的热情。一开始的初心只是分享一下在探索 Agent 产品形态过程中的阶段性收获，因此服务器资源完全是按照行业里发布一个 Demo 的水平来准备的，根本不曾想会引发如此大的波澜。
“目前采取邀请码机制，是因为此刻的服务器容量确实有限，不得已而为之。最后，大家目前看到的 Manus 还是一个襁褓中的小婴儿，离我们正式版中想交付给大家的体验还差得很远。模型幻觉、交付物友好度、运行速度等方面，都还有很大的提升空间。”
我刚才讲完前面的所有故事，你就能理解为什么在那个时间点，Manus 发了这样一份公告。
8. 真实案例暴露短板
进入第四部分，我们来用一用 Manus。我找了一些身边朋友的案例，包括刘飞老师、君玉、李继刚、大聪明、兰溪和我。所有人都在即刻上，所以马总要记得给我打钱。
先看刘飞老师。刘飞老师做了几个案例，我挑了两个。第一个是希望让 Manus 给当下的 AI 大模型打分，并且产出一个报表，看上去挺像模像样。
第二个需求是做一个播客行业总结，包括平台、市场份额和内容分布。这种偏基础信息的收集和整理，对于今天的 Manus 来说，是一个相对门槛比较低的事情，而且完成得比较好。
我们再看君玉的 Demo。君玉的公众号叫“猫窝”，大家有兴趣可以去看他对 Manus 的体验。他做的几个案例中，有几个比较有代表性，我把它叫作复杂信息的收集和整理，而不是简单的信息整理。
比如，他有一个任务是收集几个 App 的官方图标。从结果来看，可能只完成了 70%。有一些图标格式不对，模型还会偷懒，自己把文件名的扩展名改掉。
他的第二个任务，是到海关官网获取一些贸易伙伴的月度出口额。从执行情况来看，它找错了地方，没有真正意义上去海关官网找这些东西，所以从数据来讲不是特别理想。
总结来看，君玉的案例属于复杂信息收集和整理，对于 Manus 而言可能还不那么容易。或者说，你需要给 Manus 更明确的目的地指引。比如海关那个案例，你就要告诉它：你就来这里找。
然后是李继刚老师，作为提示词之王，他做了两个测试。一个是制作中国古代京剧的 PDF，这个任务完成得非常好，京剧内容和 PDF 格式的呈现都很好。
然后他让 Manus 用 HTML 加一些可视化图片去讲解强化学习。从做一个 HTML 网页、讲解一个概念这个任务本身来看，它完成了任务。但是你会发现，那些图和图标还是有待加强。
大聪明，也就是赛博产星的那位朋友，给了一个更狠的测试，让它做一个 Doom，就是最原始的射击游戏。最后跑出来的东西可以运行，只是没有枪械的图像。
它可以左右移动，可以用键盘控制，有地图。这个东西能跑出来，其实已经非常不错了。这是大聪明的案例。
我想多讲一点我和兰溪老师的案例。我们俩用的是同一个案例，而且之前没有沟通过，是不约而同地给了 Manus 这样一个任务。
这个任务很有意思。前几天，a16z 发布了每半年更新一次的 Top 100 AI 应用榜单，分成 Top 50 的网页 AI 应用和 Top 50 的移动 App AI 应用。
这个榜单发布之后，我们同时给了 Manus 一个任务：去看这个榜单里有多少是中国公司或者中国团队做的。
大家细想一下这个任务。首先，这个榜单是刚刚发布的，在那个时间点还没有专业媒体做分析，当然今天已经有了。其次，任务的执行过程是，Manus 要先识别这些应用的图标和名字，然后搜索对应公司、官网或者新闻报道，再确认是否是中国团队，并且一个一个地筛选。
更重要的是，这个榜单有 50 个 Web 应用和 50 个 App，但这两部分有重复。比如 ChatGPT 一定既在 Web 榜单里，也在 App 榜单里。所以模型还要核对 Web 和 App 的重复项，再最后整理成一个结果。
如果没有完全公开的确认信息，还要做一些模糊判断。比如有些团队可能在新加坡，这些团队应该怎么算？
现实世界里，如果这个任务专门交给关注 AI 出海、或者关注这个方向的投资人和媒体人，是可以做出这种标注的。但你觉得中国有多少人能做这件事情？如果希望找到这样的人请教，需要付出什么成本？如果给一个实习生来做，你觉得他需要多长时间才能做完？
我觉得按照刚才 GAIA 测试库的标准，这已经算 L3 了。
我们先不看 Manus 的结果。我同样把这个问题交给了今天这个时间点的 AI 搜索工具，比如腾讯元宝、豆包、DeepSeek 和夸克。
表现最差的是腾讯元宝，它告诉我有 10 个。但细看它给的结果，其中有 6 个根本不在那 100 个榜单里，它胡说八道了 6 个。
数字层面给得最多的是豆包，给了 19 个，但里面也有 6 个不在榜单里，甚至是张冠李戴。DeepSeek 和夸克也不是特别理想。
大家也要想，为什么会有错误，为什么会胡说八道？因为有幻觉。
那 Manus 做到了什么程度？我第一次交给它任务时，它返回的数字是 9 个。9 个是怎么来的？很简单，a16z 发布这个榜单时配了一篇文章，那篇文章里有对榜单的解析和描述，其中提及的中文应用是 9 个。
Manus 第一次返回给我的，是一个偷懒的结果。我看到之后说：“你要一个一个排查。”于是我给了它第二次提示，也就是追加任务。它说：“好，我一个个查。”
第二次返回的结果是 16 个。第三次我说，你要继续查，肯定还有。它又去查，第三次返回了 21 个。
到了第四次，我问它确定没有了吗？它又去查，最后返回的结果是 23 个。这时系统提示上下文长度受限。
从结论上来说，真实数字应该比 23 个还多，但 23 个应该已经是非常接近的数字了。
你看到这个过程会有什么感觉？刚才那些似乎都是好的结果，对吧？但有没有不好的地方？当然有。
比如我和李继刚老师的任务，我们都希望让它做一些示意图，但没有告诉它应该去哪里做这些图。所以它就用简笔画的方式画了一些图，非常难看，也非常简易。
比如我做的那个类似君玉海关数据的任务，我让它找春运数据，同样它找错了地方，给我的结果不好。
再比如，我让它做一个 PPT，希望里面有截图和来源网页的内容。它直接把一个网页截了过来，结果那个网页没有登录，上面有二维码，而且所有图片的位置也不对，没有太多排版信息。这都不是理想结果。
但你看上去，它确实在认真干活，只不过做得不太好。
有没有更差的？当然也有。最常见的问题是，上下文长度受到大模型本身的限制。经常会发现，一个任务执行多次之后，它会提示你：在特别长的上下文中，最好使用新的对话。
虚拟机可能也会有问题。虚拟机需要重启，但重启不起来，就会一直重启。可能因为用户负载过高，它需要歇几分钟再试。
所以它不是完美的，甚至很不完美，有很多问题，成功率也没有那么高。按照 GAIA 的标准，L3 题目它大概只有 57% 的成功概率，还有 40% 多是不成功的。
那我们到底该如何理性地看待这件事情，或者看待 Manus？我引用一个这波比较早测试 Manus 的自媒体博主伊泽的观点。他说，Manus 就是一个实习生的水平，缺乏实战经验，缺点灵性，是一个 24 小时高吞吐量干活的在校大学生。
最终产物的水平，取决于作为 Agent 内核的模型水平，以及它能够接触到的数据质量。这是一个相对理性的评价。
9. Manus 回应六种质疑
我们聊完使用，进入今天的最后一章，叫“暴论输出”，全是干货。我列了几个关键词：第一个关键词，干啥啥不行；第二个关键词，不就是套壳；第三个关键词，开源 3 小时复现；第四个关键词，没有技术创新；第五个关键词，肯定是炮灰；第六个关键词，营销肯定花钱了。
我们一个一个来讲。
“干啥啥不行。”确实你会发现，在今天这个时间点，对于一个通用的、或者定义为通用 Agent 的产品而言，你很难要求它在每一个垂类，尤其是特别垂直的场景下都做得尽善尽美。
但这里出现了一个很有意思的场景。Manus 火的当天，一位记者朋友打电话跟我聊。他知道我有邀请码，也知道我在用。他是一个没有那么关注科技行业的大众媒体记者，不是专门跑 AI 线的。
他上来问的第一个问题非常朴实：“好用吗？”
我听到这个问题的第一反应，是先想怎么回答。我停顿了一下，然后先叠了个甲。我跟他说，现在很多测试案例都会有更好的解决方案，所以这个问题的答案只能代表我自己。
但请记住它所强调的“通用”是什么意思。比如今天让它做 PPT，做 AI PPT 一定有专门做 AI PPT 的更好方案。但 Manus 不是专门为 AI PPT 准备的。
这让我想起 1995 年比尔·盖茨去节目上讲互联网的故事。主持人问他说，听说前两天互联网发生了一个重大新闻，可以在线直播听到棒球比赛的现场，是吗？
比尔·盖茨说，是啊。主持人又问，那我的收音机是干嘛的？然后主持人又说，最近有一个汽车网站，可以查各种各样的汽车数据。比尔·盖茨说，是啊。主持人就问，那我的汽车杂志是干嘛的？
我觉得这是一样的。通用，什么叫通用？
第二个关键词，“不就是套壳吗？”这句话太多次出现在过去这段时间的各种地方了。不就是套壳吗？
我的答案特别简单：不就是这 3 个字，是一种偷懒；套壳，是傲慢。
什么叫套壳？Perplexity 是不是套壳？Claude 是不是套壳？元宝以及一堆接入 DeepSeek 的应用，是不是套壳？
针对这个话题，我在 Twitter 和即刻上找了 3 位同行投资人的观点。
首先是羽森的观点。羽森是 Manus 的投资人，所以他是利益相关方。他发了这样一段话：
“2023 年 1 月，我看到一个产品叫 Perplexity，用起来觉得挺有意思。于是立刻去问了一位对搜索和 AI 都很有经验的大牛朋友。他看了一眼说，有点意思，但这个没有壁垒，我周末可以搓出一个出来。后来他周末还真的发了一个原型给我。
“2023 年中，一位好朋友问我，有机会以小几亿美元的估值投 Perplexity，感兴趣吗？我那时已经经常使用，但想起那位大牛说的话，于是礼貌地拒绝了。”
套壳应用是不是没有壁垒？
光速创投的一位合伙人在 Twitter 上也是这样说的：技术很多时候都不是绝对意义上的终极指标，真正能够形成护城河的是产品、网络效应、销售渠道、品牌，以及这些东西。
另外一个做美元基金的合伙人更直接。他说，Cursor、Glean、Perplexity、Monica 好像都是套壳，但它们已经做到 5,000 万美元 ARR，估值已经达到 10 亿美元了。
当然，也有人会说，你们这帮做投资的懂个屁。Anyway，纯正意义上的套壳依然非常火热。
同样在 a16z 新一期的 Top 50 App 榜单中，有 6 个是纯正意义上的套壳：App 图标很像 ChatGPT，提供的功能也就是大模型，是真正意义上的套壳。那个东西才叫套壳。
第三个关键词，开源 3 小时复现。开源方案跟得很快，现在最有名的是 OpenManus 和 OWL。强吗？很强。
但我想说的是，对于一个普通用户而言，想把这些开源方案用起来，首先要在 GitHub 上下载代码，在本地搭建环境，在云端部署服务器，调用各种各样模型的 API，最后还有可能要用命令行执行。
听起来门槛似乎有点太高了。
我再引用戈菲的一句话：“手搓一个 Demo 很快，运营好一个产品很难。说自己也能手搓的，只考虑到了 4-2-4 时间分配原则里的 2。”
4-2-4 是什么呢？第一个 4，是挖掘需求。在别人挖掘出这个需求、做出这个产品之前，他没有去搓一个出来。等别人发布之后再照葫芦画瓢，当然容易。
第二个 2，是实现核心功能。他也只是实现了最核心的一点功能，别人背后做的大量细节工作他没有看到，也没有复现，所以画虎不成反类犬。
第三个 4，是宣传推广。他完全没有考虑到，这是一项长期的工作。
再说很多人会提到的“没有真正意义上的创新”。创新到底是什么？我们只看过去两年的 AI 大模型行业，一个非常简单、基于大模型的粗暴递进关系似乎变成了：只有大模型才叫底层技术，才叫创新。
之前甚至会有一个结论：在大模型技术能力没有收敛之前，大家应该谨慎做应用。那我就想问，产品又是什么呢？不是大家都在期待 2025 年是 AI 产品、AI 应用和 AI Agent 爆发的一年吗？
举两个更现实的案例。一位即刻网友在回复 Manus 的评论时说：“我问了一下平时不关心 AI 的财务负责人朋友，他看了 Manus，说这就是我期待 AI 的样子。”
我的另外一个好朋友是大学老师。他说：“我昨天和复旦的老师们吃饭，就给他们推荐各种 AI 的用法。老师们说他们已经跟不上时代了，但是很想试试 Manus，就是那种傻瓜一点、用户没有什么干预能力、完成质量差一点也没关系的任务。”
更重要的是，Manus 团队的一位前员工发了这样一段话：
“从我的视角上看，Manus 是 Monica 这个公司抓住机会能力最好的体现。但如果这么解读 Manus，就太浅薄了，因为他们在工程实践和 Agent Workflow 上的积累是实实在在的。
“我参与到的部分，包括 2023 年 9 月到 10 月首次在国内推出 Agent，其中的 To-do list 都是当时学习了各家 Agent 方案之后的最佳实践；再到 2024 年 3 月做 GPTs 平台；2024 年初开始一直在做浏览器的技术积累，积累了大量对浏览器上下文利用的理解；2023 年 11 月开始做搜索，对 Agent 联网获取信息的能力也需要积累。
“我没有参与的部分，包括 2024 年 7 月通过 ROST 获取社交流量的增长经验，以及 2024 年 11 月 coding 产品中对各模型 coding 能力的理解。
“确实每件事都只是相对薄的一层，但是这些积木在这个窗口形成的组合创新足够强，也是事实。也就是他们可能既有认知，又有足够的工程能力，在这个小窗口实现了空袭。”
我们再把这个问题抽象一点来看。L3 是 Agent。那 Agent 到底是一个模型，还是一个产品？
OpenAI 发布 Deep Research 之后，核心团队接受了一些播客采访。OpenAI 官方明确说，Deep Research 是基于 o3 模型的微调模型，是模型。
所以又回到老生常谈的问题：模型即产品吗？如果是这样，AI 行业还有纯粹意义上的产品叙事吗？或者再委曲求全一点，有没有技术加产品的双叙事？
没有产品叙事会发生什么？就像那张梗图画的一样，所有建立在 LLM 上的能力，都会瞬间被大语言模型冲掉。
那如果是双叙事呢？或者像 DeepSeek 火了之后，光速创投讲的：模型即应用。DeepSeek 在产品上没有任何创新，核心就是智能加开源。
我也不禁思考，在 AI 时代，任何产品和商业模式的创新，都比不上智能的创新吗？Manus 事件会不会是技术加产品双叙事结构的开始？
无论什么叙事，头部公司都会做。OpenAI、Perplexity、Google 的产品都叫 Deep Research。
OpenAI 也公布了下一代 GPT-5。GPT-5 是一个融合模型，有 Pro、Plus 和 Free，包含 o3，也包含 GPT-4.5。既要又要还要。OpenAI 最近又说他们要推出一个每月 20,000 美元的博士模型。
头部公司都会做，那要怎么衡量和权衡？最后又回到了我上一次 PPT 的那一页：至少在海外，ARR 依然是最粗暴的标准，我们看收入就好了。
大厂一定会跟进，这是一句正确的废话。夸克、元宝、豆包，2025 年的核心工作和 OKR 已经非常清楚了，不需要再跟老板解释了。
从这个方向来看，张涛老师在 Manus 火之前去混沌的一次演讲中说过这样一段话：
“常年做创业项目的同学，应该有这种感受。如果一个项目做了一年，却没有任何竞争对手，反而会让人不安。你会开始怀疑，我选的市场是否真的有问题，为什么连竞争对手都没有？
“从推演的角度和实际入局的角度来看，感受截然不同。比如我们已经投入半年，还在犹豫是否继续时，突然有大厂进入，很多人可能会觉得慌，但其实我们只会觉得庆幸，终于证明我们的方向是对的。所以在局中时，感受真的会非常不一样。”
用一个更清晰、更简单的梗来解释这件事情：我记得有个朋友说过，美女有什么标准吗？美女是没有标准的，你看到是美女，那就是了。
10. 这场传播不是买来的
最后说一说营销。这应该是这一波关于 Manus 的讨论中非常重要的一个话题。我列一下时间线。
3 月 5 日中午 12 点，张涛老师给我发了一条微信，说他们晚上 10 点会发布新的产品，第二天，也就是 3 月 6 日上午 10 点半，会和朋友们进行第一轮交流沟通。如果我有兴趣，他可以把腾讯会议号码发给我。
3 月 5 日晚上，创始人肖弘和张涛老师在即刻发布了视频。肖弘是 3 月 5 日晚上 11 点发的，张涛老师是 3 月 6 日凌晨 0 点 17 分发的。
3 月 5 日晚上 11 点 50 分，赛博产星的大聪明转发了 Manus 的官方视频。3 月 6 日早上 7 点，他发布了测试 Manus Demo 的内容。卡兹克则是在 3 月 7 日早上 6 点，通宵没睡，做了一期体验内容。
这就是第一波传播的所有内容，仅此而已。截止到这个时间点，我们能够看到的介绍，全部来自两条即刻动态和两个公众号推送。
其实视频发出来之后就爆了，然后就是第二天的演示会。所以第二天的闭门会是早就预期好的，不是一个澄清会，而是早就想给朋友们介绍一下这个产品。
参与现场的，我可以列几个身边的朋友，比如曲凯老师、扣几、花生、特工宇宙、伊泽、黄叔和我，还有一些其他朋友。有人在北京线下，有人在线上。
我可以保证，我们这些人没有任何人收了 Manus 的钱，没有。
在那个时间点，Manus 也发了一个公告，说他们从未开设任何付费获取邀请码的渠道，也从未投入任何市场推广预算。作为亲身参与其中的人，我绝对相信这个团队的公告。
从结果来看，花生那条即刻动态也很有代表性。他说，其实一切的开始，就是团队做了一个挺好的产品，拉圈子里的朋友们聊了聊，请大家测一测。事情的发展完全超出了他们的预期和控制，仅此而已。
那为什么大家愿意帮忙？我用了两个字的关键词，叫“善缘”。
也是在我上一次 DeepSeek 的 PPT 里，我推荐大家如果想了解 DeepSeek 的技术实现，可以去看一个两个小时的视频，名字叫《最好的致敬是学习》。那个视频是谁做的？是张涛老师。
更重要的是，在我的播客里，上上期关于《DeepSeek 的谣言与误解》的内容，是我和 Lily、张涛以及另外一位老师一起做的。
过去这段时间里，张涛老师通过这种方式，在某种意义上接下了足够大的善缘。我们这些对技术理解没有那么深的非技术人员，是要感谢张涛老师布道的。
所以为什么会有这种信任，会有这么强的自来水？因为善缘。
当然很多人可能不信。那我用另外一种方式反过来说：3 月 6 日早上 8 点，知乎上就有人提问“Manus”。当时排名第一的答案是：“第一款被自媒体比技术从业者更早发现和评测的 AI 产品。”
没有错。它在 Hacker News 和 V2EX 上没有热度，是因为他们的朋友不是技术圈的人，他们的朋友是我们。
再举个例子。这一波传播从即刻和小宇宙开始，3 月 6 日早上从最小的圈子开始，先扩散到核心科技媒体圈，再扩散到财经媒体圈，当天还有一些党媒、央媒报道。
如果你想一下，这个营销是设计过的，你得用多少钱？前期得铺多少关系？我知道有很多大厂公关在听我的播客。今天如果我给你足够多的预算，你能复现这样的传播吗？答案不言自明。
还有人会说，Twitter 上根本没有讨论，因为他们没有在第一时间给外部的 Twitter 用户测试，所以怎么会有讨论呢？直到后来 Twitter 上出现了很多讨论。
所以我想说，大家一定要用“出口转内销”的方式来验证一些事情吗？难道就没有自己独立判断的方式和逻辑吗？
最后，AI 疯狂的年代真的要来了吗？
我用下来 Manus 的感受是，我更清楚地知道应该如何面对这样一个时代。你要学会做一个好的老板：提出好的问题，分配好的任务，给予充分的信任和授权，在过程中及时调整，收到结果后给予反馈，如此反复。
这是我作为一个非技术从业者、但对 AI 行业感兴趣，并且使用过很多 AI 工具的人的切身感受。
同时，我更想引用玉伯老师对于 Manus 的评价。他是这么说的：
“最近好多人问我如何评价 Manus。我会尝试反向问对方是什么感受，得到一个很有意思的观察。
“大厂人往往会把它归结为过度营销；投资人关注壁垒是什么、商业模式是什么；创业者大多会兴奋，看到了机会；普通用户会迷茫，这是什么；媒体人更直接，有没有邀请码。
“细思这背后，其实都是在看自己。大厂人担心丢了尊严，用营销解释容易心安。投资人是 FOMO，担心没投、错过，投了又亏钱。创业者是羡慕，希望下一个是自己。用户最朴实：这是什么？这是最客观的评价者。媒体人想着怎么获取图片和流量，忙忙碌碌都是围绕自己。只有用户保持着朴素的好奇心：这是什么？”
所以最后一页我想说的是：过去两年多的时间里，在 AI 这个我称为“黑暗森林”的年代，但凡有人踏出一步、踏对了一步，市场总会给你比预期多得多的正反馈。这件事情已经被无数次证明了。
我们要感谢 Manus 在 2025 年初的爆火。2025 年的 AI 行业会越发具有挑战。与诸君共勉。感谢收听这期播客，我的 PPT 在生动体，有需要可以下载。感谢感谢。