张小珺
今天这期节目很特殊。我们的录制时间是2025年12月1日，嘉宾是 Manus 联合创始人兼首席科学家季超 Peak。就在刚过去的凌晨，Meta 宣布全资收购 Manus，而在这期节目录制的彼时，也就是月初，收购事件尚未发生。最终，这期节目成为了 Manus 最后的访谈。
先给大家打个招呼，并且做一个简单的自我介绍。
纪超
大家好，我叫纪超，朋友叫我 Peak。我是 Manus AI 的联合创始人兼首席科学家，很荣幸参与这个节目的录制。
张小珺
你从小的经历感觉就很与众不同。你4岁就去了美国，二年级又回国，高中开始创业，大学辍学了，又创业，然后又读完了研究生。你讲讲你的这段经历吧。
季超
1. App Store 开启创业
首先得从我的家庭背景讲起。我觉得我很幸运，我的父亲是北大的物理系教授，是传统意义上的科学家；我母亲算是老一辈的中关村连续创业者，当然现在可能可以叫企业家。
所以我从小是在两种不同的风格中一起成长的。我可能就在两者中取了一个中间点，就是所谓的科技创业者。
我从小其实不是那种聪明孩子，学习也一般，但是比较喜欢自己瞎琢磨。多一般？偏科，偏科。
其实我不知道我学习到底好不好，或者聪明不聪明，因为我觉得我没怎么学。我比较幸运的是，很早就找到了自己喜欢做的事。
那时候大概是2009年，苹果出了 iPhone 后的第二年。对我来说，一个很大的改变就是 App Store 出现了。
App Store 是对我来说特别重要的一个转折点。在 App Store 之前，其实世界上很多人像我一样，喜欢自己捣鼓软件、做东西，但是你缺乏一个很好的全球化变现能力。
对于一个高中生来说，如果你只是在瞎捣鼓一些课外的东西，这件事其实是比较离经叛道的。你没有一个很好的第三方指标来证明，我的这个爱好其实是有价值的。
而 App Store 当时的出现给了我一个契机：我可以向我的父母、同学乃至于老师证明，我瞎搞的这个东西是能产生经济价值的。
所以我算是中国第一代软件出海的创业者。当时我还在上高中，做了一个第三方的 iOS 浏览器，叫 Mammoth Web Browser，猛犸浏览器。当年也小小地火过一点。
用的是最朴素的 buy a copy，就是每卖一份就赚一份固定销售额的模式。所以很幸运，很早的时候就有了比较稳定的现金流。
张小珺
这个有多稳定的现金流？
季超
那个软件从第一个版本到最后，我大概赚了30多万美金。对于高二、高三的学生来说，已经是挺开心的一件事了。
关键是它的销售模式很清晰。我不需要考虑太多，比如应用内付款，或者提供一些增值服务的模式。我只是非常老实地卖一份 copy，然后你给我一份钱。
所以对我来说，维护成本比较低，是一个当时还成立的商业模式。但是后来大家都知道，移动端软件已经不太支持这样特别朴素的商业模式了，因为大家都要先免费获取客户。
当时是一个很好玩的情况：从桌面互联网到移动互联网，我觉得发生了一次平台，或者简单来说，硬件媒介的变化。有一个新的媒介出来，即使是传统的大厂，比如国内当时的 BAT，或者海外的那些公司，大家都跟开发者一样，众生平等，都在做全新的尝试。
那时候最后有一段，在我看来可能是蛮荒期的阶段。你有很多机会去做这样的事，大家还没有反应过来后来的诸多商业模式。
但反观现在的 AI，我可能聊到哪儿说到哪儿。AI 虽然是一个新的技术突破，但是实际上没有一个全新的平台出现。所以这回我觉得不存在那个蛮荒期，无论是巨头、创业公司还是个人开发者，大家的反应都一样快，做得都非常干脆利索。
所以我觉得我算是赶上了一个好时代。
张小珺
当时这段创业是怎么结束的？
季超
这段创业其实没有一个明确结束的那一刻，它是我创业的一个起点。
那时候还不能严格意义上称为创业，因为我只是一个学生个人开发者，用最朴素的商业模式获得了一定的现金流。
但当时你有一定的现金流，同时还要做 marketing。当时我没有团队，就一个人，自己在国内外的论坛上发帖。
国内当时也没有很成熟的支付渠道。现在 App Store 可以用支付宝、微信，或者信用卡付款，但当时我记得只能支持国际信用卡，所以中国国内基本没有什么付费。
我就想，既然国内很难获得现金流，那我在国内就只能赚吆喝。所以那时候我会破解自己的软件，然后在国内论坛上发：你没钱就给我捧个人场。
同时，在这样做的过程中，我获得了一些来自资本界的关注。那时候也很好玩，我高二、高三的时候参加了一个创业活动。当时中关村的创业氛围还比较浓，我应该就是在中关村参加了一个创业活动，但具体是哪一个，我有点想不起来了。
然后就认识了真格基金。
当时徐老师问我：“小伙不错，你想创业吗？”
我当然不想创业，因为我既然有一个稳定的、可以边上学边躺着赚钱的现金流，那我何必要创业？
但我觉得毕竟徐老师大家当时都比较熟悉，因为他应该也是北大体系出来的。于是我回家跟父母提了一下这件事。
这方面确实要感谢我的父母。他们说，这件事值得你好好考虑一下。
那个时候我也陷入了纠结。我可以申请学校，去上一所好的大学，走跟大多数人一样的路；但另一方面，我觉得 App Store 给了我一个特别好的正反馈：只要创新，也许就能有回报。
当时想得比较天真，我以为做出一个好东西，自然就会有一个好的结果。后来我渐渐意识到，这不是常态，我是很幸运地踩中了一个时代的机遇。
而且我什么时候都可以继续读书，所以我想，我现在优先考虑的应该是机会成本。
于是我拿了 term sheet，决定大学不上了，要去创业。
张小珺
为什么接受真格的 offer？
季超
其实是因为他们给了我一个承诺，而且我觉得这个承诺一直兑现至今：他们不会管我干什么，我爱干嘛干嘛。
我觉得这对于一个学生来说，是能有的最好的选择。
当时我拉上另外几个同学。他们比我大两届，已经保送北大了，但又被我忽悠出来了。
我们已经意识到，如果继续做按每一个 copy 赚钱的模式，已经不太行了。
当时已经过了两年，无论国内还是国外，尤其是第三方 iPhone 浏览器市场，都出现了很多不同的玩家。巨头已经回过味儿来了。
所以我们觉得，这个东西一定会走向免费，或者免费加增值的模式。
但当时我们还做了最后的一次尝试，这也成为后来一切的起点。我们觉得既然要卖一款付费浏览器，就应该在功能上有比较大的跃进。
当时 Netscape Browser 的交互体验确实比较好。另一个背景是，那时候无论国内还是国外，都是 3G 初期，移动互联网远远没有现在这么流畅。
大家还会更多关注网速慢的时候怎么办、弱网环境怎么办。
于是我提出要解决一个问题：我们能不能预测用户的下一次点击？
那时候大家用 Facebook，国内应该是人人网，原来叫校内网。我记得很多人觉得 Web 版、移动端网页似乎比当时初期的客户端更好用，所以很多人会用移动浏览器进行社交媒体的使用，经常会有翻页、下一页这样的操作。
后来也有更多人在手机上看新闻。我当时就觉得，如果能准确预测用户的下一次点击，就可以进行 preloading，提前加载下一页内容，让响应速度更快。
这件事机缘巧合地让我进入了 NLP，也就是 Natural Language Processing，自然语言处理领域。现在大家可能不太提这个词了，因为大模型已经把这一切统一了。
大概从2011年开始，因为这个需求，我开始研究这个方向。那时候真的太早了，但我觉得这也是我很幸运的一点：我一直在学习的东西，都是具体需求在牵引，刚好也跟自己的兴趣比较契合。
张小珺
所以那个浏览器真正意义上的结束是什么？
季超
我发现了更好玩的东西，就是自然语言处理。
浏览器的模式一直是很单纯的卖一份 copy，卖一份 copy，渐渐就变成了没有人维护的状态。随着 iOS 系统不断更新，它兼容的版本已经跟 iOS 不兼容了，自然而然就从 App Store 下架了。
这是一个自然死亡的过程。
但我觉得还是很幸运，它让我人生的第一个产品同时满足了出海、AI 和变现这几件事，有一个很好的开始。
张小珺
现在回头去说，浏览器这个事你当时怎么做，有没有可能后来摸到移动互联网的大牌？有这种可能性吗？
季超
当时我其实收到过一些收购 offer，也许卖了也挺好的。
张小珺
浏览器是谁的 offer？
季超
这个就不要说了，不能点具体名字。
但我觉得浏览器从古至今，包括今天，很多团队也在做。浏览器一直有一个问题：它其实不太适合以创业者或者颠覆者的形态来做，更像是巨头已经拥有分发渠道之后，用来锦上添花的东西。
所以如果回看当时，我不认为以现在的经验和阅历，我能做出什么更好的选择。
张小珺
第二段创业的方向是什么？
季超
2. NLP 取代浏览器
第二段创业，其实就是刚才讲的第一次真正的创业。做浏览器的时候，我意识到 NLP 领域非常有意思。
那时候也很有趣。2011年距离一篇石破天惊的论文还有一段时间。我说的不是 Transformer，2013年，Mikolov 团队在 Google 推出了一篇论文，叫 word2vec。
它不是第一次，但这是较为可靠且高效地把离散的自然语言文本变成稠密向量的方法。
对我来说，这是我心中最石破天惊的转折点。它第一次让我们比较方便地把其他机器学习和深度学习领域的方法应用到自然语言处理领域。
2011年前后，大家做 NLP，可能会关注几件事。比如你要进行比较复杂的分析，可能会用 dependency parsing，也就是依存句法分析。当然现在这个词可能已经死透了，新一代做 AI 的人可能都不知道。
中文还会关注 tokenization。跟现在大模型的 tokenize 相比，那时候可能原始一些，因为中文有切分问题。当然不只是中文，日语也有。德语还有 decomposition，也就是拆词的问题。
那时候做的还是为了自然语言处理而设计的专有解决方案，用现在的话说不太 scale。你需要大量标注才能做好，模型本身也没有那么强大。
2013年的 word2vec 出来之后，我觉得新世界的大门打开了。我真正意识到，兴趣可能是在 NLP，而不是继续做浏览器。
也很感谢真格兑现了承诺。我说我不想做浏览器了，真格说，随便。
当时我看中了 NLP，但也看中了另外一个市场机遇。当然回过头看，我觉得这个判断是错的。
2013年已经有传闻说苹果在筹备一款可穿戴设备，也就是后来的 Apple Watch。这给了我很大的想象空间。
那时候的搜索还是你输入一个问题、一个 query，然后给你10个蓝色链接。这个东西能 work，根本原因是我们在跟电脑这样的大屏幕进行交互。
假设未来可穿戴设备或者语音界面，也就是 voice interface 更成熟，这个交互模式可能就不 work 了。
所以我想解决的问题是：能不能以一种更结构化、更紧凑的形式，重新改变知识与用户之间的交互？
这就引向了一个方向，现在可能叫语义搜索，semantic search。
我当时觉得，这就是下一代 Google。我作为一个创业者，会不会成为当年的 Google，像当年的 Google 颠覆 Yahoo 一样？
团队都很兴奋。我们想解决的问题逐渐细化下来，这其实是一个非常技术驱动的问题。
如果想用更紧凑的结构回答用户的任意问题，需要的不能是网页的原始信息。大家知道，搜索引擎当时可能使用倒排索引：输入关键词，它会把所有包含关键词的网页通过排序算法排序，把前10个给你。
所以用户输入问题后得到的仍然是自由文本。想象一下，如果用 Apple Watch，不可能在上面反复滚动读完一整段文字。若是车机或者 Siri，也不能让它朗诵那么长的文本，因为人的听觉带宽有限，会很着急。
所以我们从技术层面发现，缺的是一种高效、紧凑的 representation，也就是表达形式。
那时候我们想到的概念是知识图谱。知识图谱现在也是一个半截身子埋在土里的概念，是个老词。
但当时我们也是有追求的团队，于是继续往下钻：到底是什么限制了知识图谱真正落地？
我们找到的切入点是，知识图谱其实完全不够完备。无论是通用知识图谱，还是行业知识图谱，都大量依赖人的边界。
比如工业领域、科学领域的知识图谱，都需要专家进行标注，标注 SPO，也就是三元组。
通识领域的知识图谱，当时世界上有几个比较大的平台。有一个叫 Freebase，后来好像被 Google 收购了。它以众包的形式让大家贡献知识，后来应该演化成了 Wikimedia Foundation 下面的一个项目，叫 Wikidata。
里面做的就是，比如关于张老师，你是一个实体，entity；下面有你的各种属性，比如出生日期、之前工作的场景、你的节目是什么。这样就能形成各个实体之间的关系，这就是知识图谱。
但很明显，这完全依赖人类。这是我们发现的一个瓶颈，所以想找到一种技术，把这件事自动化。
当时的技术供给能做到什么呢？刚才讲过，那一代 NLP 还处于比较初期、混沌的阶段。
当时已有的方案是：首先进行命名实体识别，NER，也就是 named entity recognition。读一篇文章时，让 AI 模型把其中所有的实体标记出来。
但这样只能获得实体。比如张小珺是一个实体，这档节目是一个实体。但知识图谱中的实体之间需要有边，edge，这条边怎么来？
当时还有一项技术叫关系提取，relation extraction。它可以探测两个实体之间的关系，比如“张小珺是这档节目的主持人”。“主持人”就是一条边，也可以叫 predicate，谓语。
用这两套技术构建知识图谱时，如果限定领域，就可以很好地做实体识别；如果限定关系类型，也可以做关系提取。
比如提前知道世界上有“节目的主持人是谁”这种关系，也知道“人的出生日期是什么时候”这种关系。
但这个东西显然不可枚举。任何两个实体之间的关系应该是一个无限集，所以我们意识到，当前技术肯定有局限。
于是我们投入了一种新技术的研发。后来在学术界，它被定义为 open information extraction，开放式信息提取，简称 open IE。
它与刚才那些技术的区别在于，不需要提前定义一套规则或 schema。不用规定哪些东西是实体。
传统意义上的命名实体识别，可能只关注几类：人名、地名、组织名。你会发现这其实又是一个白名单机制，我们要避免这一层白名单。
在关系提取时，也要避免提前预设关系，完全变成 schema-less，也就是无大纲形式的提取。
最后我们做到的是：AI 阅读一篇文本时，能够自己识别其中哪些潜在的东西是实体、实体之间有哪些关系，把它们提取成三元组，并持续自动构建知识图谱。
当时我觉得这是一个很重要的技术，而且我们选择了最苦的一条路：从零训练模型。
这件事从2013年底、2014年开始，而我非常幸运，也非常不幸地赶上了 NLP 技术跃进最快的几年。
一开始，团队分成两边：一边做基于传统依存句法分析的解决方案，我这边做基于 word2vec 向量化的解决方案。
做了几年之后，我们发现这个东西好像可以 scale up。后来开始用 LSTM，再到 LSTM 加 attention。
后来我们觉得，word2vec 或者 LSTM 加 attention 在输入层的信息损失很大。那时候如果用基于纯词向量的方法，无法分清一个完全同名的词在不同语境中的含义。
比如孙悟空，可能是中国传统《西游记》里的孙悟空，也可能是日本《龙珠》里的孙悟空，后来还有《王者荣耀》里的孙悟空。
如果完全基于 word2vec，发现同样一个词在不同上下文中的意义，都被压缩在同一个512维或768维的向量中。
我们很苦恼：能不能再进一步，需要一种上下文相关的编码方式？
那几年其实非常幸福。一方面，你基本上想什么，这个世界就会发生什么。后来 Transformer 出来了，BERT 出来了，很好地解决了 contextual，也就是上下文相关的问题。
但不幸的是，每次技术迭代，你会发现过去几年积累的东西基本都不算数了，不用做了，非常痛苦。
我们从2014年底一直做到2018年，才把这件事做完。所有模型都是从预训练开始自己做，非常痛苦。
张小珺
当时模型有多大？
季超
总共加起来我们只有两个模型，总共大概是两个0.3B的模型。那时候这已经叫大模型了，但现在已经不算什么。
我们也很早遇到一些问题。比如当年 BERT 默认情况下，如果没记错，它的 context length，或者那时候叫 sequence length，是512个 token。
去掉一开始的 CLS 和 SEP token，实际就只有510个 token。如果要让 AI 自动到互联网上读网页，这完全不够。
所以从2018年底，我们就开始解决 long context 的问题。但那时候解决的 long context，放到今天看也很小儿科，我们解决到了16K长度。
如果我没记错，那个模型后来也开源了。
当时我们一直在做这个事，做了一个产品叫 MAGI。MAGI 来自我很喜欢的一部动画里的超级计算机。
它做的事情就是，AI 能够自己到网络上去看各种类型、不限领域的文章，并持续构建、更新知识图谱。
按现在的学术定义，这叫 lifelong learning 或者 continuous learning。
这个项目做得我们自己很嗨。到今天我也觉得，那是我的智力、编程和 research 能力的巅峰。再后来人就逐渐“老登化”了，水准开始下降。
但做到后面会觉得很痛苦，因为外界创新实在太多、太快。
3. GPT 3 终结垂直整合
直到2019年的某一天，我拿到了 GPT-3 的 early access，我觉得天要塌了。
张小珺
为什么？
季超
我们当时选择的是很苦的一条路：一切都要垂直整合，模型自己做，产品自己做。
每一次产品迭代，我都要等底层模型完成。那时候模型跟现在比非常小，但 evaluation 也很麻烦，inference 也要自己做。
当时两三周能有一次模型迭代，但两三周在外部世界看来已经是巨变。
拿到 GPT-3 后我测了一下，天塌了。我们把同样的任务交给 GPT-3，我随便写了一个 prompt。那时候大家没有什么 prompt 艺术，都是胡写。
我发现，它跟我们自己训练的端到端模型五五开。
而且我意识到一个问题：它虽然很贵，但是一个通解。
那时候在 NLP 领域，大家互相交流时泾渭分明。比如我介绍自己是 MAGI 团队的，我们做信息抽取；旁边可能有人做机器翻译，还有人做客服系统。大家互相学习。
但 GPT-3 出来印证了一件事：我们做的不同任务，可能能够大一统。
它不是第一个显示出这个苗头的。此前 Google 有一篇 FLAN-T5 的论文，已经有这个趋势，但大家觉得 Google 太有钱，做出了很好的 demonstration，垂直领域还是要看我们。
GPT-3 出来之后，就彻底把我们这条心摁死了。
所以我的第一反应是：赶紧卖掉公司。
张小珺
卖了吗？
季超
卖了。
张小珺
卖给谁了？变现了是吧？
季超
这个不方便说。
张小珺
听下来，你从2011年做的事情，感觉跟现在大家做的事情差不多，好像顺着做了一遍。
季超
不能这么说。应该说，大家在每一个阶段遇到的问题是类似的，但是每一个阶段其实都没能解决未来大家再次遇到的问题。
比如我们当时说的 long context，是从512个 token 到16K；现在的 long context，可能是从200K到2M。
我只是说历史会押韵，但肯定不会重复。
张小珺
你们当时做这些，目标是什么？我感觉你一直顺着技术往上爬，但你的目标是什么？
季超
这是一个很好的问题，也是上一次创业中我没有想通的一件事。
那个时候还年轻，包括现在看到很多跟那时一样年轻的创业者，大家的优点是非常遵循自己的本心：喜欢什么，就先把这件事做下去。
也可以说，如果看中了一个技术问题，而且这个技术问题别人确实没解决，那它往往可能符合第一性原理，是一个很重要的待解决问题。
但如果切到产品侧，可能有几个问题。
第一，我们当时觉得应该做一款成功的搜索引擎来替代 Google。
但实际上，我们低估了搜索引擎本身这件事。MAGI 这个项目没有使用任何第三方搜索，从爬虫到索引引擎，全是我们自己搭建、自己手写的。
我觉得那是我工程能力的巅峰。
但我们低估了一件事：光有技术，解决不了一些非技术问题。
比如现在我都不太看好再做一个新的搜索引擎。很多数据源跟 Google 已经形成互利互惠的循环关系。你再以一个搅局者入场，无法重复 Google 过去20年积累的数据源。
所以当时产品一方面是技术和非技术原因没做好；另一方面，我们很期待有一个新一代可穿戴设备或全新人机界面出现，但到今天可穿戴也没有充分落地。新的人机界面也许直到 ChatGPT 才真正落地。
所以产品层面的错误，一个是技术问题，一个是可能确实太早了。但创业就是这样，早一步是先驱，早10步就是先烈。
我们当时就先烈了。
第三，商业上也没有想清楚。一开始想做一款完全 to C 的产品，把它做大；后来做了很多年，技术不断迭代，也会慌，想能不能直接做一些 to B。但团队基因不是这样的。
所以那段创业经历让我学到了很多。当然也特别爽。
那是很多创业者梦寐以求的状态：我想把人生的夙愿做完。
张小珺
你人生的夙愿是什么？
季超
我想从头开始，基于一切都是自己写的——自己写 inference，自己做模型——去解决一个别人没有解决好的问题。
张小珺
可是 Google 这个事已经解决好了。你觉得它哪里没有解决好？
季超
首先，Google 通过收购 Freebase，获得了一个很好的社区。当时他们还有一个并行项目，叫 Knowledge Vault。我们跟他们做过 head-to-head 的对比。
我们当时在最高置信度下的准确度能达到89%点几，所以准确度比它高。
同时我们不仅支持中文，还支持其他语言，包括反向书写的阿拉伯语。现在大家可能不觉得这是什么，但当年还是比较厉害的。
我们还自己做了向量搜索。现在可能很常态，但当时为了解决 scale 的问题，我记得是跟英特尔合作，找了一个新的方案。他们当时有一项技术叫 PMem，也就是持久化内存。
我们自己写了一套基于 HNSW 算法的向量索引，搭建了整套系统。
我把这辈子想试的技术，都以合理的方式、花投资人的钱搞定了。
所以那个项目做完的那一刻，我觉得人生已经圆满了。
后来包括现在做 Manus，我心里已经没有“我要证明自己”或者“我要做什么才能死而无憾”的想法。我早就无憾了，所以现在可以以一个很轻松的状态去做很多事。
张小珺
所以你后来还去工作了？
季超
我工作了一年半。
张小珺
那段工作经历开心吗？
季超
非常开心。
张小珺
为什么？是个大公司吗？
季超
当时还是一个独角兽，相当于上市前一年多。
我因为 GPT-3 的出现意识到危险，所以在 ChatGPT 出来之前一直干到了 ChatGPT 出来之后。那段时间，我在那家公司从零开始做了语言模型业务。
这家公司当时的工作模式，很多人不喜欢。所有 research 或算法岗位，大家都在公司内部打榜。
那是一家 to B 的公司，B2B 做 AI。AI to B 的经典问题，是如何量化用户收益。除了最终经营指标，还需要过程指标。
当时有一个团队的任务，是把所有用户需求转换为可量化的 benchmark。Researcher 和算法岗位最喜欢这件事，就是打榜。
所以我当时的主要工作就是打榜。
打榜又很开心，因为公司内部的激励方案很有趣，有类似 Cargo 的榜单系统。你赢得越多，奖品是什么？可以获得更多显卡。
于是进入强者恒强的状态。我一个人能存几十张卡，虽然一堆卡资源闲置，但可以捣鼓很多想试的东西。
总有客户会需要，所以我可以做很多实验；同时算力最充裕，能 scale up。
那一年半我一直霸榜第一名，所以特别开心。
张小珺
你以前上学的时候，好像没有这个劲头。你以前是特别喜欢比成绩的学霸吗？
季超
不是，因为好多课我都没上。
我特别感谢我的高中，北大附中。我很幸运遇到了一群超级开明的老师，开明到什么程度？有的课不想上，老师说那你就不上了。
后来学校还给了我一个计算机社团，实际上就是我在学校里有一个不上课也可以去的办公室，有空调、有电脑，让我好好捣鼓自己喜欢的东西。
我觉得太幸运了。
张小珺
你第二段创业终止的那一刻在做什么？你在想什么？
季超
4. 重新选择应用创业
我当时的想法是：我知道有一个新技术出现，可能要杀死我，那我的选择是什么？当然是选择加入。
我刚刚经历了上一次创业的创伤。自己做垂直整合真的很痛苦，每天醒来都感觉海水在上涨，但不知道会涨到什么程度。也许第二天醒来，水已经到鼻子这里了，非常恐怖。
所以我还是喜欢创业，但不想再做垂直整合。
当时大家把 AI 创业分成几个 layer：模型层、基础设施层和应用层。
到了2022年底、2023年初，大家看了 ChatGPT 之后，国内很多基座模型公司已经开始行动。我也跟所有人聊过，但没人能说服我，这个东西到底该怎么办。
我不想再体验一次那种特别难受的状态，所以更多目光放在基础设施层和应用层。
但那时候还有一个问题：大家一直在谈 AI 应用，却没人知道真正的 AI 应用应该长什么样。
尤其是2023年年中，真正有 PMF 或者有一定声量的产品可能就两个：ChatGPT 和 Character.AI。
Character.AI 这种产品，我非常清楚自己不懂。我用了以后用不进去，那我就知道我不是一个用户，也肯定做不好这样的产品。
ChatGPT 是天时、地利、人和的状态。我至今觉得，ChatGPT 一出来，Chatbot 的赛场就已经结束了。
我知道自己想做应用或者基础设施，但没想好做什么。
所以我一边看机会，一边看相关项目，也在真格待了一段时间，跟更年轻的创业者交流，把我过去的悲惨经历和教训提前告诉大家。
张小珺
你中间隔了多久？
季超
在真格待了一年半。
张小珺
那段时间你明确不想做大模型，不想去任何一家大模型公司？
季超
我几乎跟所有大模型公司都聊过。
张小珺
有喜欢的吗？
季超
Google。
张小珺
海内外都聊了？
季超
海外当时也没几家，基本都聊了。国内也都聊了。
张小珺
为什么是 Google？你不是想干掉人家吗？
季超
没干掉它，才会格外尊敬它。
我的想法是，我想找一款 AI 产品，不是由我自己主导，而是一个很空的画布。
上一次创业到最后，我学会了一个很重要的事情：我意识到自己根本不是做 CEO 的料。
我既不喜欢商业化，也很讨厌管人。这是交的一个学费。我知道自己不该做 CEO，应该找一个更适合做 CEO 的人。
张小珺
你觉得自己哪些方面不适合做 CEO？
季超
首先，情绪上就很抵触。
张小珺
为什么？CEO 的哪些事情让你觉得烦？
季超
我与其跟电脑打交道——我很喜欢跟电脑打交道——但我觉得人太复杂了。
组织变大之后，复杂度是指数级增长的。我不是那块料，搞不定太多人与人之间微妙的事情。
张小珺
你看起来比肖弘容易相处。
季超
我们公司除了张涛以外，全都是 I 人。
张小珺
你是“I人”？
季超
我只是开朗的内向。跟你聊具体业务时，我能讲很多，但其实我是 INTJ。
张小珺
INTJ 现在感觉都烂大街了，大家差不多。
季超
所以我觉得，第一，管人不太行。
第二，我有时会陷入一种特别追求正道的思路。什么叫正道？就是有一个能赚钱的方向，和一个能把特别有趣的技术走到底的方向，我会毫不犹豫地往技术方向踩死油门。
但我知道这一定是错的，所以需要有一个人能把我管住，在我又想发癫的时候把我摁住。
创业之后，你会充分意识到自己的不足。
所以当时想得非常清晰：第一，我不想当 CEO，不想当一号位；第二，我想找一个能够探索的画布。注意，我说的是画布，而不是一个已经成型的产品，再去迭代它。
当时所有人都在下注，没有谁真正有一个系统性的方法，知道接下来 AI 产品要做什么。
大家都是基于自己的直觉判断，说我要做什么东西。但我经历过几次创业，在想能不能这回做得正规一点，像字节跳动一样，有一点数据思维。
我不应该从零开始做一件“因为相信所以去做”的事情，应该有一个过程去更多观察。
观察用户最好的方法是什么？就是有一个初步 PMF、但又非常空的画布。
当时肖弘要做一款产品叫 Monica。Monica 现在也有很多人用，我们现在也在同一实体下面。
Monica 是一个 Chrome 插件。我觉得这个产品形态非常戳我。
首先，它没有改变用户习惯。你仍然在浏览器中使用熟悉的 Gmail，仍然在看 YouTube。它没有因为是 AI 就侵入你的生活、改变什么，用户原本的轨迹没有被强行改变，所以你的观测是无偏的。
第二，很多人做 AI，必须先下注做一个方向，因为不能在一个界面里无限叠加不同元素，否则产品复杂度会变高。
GitHub 有一句话我很喜欢：“Everything added dilutes everything else.” 每增加一个东西，都会稀释其他所有东西的价值。
但浏览器插件的绝妙之处在于，功能分发是基于 context 的。比如视频理解相关的功能，只在你看 YouTube 时出现；自动编写、文章改写功能，只在 Gmail 或 Google Docs 里出现。
它消解了功能增加带来的复杂度爆炸问题。
所以我觉得浏览器插件是观察用户到底如何使用 AI 的一个绝妙窗口。它甚至不能叫一种产品形态，更像一个空的 container，一个空的画布。
这是一款绝佳的、进入 AI 应用时代的产品。
张小珺
观察到了什么？
季超
观察到一些非常有趣的东西，待会儿讲为什么做 Manus 时会用到。
张小珺
你有别的插件，为什么要跟肖弘合伙？
季超
首先，我很幸运，跟他交流之后发现，他太适合当 CEO 了。
他擅长所有我不擅长的东西。
如果你看当今国内外 AI 创始人一号位的整体 landscape，也就是版图，会发现肖弘有一个非常稀缺的特质。
张小珺
什么？
季超
他很正常。
身心健全，没有不良嗜好，没有极端思想。
张小珺
这不是正常指标吗？
季超
这已经很难得了。现在整个行业里有很多人比较偏执，或者怎么样。讲真，你没有乔布斯的命，却得了乔布斯的病。
张小珺
你在说你自己吗？
季超
对。经过惨痛的失败之后，我意识到了这一点，但他们还没有意识到。
肖弘身上最可贵的品质就是特别正常。相信常识，而且相信团队。
很多事情的判断，你既可以说他是数据驱动，也可以说是直觉驱动，但他是真正能把公司从一个阶段持续带到下一个阶段的人。
如果我自己从头做，只会在我喜欢的那个阶段很爽，所以我觉得太难得了。
张小珺
哪些细节能让你第一次见他就觉得他很正常？
季超
不是第一次见。我们见了很多次，后来一起吃了两三次饭，也长谈了很久。
最后他用一句话打动我。他说：“我知道你做过浏览器，做过搜索引擎，做过语言模型。你想不想在一个产品里把这三个事都重新做一遍？”
张小珺
听起来还挺吸引人的。
季超
于是我就加入了。
加入之后也很清晰：这次创业我不是来做 Monica 的。Monica 是我们大家的学费，可以说是整个公司的 cash cow，产生现金流。
但我们一定要把团队团结起来，包括后来张涛和更多合伙人加入，我们要一起做一件全新的事情。
张小珺
在你们多次长谈和聊天中，哪些细节让你觉得他非常正常？
季超
还是对比出来的。因为在同一个阶段，我一定不止跟肖弘接触。
张小珺
你肯定全见了。
季超
是的。
我觉得别的创始人都太艺术家了。肖弘非常现实。
包括整个公司的运行，我觉得都很稳健，有时候内部反思还会觉得有点保守。
但这就是尊重常识。
张小珺
你说谁是艺术家？
季超
太多了。我不方便举具体名字。
很多创始人太艺术家了，而肖弘非常现实。
我身心不够健康，是比较偏执，多少有点抑郁。肖弘有时候也会低落，但他整体比较阳光，不属于抑郁，也不会深夜发癫。
张小珺
这些对于创业者来说，现在都不是优点了？
季超
我觉得不是优点，绝对不是优点。
以前移动互联网时代，我还挺喜欢这类人的，因为你的编辑成本很低，可以赌一把，做一个大的尝试，看能不能找到一群跟你共振的用户，逐渐做大。
但现在 AI 这个行业，虽然 LLM 或 inference cost 一直在下降，我们心里隐隐觉得它更像传统制造业。它一直有固定成本在那里，如果没有优化，用户量增加，成本就线性提升。
所以对经营和操作能力的要求，比上一代移动互联网创业高很多。
移动互联网更喜欢艺术家，AI 不是这样。移动互联网时代可以低成本获得一批初始用户，但 AI 不是。
张小珺
但你一开始就 pass 了大模型公司，基本都聊了。
季超
完全是因为 PTSD。
张小珺
大家会觉得，AI 时代不一样，大模型和产品是一体的，拥有大模型的公司更有可能做出好的产品。那个“沿途下蛋”的理论，你从一开始就不认可吗？
季超
我认可，但我认为存在时间先后问题。
我现在的观点是，也许不用太久，比如6个月之后，不需要再分模型公司和应用公司，基本每一家头部应用公司都有做模型的能力。
这件事已经被 Cursor 跳出来了。以前大家还有一种秘而不谈、泾渭分明的状态，但 Cursor 已经跳出来，做了自己的模型 Composer 1。
做模型或者垂直整合，最影响的是初期迭代速度。
我上一次创业最惨痛的教训就是，在不确定的时候开始做 bottom-up、自下而上的迭代，会被模型迭代影响。
这不仅是创业公司的问题。哪怕强如 OpenAI，我非常尊敬他们的一点，是他们一直尊重自下而上的模式，所以产生很多创新。
但如果从产品引领的思路看，你某种意义上是在买模型彩票。即使有一个比较好的 roadmap，在最后完成 post-training 之前，也不知道模型到底能不能达到需求。
很多时候是因为模型有突破，反向引导产品走向。这是我之前吃过的亏。
第二，模型即使通过优化 pipeline、增加人手、让链条更流畅来提高迭代速度，也追不上产品经理思维的活跃度。
比较健康的做法应该是：当产品已经具备 PMF，进入比较稳定的状态后，再以增加稳定性、降低成本或突破天花板的思路去做模型。
这是一个先后的问题。
张小珺
你当过 CEO，也当过旁观 CEO 的人。你觉得身心健康对于现在 AI 的创始人来说价值大吗？
季超
非常大。
你很可能会受挫，或者说必然会受挫，但身心健康的人是打不死的。他能一次次谦卑地重新站起来，冷静看待外界变化，再反馈到决策中。
加入 Manus 的母公司之后，我们已经看见无数次这样的事：大家没有因为过度执念而选择蛮干，整体非常理智。
张小珺
你们从几月聊到几月份？你什么时候加入 Manus？
季超
中间隔了很久，我记不清了，前前后后应该有4个多月。
我记得第一次跟肖弘见面是在北京环球汇。下楼的时候他说，他刚跟你在这里见过。
我最后正式加入应该是2024年3月。2023年底开始聊的。
同期我也聊了很多当时出来做应用的人，不仅是应用，模型层、基础设施层其实都聊了。
张小珺
大模型公司里，你有喜欢的吗？
季超
当时比较喜欢三家：通义千问、DeepSeek 和 Kimi。
DeepSeek 很早就跟他们有接触，因为我之前一次创业是在做知识图谱构建，同时自己从零搭建搜索引擎基础设施，所以有很大的预训练数据集。
很早就认识了 DeepSeek 的朋友。后来我没有把数据单独卖给他们，而是直接把当时做的数据集开源了，也算给大家留下一点遗产。
通义千问是因为跟他们团队很多人比较熟，当时觉得它做得非常扎实，而且是真正第一个非常宽松地开源模型的团队，尊敬程度很高。
另外，它让我看到大厂里一群年轻人能做出来的事情，非常难得。
Kimi 一方面是真格投资的，另一方面当时投 Kimi 的时候我也在真格，所以交流比较多。
我觉得这家公司很有品味，taste 很重。
但我可能会关注一个更具体的东西。品味应该如何体现？可能体现在 evaluation 或内部 benchmark 上。
甚至我觉得，这可能是所有 AI 公司唯一的护城河。你自己内部的衡量指标，无论是模型 benchmark，还是对人的激励，都会决定公司和产品往哪个方向走。
所以我觉得 Kimi 还是很不错的。
张小珺
觉得你不应该去大模型公司，而应该去应用公司的人多吗？
季超
非常少。我特别幸运的一点，就是提前吃了很多大家后来才吃的亏。
张小珺
他们今天开始吃了吗？
季超
很多人已经在吃了，而且付出了更惨痛的教训。
以前国内很多大模型公司，最开始不是“百模大战”吗？99个已经先死掉了，剩下最被大家提起的几家，也有一些逐渐退出赛道。
我觉得很正常。DeepSeek 出来之后，对大家产生了很大的客观冲击，让模型的保质期变短了很多。
训练大模型最痛苦的是什么？如果以前我的痛苦来自垂直整合、快速迭代，现在则变成：如果只做模型，不是 SOTA 就没有意义；但一个 SOTA 模型的保质期只有1到1个半月。
这是一种非常激烈的不进则退。
以前做 NLP，有很多不同赛道，比如信息抽取、机器翻译，好的指标是多元的。
而 LLM，也就是 next-token prediction 范式的模型，统一了各种任务的建模。虽然大家也说做 coding、做什么，但能够衡量的指标维度非常清晰，几乎没有多少腾挪空间。
做产品稍微美妙一点，至少可以自己定义什么是好，在错位赛道上竞争，有更多发挥空间。
张小珺
今天追求 SOTA 还有价值吗？
季超
一定有价值。
无论模型公司还是 Agent 公司，我觉得都要追求 SOTA。你的 evaluation，或者你选择关注的 benchmark，决定你的 taste 能否落地。
张小珺
你从第一天就 pass 了这些大模型公司，你觉得它们的未来会怎样？
季超
大模型公司最后一定会同时做模型和应用。
美国现在基本已经是这个方向。
OpenAI 更像两家公司：一家模型公司，和一个与它强关联但不绑定的 research lab。
Google 一直是两边都很强。
Anthropic 之前更关注 B2B 市场，做 cloud API，但 Claude Code 的巨大成功也给了他们很多正向激励。自从 Mike Krieger 加入之后，他们对产品的打磨也非常好。他不仅做面向用户的产品，对开发者产品的把控也很好，像 Claude Code 都获得了很高评价。
大家最终都会走向这条路。
反过来说，如果最后不再分大模型公司与应用公司，我认为做出一款好的、被大家喜欢的应用，比做出一款足够好的模型难得多。
模型的知识流通在业内非常快。尤其在硅谷，没有什么秘密：一个老公在 OpenAI，老婆可能在 Google。
所以最后会变成应用之争，每个应用背后绑定一些模型。模型公司和应用公司不会再那么泾渭分明。
张小珺
你刚才说当时也聊了海外公司，包括 Google。还聊了哪些？当时怎么看？
季超
几乎所有做模型的公司都聊了。
2023年初我还录过一个 podcast，当时以真格 EIR 的身份录的，说了一些暴论，现在看来还都对，算是很幸运。
当时我关注几点。
第一是 long context，当然现在看这个判断可能错了。
第二是自然语言和系统的边界，可以说是 function calling，或者跟 environment 的互动，也就是现在 Agent 这些东西。
第三，当时没有在分享里提，但我一直相信 scale up。这也是大家常说的 bitter lesson，苦涩的教训：人类历史上 AI 的进步，基本都是通用方法加更大算力，而不是增加人为专家知识的注入。
所以我很看好 scaling。很早还买了一点 NVIDIA 的股票。
张小珺
谁的股票？
季超
NVIDIA。
我当时觉得 Google 最后一定会很厉害，但它确实用了很久才变得很厉害。
张小珺
你2024年3月加入 Manus，到2024年10月在做什么？
季超
肖弘之前可能分享过，他为什么叫我加入、用那句话说服我：要不要把浏览器、搜索引擎和大语言模型再做一次。
当时我们做了一个错误判断。因为 Monica 已经有了一定用户量，我们会觉得，也许我们是世界上最懂用户如何在浏览器里使用 AI 的团队。
直觉和惯性外推就是，要不要做一款浏览器。
这个想法有数据支撑。Monica 当时现金流是正向的，增长也不错。
Chrome 插件商店很透明，可以看到所有产品的活跃和下载量。整个插件生态的前两名分别是 AdBlock 和 Grammarly。
它们做了很多年，产品力没有问题，但最后都停留在大概5000万用户左右。5000万对创业公司来说确实很大，但如果跟 Chrome 的日活相比——Chrome 日活我记得可能有20亿，如果没记错——我们觉得做到最后可能也只能渗透不到1%的 Chrome 用户。
插件是一个比较高阶的形态，很多普通用户甚至不知道 Chrome 可以安装插件。
所以第一直觉是，也许我们被插件这个形态约束住了。我们想跳出插件，做一款独立的原生浏览器，同时做一些别的事情，比如端侧模型。
这其实是一个坑，后面会讲。
我们从4月开始快马加鞭做浏览器，一直到大概9月。内部其实很早就有一个能用的浏览器产品。
张小珺
当时张涛加入了吗？
季超
加入了。我4月加入，他应该一两个月之后加入。
张小珺
给大家介绍一下你们几个合伙人吧，因为大家经常分不清你们几个人。
季超
整个 Manus 团队，或者说这家公司，其实有6位合伙人。
平时对外露脸比较多的是张涛，我们的 CPO。他负责产品，也负责很多对外合作、宣讲和外部对接。
张涛是非常资深的连续创业者，经历过豌豆荚、神策等公司，后来也做过其他创业项目。
肖弘，也就是 Red，是我们的 CEO。
还有 CTO 潘潘，以及负责 CMO 的惠杰。他们三个人之前一直一起创业，做过两三家公司，也是 Monica 最初的创始人。
再之后就是我，还有我们的 CEO CC，他一直负责公司运营、财务等相关事务。
所以我们一共有6位合伙人。
张小珺
现在创业公司团队会变得更大吗？
季超
需要的能力更复合。
外界有一个观点，好像 AI 时代团队会变得更小。但这不应该作为指标，或者说应该是一个被动指标。我们绝对不会为了团队规模而进行特殊优化，只会自然观察团队规模变化。
确实很难分清各种能力项，因为很难做到完全正交。
比如做 Agent，Research 和 Engineering 深度耦合；产品又同时在引导系统架构到底该怎么做。
我们这6个人基本全是连续创业者，以前也都扮演过不止一个岗位，这是合作比较好的一个点。
但很难找到既在自己领域做得很深，又能听得进去别人意见的人。
这是一个很难得的团队：6个人都身心健康，没有不良嗜好，观念也不极端。
张小珺
你说的不良嗜好是什么样的不良嗜好？
季超
开玩笑，至少我们都不太抽烟喝酒。
张小珺
你们的决策机制是什么？
季超
这是一直在持续改进的事情。
创业公司在不同阶段，或者解决不同问题时，需要不同决策模式。
我们认为，虽然是连续创业者，但其实都不成熟，最近在逐渐走向更理智的方式。
可以这样总结：管理有几种不同类型。
一种是专制，英文叫 BDFL，Benign Dictator for Life，仁慈的终身独裁者，也就是集权式。
还有一种是民主式。
如果把整个角色分成三个阶段，可以叫 GPA：G 是 Goal，定目标；P 是 Priority，定优先级；A 是 Alternatives，提出不同选项。
定 Goal 时应该比较专制，相当于 CEO 把大家的目标定下来。
决定 Priority 时，应该是专制加民主：可以由一个人拍板，但大家充分发表意见，因为这会涉及不同专业 expertise。
提出 Alternatives 时，应该充分民主。这个阶段可选方案的数量甚至比质量更重要，因为没有足够多的选项，决策空间一直是非最优的。
就好比训练了一个模型，但 action space 本身有问题，那你怎么挑？
所以这是一个混合模式。但我们都还很业余，最近也在不断学习。
张小珺
哪些事情是肖弘会拍板的？
季超
肖弘是产品方面的最终决策者。
我们都比较相信一点：与其悬而未决，不如赶紧试试。
很多时候做一个新领域，第一，过去的经验不一定有用；第二，你想得更多，也没有额外信息输入。你仍然只是基于模型内部的参数化知识，没有做 RAG，也没有验证结果。
所以与其想太多，不如先把事情做了，拿到 reward 再说。这一直是核心指导思想。
张小珺
所以他做 CEO 和你做 CEO 的区别，可能是你技术驱动，他产品驱动？这会导致公司是产品驱动的基因？
季超
是的。
但我非常尊敬肖弘的一点，是他也充分尊重我。比如技术方面的决策，我可以做技术领域的 BDFL，可以当技术方面的独裁者。
张小珺
整体是自上而下还是自下而上？
季超
我们在逐渐从自上而下变成自下而上。
随着团队扩张、成员质量提升，自下而上会有更大的动力。
以前在纯粹的快节奏过程中，自上而下更稳健；现在我们逐渐变得更成熟。
张小珺
刚才说4月到10月，你在做什么？
季超
对，刚才聊远了。
当时做了很多事情，但围绕的母题是：如何做一款 AI-native 的浏览器，也就是 AI 原生浏览器。
当时做出来的产品形态，跟现在的 ChatGPT Atlas 和 D（原音如此） 已经很像了。
切入点有几个。
第一，我们要训练一个端侧模型，让操作在用户电脑上完成，既不产生 API 消耗，也尊重隐私。
这里埋了第一个很傻的坑：我们做的是浏览器，浏览器本身就是联网的，为什么追求离线端侧运行？现在想来有点傻。
用户也不会关心你到底离线还是在线，他们要的是最好的效果。
即使只做苹果 Apple Silicon 芯片，电脑上跑一个3B左右的模型就差不多是极限了；用户会拿你跟云端旗舰模型比较，效果一定差一些。
第二，我们想让 AI 接管用户浏览器，完成自动化工作流。
但如果让 AI 接管用户电脑，会产生奇怪的体验。
比如我让 AI 在网页上填表，AI 填了一个字段，我滚动屏幕想看下面的内容，就打破了 AI 的 observation。它可能又把网页拉回来。
这就像有一个特别聪明的实习生，但你非要跟这个实习生共用一台电脑。两个人在抢一个系统。
现在所有操作系统和软件，本质上还是为一个人同时使用设计的，所以体验很差。
我们还发现，真正有价值的任务是什么？
如果是简单几次点击就能完成的任务，用 AI 很亏，因为人类的迅速决策可能比 AI 更快。
即使让 AI 点一个外卖，每一两步之间的推理可能要5秒、10秒。虽然现在更快，但你会觉得没有产生多大价值，我自己做更快。
AI 真正有价值的，应该是长任务，long-horizon task。范围很广，也许超过我的能力，或者要运行很长时间。因为这种任务我不愿意做，才想交给 AI。
但如果是原生 AI 浏览器，AI 持续在电脑上操纵电脑，就很尴尬。我不能把电脑盖上，因为电脑会休眠、卡死。
AI 持续进行长时任务时，我还要一直盯着它，保证电脑不睡眠，自己又不能做别的。
所以两种体验都很奇怪。
更大的问题是，团队没能回答一个核心问题：做完一款原生 AI 浏览器后，有什么是 Chrome 加 Monica 做不到的？
后来想想，好像没有。
我们开始逐渐变得理智。
这个过程很重要。做完产品后，人会站在想说服自己的立场上。即使是连续创业者，也会有惯性，刚做完的东西总会偏心一点。
但当更多问题暴露出来，会趋向冷静判断。
人类历史上浏览器的迁移好像也就两次：一次从 Netscape 到 IE，一次从 IE 到 Chrome。
这两次变革根本上都由分发渠道决定。IE 通过预装；Chrome 稍微复杂，一方面 Google 已经成为事实上的首页，另一方面 IE 遇到严重的技术和安全问题，这是历史机遇。
但如果 Chrome 已经运行得很好，生态里又有 Monica 这样的优秀插件，用户为什么要因为 AI 换一个浏览器？
后来我们在 Twitter 上看到一家很尊敬的美国创业公司 The Browser Company。它做的 Arc 浏览器，主打设计感，也有一些 AI 功能，受到小众极客喜欢，比如率先做了竖排 tab 边栏。
后来创始人 Josh Miller 说：“我决定 discontinue Arc，我不做 Arc 了。”
他说的原因跟我们的担忧高度共鸣：“我做 Arc 这么久，甚至无法说服亲戚朋友从 Chrome 换成 Arc。”
我们觉得，他已经把心里的担忧白纸黑字写出来了。
浏览器可能真的不适合创业公司做颠覆。
我做了两遍浏览器，得到了相同结论。
张小珺
这个项目几月份停的？
纪超
我们2024年4月开始做浏览器，8月就可用了。8月、9月，甚至到10月前，心里还是有波动。
真正停掉算是9月底。
张小珺
肖弘说他当时觉得浏览器有点不对，但不敢跟团队说，因为你们都是被他用浏览器忽悠进来的，尤其是你和张涛。
纪超
肯定是这样。这也是肖弘比较好的一点：他非常考虑大家的感受，而不是以艺术家的方式解决问题。
但现在回头看，那段时间特别宝贵。
大家在一个很自然形成共识的过程中，逐渐放下了浏览器，处于几乎无所事事的状态。
当一群不太笨的人无所事事时，就会产生很多好想法。
张小珺
你们怎么达成放弃浏览器的共识？是他来找你说的吗？
纪超
其实每个人心里都会提前感觉到不对。
一个典型的点是，当产品已经打磨好之后，你突然觉得它不是特别酷。
如果按今天的话，我可以断言：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。
这听起来很艺术家，但我是站在用户立场上想：如果本该最喜欢这个产品的人都不喜欢，你怎么能奢望用户喜欢？
我不是以决策者的角度说，而是站在用户身份去想。
张小珺
在一个新时代把上一个时代的产品重新做一遍，你觉得是一个好的创业思路吗？
纪超
不能一概而论。
我很喜欢一句名言：“For every complex problem there is an answer that is simple, clear and wrong.” 对任何复杂问题，总能有一个简单、清晰但错误的回答。
很多时候我们在过度总结。所以我不能二元地切分这件事。
但这确实值得警醒。很多人选择这种做法，是因为思维惰性，参考过去一个时代的成功因素，想用新技术再做一遍。
但要考虑外部环境变化。
张小珺
你们放下 AI 浏览器，但其他团队还在探索。你觉得 AI 浏览器的未来怎样？
纪超
我不能替别的浏览器做主，也不是说我们放弃就一定不对。
我们团队达成共识，是觉得做这件事收益不明显。
如果选择另一种心态：产品虽然不酷，但既然做完了，就发出来看看，可能会进入一个不好的漩涡。
发出产品后，一个负责任的团队会持续维护它，这会带来很大机会成本。我们可能因为不断自证，错失更有价值的新机会。
但如果另一个团队已经把 AI 浏览器做到满意程度，我觉得进入自证循环是对的。它可能沿着这条路发展出完全不同的产品形态，没人知道会怎样。
所以我不能替别人做决定。
张小珺
肖弘说服你加入时，说的是把浏览器、搜索引擎和大语言模型在一个产品里全部重做一次。到2024年9月、10月，你们又决定放弃浏览器。当时你心里有波动吗？会觉得被他骗了吗？
纪超
不会。
他只是用这句话说服我加入，我不会只因为一句话就被说服。
我珍惜的一段经历，是我们通过 Monica 真正拿到了一张理智的 AI 应用船票。
Monica 的意义非常大。
第一，它是一个正向现金流产品。一个团队如果有正向现金流产品，在做第二曲线决策时会非常理智，也可以既大胆又理智。
我们后面敢豪赌很多东西，是因为知道 Monica 一直在赚钱，所以能用客观又大胆的方式决策。
第二，Monica 让我们知道用户如何使用 AI，理解了 context 的重要性。
Monica 跟 Chatbot 最大的区别是：使用 Chatbot 时，你要把网页内容复制粘贴进对话框；而 Monica 本身会主动观测你的 context。
只要你在用浏览器，插件就在看。它让 context 的传递变得通畅。
这给了我们很大启发。我们也了解用户的宏观行为习惯。当然会尊重隐私，不会窥探具体 session，但通过脱敏统计数据可以看出很多 pattern。
张小珺
为什么这些产品都是 M 开头？包括你之前的公司。
纪超
这是巧合。
第一个产品叫 Mammoth，M 开头；第二个产品叫 Magi；Monica 也是 M；Manus 也是 M。
可能 M 开头的产品运气都不会太差。
Manus 可能有一点私心，因为名字是我起的。
张小珺
名字怎么取的？
纪超
当时纠结过很多名字，后来让我们想通的是，我们想明白了自己该做什么。
做浏览器时，我们已经隐约有一个感觉：模型解决的是智力，但再强的智能，也不能把环境内化。
你一定需要一只手去触及现实世界。否则再强的思维，也只是理论物理学家，甚至是缸中之脑。
我们想做的是让智能真正触及现实世界。
这让我想到 MIT 的校训，Mens et Manus，是拉丁语，翻译成中文应该是“心与手”或者“心手合一”。
别人已经在“心”或者心智上探索了很远，所有基座模型公司的使命都是如此；我们要做的是“手”。
Manus 就是拉丁语“手”的意思。
张小珺
说说你们那段闲散、无所事事的时间里，怎么产生 Manus 这个 idea 的。
纪超
这是一个渐进过程。
5. Cursor 揭示新方向
当时大家正常运营 Monica，也做一些实验。那时已经有一些 AI 产品受欢迎，尤其是 coding 领域。
Cursor、Windsurf，以及后来的 Devin，都有很多用户。作为工程师，我们肯定会用。
但我们发现，公司里很多非工程师也在用 Cursor，这很意外。
Cursor 仍然是一个 IDE，集成式开发环境，是写代码的人用的。运营同事居然在用 Cursor 写博客；数据分析同事用 Cursor 做数据分析和可视化。
这让我们很意外：它本来是最专业的产品形态，却有很多非原始目标用户在使用。
我们就站在他们身后观察：你们到底怎么用 Cursor？
左边是代码，右边是跟 AI 对话的窗口。很多同事不会写代码，根本不看左边，只是不断跟 AI 交流，让它完成一件事。
AI 通过编程，以代码为媒介，完成非编码任务。
这非常重要，让我们意识到：编程不是一种垂直能力，而是一种通用能力，是解决通用任务的媒介。
Cursor 的形态对他们来说不是最优，有几点。
第一，我们做浏览器时学到，Agent 不应该跑在你的电脑上，否则无法解放你在长程任务中的注意力。
“Attention is all you need”，但我们希望解放用户的 attention，让 Agent 在云端运行，异步执行。
异步还能带来并发。如果很多任务同时运行，才能成倍提升效率。
所以 Cursor 这类产品应该换一种形态，跑在云上。
第二，代码应该作为工具，而不是主要呈现。很多人看到代码会天然紧张。
Cursor 经常询问权限，比如“我想安装这个软件，可以吗？”“我能不能删除这个文件？”
对于看不懂技术名词的用户，唯一选择就是接受、接受、接受，这很恐怖。
有个朋友不懂技术，乱用 Cursor，结果 Cursor 把他的网卡驱动卸载了，导致电脑上不了网。
所以我们觉得，应该使用同样的技术，但把复杂度包装起来。
第三，产品面向谁？不应该是专业工程师。专业工程师的赛道已经很拥挤，是绝对主航道。
我们应该面向 prosumer，也就是所有脑力工作者，但不是程序员。
所以要改变产品形态。
幸运的是，浏览器项目已经积累了很多技术。我们很了解 Chromium 内核，也有完整的 Agent Tech 调度系统。
对我们来说，把 AI 浏览器搬到云上并没有那么难。
当时内部列了一个项目，我拍脑袋起了代码名，叫 Airbnb，意思是 Browser in Browser in the Air：浏览器里运行浏览器，而且跑在云上。
我们没有浪费做浏览器期间的技术积累。从9月底、10月开始正式做，6个月就把 Manus 做出来了。
实际上 Manus 不是3月做完的，1月就做完了。
张小珺
从几月开始做？
纪超
9月底开始。到2025年1月中，Manus 基本已经做完。
但我决定不马上发布。
当时能拿到最好的模型是 Claude 3.5 Sonnet v2，也就是 Claude 3.5 的第二次迭代，初步具备 Agent 能力。
但它有一些问题：缺乏真正的 reasoning 能力。
我还听到一些 rumor，他们可能两个月后发布一次模型。当然我不知道最后 3.7 会有多好，但我觉得最好把产品发布时间跟下一次模型迭代对齐。
这样产品发布时能享受最大的代际提升和模型溢出。
所以我们多花一个半月打磨产品，再跟下一次模型迭代一起发布。
张小珺
从放弃浏览器到想出 Manus，中间时间很短吗？
纪超
可以说短，也可以说不短。
真正意义上无所事事的时间有两个半星期。
张小珺
这么短，当然很短。那段时间焦虑吗？
纪超
一点不焦虑。
这就是为什么有一款正向现金流产品很重要。大家当时想，虽然可能烧了一些钱，但想清楚再做。
张小珺
浏览器烧了多少钱？
纪超
浏览器还好，投入的人力大概十几个人，除了人力没有太多其他成本。
张小珺
Monica 当时能赚多少钱？
纪超
Manus 上线之后，我们投入可能少了一些，但现在可能又加回来了。
当时 Monica 已经接近1200万美元 ARR，而且是盈利产品。
现在跟 Manus 相比，1200万美元 ARR 不算什么，但当时做一款 AI 产品，这是很棒的成绩。
张小珺
这是外部 ARR 吗？
纪超
当然不是外部 ARR。
我们很看重这点，一直强调什么是 ARR。ARR 是 MRR 乘以12。
MRR 是什么？不能把一个月内收到的年付金额全部算在当月，必须摊到每个月。
所以内部看 ARR 或 MRR，只有一个口径：Stripe 上的 MRR 数据，加上移动端 MRR 数据。
否则会有太多方法把 MRR 造得很大，这其实是自己骗自己。
这也是一种 benchmark。对于产品，这是需要优化的指标；对于模型，要选择 benchmark 作为优化方向。这两者共同决定 taste。
我们非常抵制虚高 ARR。
张小珺
Manus 现在有多少 ARR？
纪超
现在已经超过1亿美元。
以前有比较复杂的收费模式，除了订阅，还有 top-up，可以额外充值。
但这样虽然给用户灵活度，也造成很多困扰，所以我们在不断简化定价。
现在可以简单理解为，一个免费方案，以及一个可以自由选择订阅金额的方案，默认每月40美元。
张小珺
你从3月到9月加入公司后，这半年对公司的感受有什么变化？
纪超
有一些变化。
它跟我之前的创业模式特别不一样。
之前是比较慢节奏、谨慎的状态。一旦涉及技术层面的决定或者赌注，就会比较慎重。
但如果是一家完全产品驱动的公司，节奏会快很多。一开始我有些不适应，会觉得很多事情为什么这么草率。
张小珺
为什么产品会更快？
纪超
产品一定更快。
首先，迭代成本更低，因为没有垂直整合模型的问题。
第二，如果一切敏捷开发，甚至可以先发，发现问题再修。
但如果自己训练过模型，就知道数据清洗的代码最好不要让 AI 写。清洗完数据按下回车，可能就是几十万美元的 training run，心理压力完全不一样。
技术或模型层面的工作往往有后效性，做完之后很难轻易纠正，会在历史长河中留下问题。
产品的掉头会非常快。
我花了一两个月才逐渐适应。
张小珺
很多研究员或技术风格的人不喜欢这种方式，会觉得技术文化比较差，太快，没有真正的技术 bet。对你来说没有问题吗？
纪超
技术 bet 听起来很好。
如果是硬科技公司，应该做技术 bet，因为它可能是最终差异化所在。
但如果是产品公司，就不应该有 bet，或者只做轻量级、可逆的 bet。大家不是常说双向门、单向门决策吗？
如果做产品公司还天天想要不要做技术 bet，说明处于比较拧巴的状态。
张小珺
所以你们没有 bet？
纪超
我们有，但不会有那么重。
技术 bet 也有，但不会是需要两个月，等下一个预训练 checkpoint 出来后再决定的事情，不会是“国运兴衰在此一役”。
模型公司可能需要一些 bet，这是两种 mindset 的不同。
张小珺
你们的 bet 是什么？
纪超
产品形态。
一开始不训练模型，本身就是一个 bet。
那时我们开始做这件事，很多人还不看好所谓的 context engineering，尤其是我们开始做“壳”。
我很喜欢“壳”这个词。严格说，它对应操作系统概念里的 shell，shell 不是低技术门槛的事，壳也有厚薄。
Monica 明显是一个套壳，像生鱼片。生鱼片好不好，基本取决于原材料，鱼捞出来怎么样，几乎没加工就给用户。
所以价值增加很浅。
Mammoth 也是一个壳，但不是生鱼片，可能是水煮鱼。我海鲜过敏，没有吃过，不知道它是不是很复杂。
张小珺
Agent 跟 Chatbot 最大区别是什么？
纪超
Chatbot 系统里只有两个元素：用户和模型，两者往复交互。
Agent 有第三个元素：环境，或者叫 runtime。这是很重的东西。
所以 Agent 的壳跟 Chatbot 完全不是一个厚度，像地壳一样厚。
张小珺
Manus 做出来最难的是什么？
纪超
有几个非常难的点。
第一，启动越早越难。首先你得相信 Manus 能做出来，这是第一个难点。
张小珺
第一个 idea 是什么？
纪超
就是把浏览器自动化放到云端。
这个大家都会看到，但 Cursor 帮我们理清了很多事情，我们一直尊重、欣赏 Cursor，它给了我们很多 idea。
很多人说造原子弹没那么难，但知道原子弹能造出来是最难的。
当时我们定义了“通用 Agent”这个词，首先要相信 Manus 能造出来，这是一个 bet。
而且我们没有举公司之力。当时最开始只有5个人做实验，遇到好的苗头，就从 Monica 调更多同学进来。
张小珺
Monica 当时有多少人？
纪超
几十个人。
张小珺
你这边5个人？
纪超
对。公司当时大概是这个架构。
我和张涛在北京，肖弘和 Monica 团队主要在武汉。北京这边可以理解成创新业务事业部，寻找第二曲线。
这是一个渐进加码的过程，没有“旧的我不做了，全都去搞新的”，而是逐步推进，我觉得这是一个比较冷静、理智的做法。
这是第一个 bet：Manus 这种产品形态能够被制造出来。
第二个 bet 是，要不要开始训练模型。
当时能拿到的基础模型很难用，Claude 3.5 Sonnet v2 也许算是里程碑，但按今天眼光看，稳定性、可靠性和泛化性还差很多。
直到今天，很多模型也没有解决一个问题：大部分模型仍然是为 Chat 场景做后训练的，这存在 alignment 问题。
我们当时遇到的客观挑战是，要不要通过自己做模型来弥补模型不足。
但我觉得技术在快速上升。Claude 3.5 v1 到 v2 的进步很大，所以不应该 bet 在训练模型上，而应该 bet 在一个轻量的方向：充分相信 Agent framework 能带来提升。
当时还没有 context engineering 这个词。
第三个 bet 是，我们已经看到 Cursor 很成功，很多人会想，是不是应该做一个类似 Cursor 的东西。
但我坚持，我们应该做差异化的事，服务 prosumer，而不是跟 Cursor 一起卷。
比较幸运的是，这三个判断好像都对了。
张小珺
这些判断很多都是“我不做什么”。
纪超
我觉得“不做什么”非常重要。
AI 让创业公司的产能变得很大。移动互联网创业时，可能没有“不做什么”的自由，因为做某个领域或业务时会受很多约束，外部因素会阻止天马行空的想法。
AI 时代，机会很多，又充分解放生产力，所以每天都要回答“不做什么”。
Manus 到现在都是相对克制的产品。
有些 Agent 公司可能增加很多工具，而我们每个月都在想：我能删掉什么。
即使是通用 Agent，“不做什么”仍然是始终要思考的命题。
张小珺
Manus 当时是不是一个重要的点：没有做中国版的谁？
纪超
Manus 当时没有对标对象。
至少我几次创业，从来没想过对标。
张小珺
为什么要做通用 Agent？
纪超
这是一个很好的问题。
6. 通用 Agent 选择长尾
传统创业理念是选择 niche market，找到垂直领域，扎进去做深，这可能更正常。
但我有几个观察，既有技术，也有产品形态。
首先从技术层面，上一次创业经历过专有模型被大一统模型吃掉的体验。
在现在的技术体系下，即使做垂直 Agent，背后用的仍然是通用模型。可以做 specialization，但可能遇到模型坍缩。
另外，Manus 本质上是什么？是通用模型加一台计算机。
每一个 Manus session 背后都有一个隔离的虚拟机沙盒。虚拟机的学名是图灵机，理论上能够模拟或运行任何算法。
所以 Manus 底层的两个技术供给都是通用的。走垂直是在上面加约束，这是第一个技术判断。
第二，我们像做 Monica 一样，没有做特别大的使用场景 bet，而是以类似达尔文的心态观察。
如果给用户一套通用技术架构，优势是什么？用户可以按自己的想象力使用产品；我们作为创造者，要观察用户 collective，也就是集体行为模式，捕捉头部场景，再让产品团队做最后一公里优化。
Manus 刚推出时，宣传和网页案例都是天南海北各种类型，我们不提前引导用户用什么。
逐渐发现用户很喜欢做 slides、PPT，喜欢做网页，喜欢批量处理文件，于是这些场景值得产品团队介入优化。
所以 Manus 是一个完全由用户塑造的产品，同时保留极强的通用能力。
第三，很多能力最终会收敛。
比如 deep research，当时还是比较新的概念。现在不同产品的 deep research 能力基本收敛了，Gemini 有，OpenAI 也有，虽然仍有差异，但这个能力逐渐成为标配。
这让我想起以前做搜索引擎的体验：为什么用 Google 而不是 Bing？
如果每天查头部 query，主流搜索引擎第一页结果质量接近。为什么还要用 Google？因为 Google 永远能在长尾 query 中给你惊喜。
如果能让长尾用户满意，更容易获得 aha moment，觉得只有这里能解决这个问题。
有一个分子生物学家用 Manus，让我们非常惊喜。他想用 deep research，但实验仪器导出的是一个非常小众的数据格式，其他产品做不了。
他把文件上传给 Manus，Manus 说这是一个奇怪的文件格式，先去研究。研究之后，Manus 自己去 GitHub 下载了一个开源项目解析这种格式，然后继续完成分析。
这种长尾场景没人会专门为他做，但通用产品能解决，用户会获得极大满足。
而且长尾不等于低频。对这个人来说，这可能是每天的工作，是 recurring、持续的任务。
产品层面还有第三点：频次。
如果做垂直 Agent，建立用户心智比较难。
比如每个 Hackathon 都会有团队做旅行规划 Agent，但普通人一年只旅行两三次，频次太低，很难记住你。
通用产品有更大概率服务用户方方面面，因此有更好的频次。
但通用 Agent 也有不同的技术方案。有些产品看起来追求通用，只是把不同功能放在同一个界面，本质是多个产品共享一个域名。
Manus 坚持的是一个 unified、统一的 Agent 框架。用户在不同任务之间，上下文和记忆可以自由流转。
我们能做到的是，跟垂直功能相比，永远多做一步。
比如世界上有很多做网页的 AI Agent 或 website builder，做一个好看的网页对 AI 来说没那么难，真正难的是让网页内容言之有物。
Manus 可以先完成 deep research，再基于 research 做网页，同时网页有真实的后台和数据库。
如果用户把网页分享到互联网上，有更多人使用，Manus 还能在同一个 session 里分析流量，做 slide、PPT，再发邮件给潜在投资人。
Manus 能做所有垂直场景之后再多一步，还能产生内部网络效应。
所以我觉得这是通用能力带来的重要价值。
张小珺
它的边界在哪里？
纪超
取决于几个维度。
Agent 系统有三个元素：用户、环境和模型。这三个都有边界。
先说环境。环境决定 Agent 跟外界接触的边界，是最重要的东西。
Manus 选择了最通用的环境：一台虚拟机，一台 Ubuntu 系统。
很多朋友有误区，以为 Manus 给每个用户分配一台电脑，其实不是。每一个 Manus session 背后是一个独立、一次性的沙盒。
所以我们的 sandbox scaling 很大。有时内部开玩笑说，Manus 是一款个人云计算产品，让不会编程的人也能操作云计算、享受算力，并用在日常生活中。
这方面有很多边界要解决，比如如何 scale 更多沙盒。
几个月前我们推出 Wide Research，不是 deep research，而是广域研究。
比如“帮我找出 YC 过去所有批次中 AI 营销公司的 CEO，找到他们的邮箱并发给我”。
给其他 AI，可能会失败，受限于 context window 和模型懒惰等问题。找了10个、15个 CEO 后，质量会急剧下降，模型可能放弃。
但我们可以 scale out，不只是 scale up。Manus 可以说，这个任务很难，我要找100多个，于是启动100多个 sandbox 并行完成，最后汇总。
所以我们不断拓宽虚拟化边界。
同时也增加虚拟机形态。一开始只有基于 Linux 内核的虚拟机，没有选择 Docker 这种 container 技术，因为它绑定 Linux。
很多专业软件只在 Windows 生态里，所以我们选择了更重的路线，基于 Firecracker 的轻量级全虚拟化。
现在 Manus 也能使用 Windows，这也是我们不断推进的边界。
除了 function calling，也就是模型与外界沟通的工具调用，如果给模型一个完整虚拟机，虚拟机内预装软件也很有趣。
Windows 自带很多专业软件，动作空间会变得更广。
我们还维护一个专门为 Agent 设计的 Linux 发行版，里面有很多只有 Manus 知道怎么用的工具。
这是环境方面的探索。
模型方面，虽然我们不自己训练模型，但一直在作为无形的大手干预。
当有足够影响力后，需求可以影响模型发展。
Manus 的 token 消耗量巨大，所以是几乎所有模型厂商的头部客户，跟 Google DeepMind 等都有深度合作。
张小珺
你们的 token 消耗量有多大？
纪超
具体数据不方便透露。
可以说，我们在各个模型厂商基本都是全球范围内 top 2 到 top 5 的消耗量。
张小珺
怎么 cover 这个成本？
纪超
这就是为什么要做一款能赚钱的产品：用户的钱变成 token 消耗量。
张小珺
现在可以 cover 吗？
纪超
现在几乎能 cover，而且优化曲线很快。
今年3月发布时确实是负利润，但现在很快要打平，甚至转正。
技术演进是一方面，你也不能被动接受模型厂商的变化，一定要影响他们的决策。
以前做 Monica，大家做 Chatbot 一定会估价，要根据 input token 和 output token 的成本计算。
对于 Transformer，input 是 prefill，可以并行计算，是 compute-bound；output token 是 decoding，受 bandwidth 限制，定价不一样。
通常 output token 比 input 贵很多，价格估算一般按3比1，3是 input，1是 output。
但在 Manus 这样的 Agent 中，input 和 output 的比例是一百比一到一千比一，取决于任务类型。
所以如果 output 长度差不多，input 长度就是可以估算的部分。可以说，token 消耗量差几十倍，甚至上百倍。
我们一直坚持不为了成本或速度缩减 token 消耗，一定以质量为先，甚至以消耗更多 token 为荣。
张涛有一个梦想，想造一台7×24小时烧 token 的机器。
消耗很多 token 后，会获得很大影响力。
团队很多人以前做过模型，知道怎么改进，但我们不自己做，而是把它外包出去。
比如跟 Google DeepMind 深度合作，可以直接提需求，不仅提需求，还帮他们构建 evaluation。
两个月前 Gemini 新出了 controllable parallel function calling，它的定义、proposal 和实现 schema 就是我写的。
我们能够让他们帮我们实现一些东西。
现在很多模型仍然是为 Chatbot 做 alignment，这很有趣。
从 GPT-3 到 InstructGPT，变化不在基座，而在后训练如何决定输出风格和形态。
最早 GPT-3 API，你问“北京天气如何”，它可能不会回答，而是尝试补全甚至复读：北京天气怎么样，东京天气怎么样，纽约天气怎么样。它是在模仿你的 pattern，而不是回答问题。
InstructGPT 和 ChatGPT 通过后训练让模型知道应该回答问题。
但 Chatbot 有一个天然问题：无论用户的问题多复杂，它都倾向于在一轮回答中完成。
这跟 Agent 的基本假设不一样。
Agent 的基本假设来自 Shunyu 的论文 ReAct。Agent 在循环中，基于用户输入或环境 observation，在动作空间里选择最可能的下一个 action。
所以对于 Agent，接到复杂输入后，正确做法不是急于一轮回答全部，而是耐心地逐步尝试，根据上一步 observation 调整方案，预测下一步。
Agent 的工况跟 Chatbot 不 aligned。
很多模型有耐心问题。用 Chat 模型完成长链路、long-horizon Agent 任务，质量越来越低。
一定程度上是因为缺乏真实 Agent trajectory 的训练，或者 data mixture 仍然是为 Chatbot 设计的数据。
模型学习能力很强，数据分布会影响模型风格。
模型输出到一定长度，或者输入 token 到某个范围，会感受到 context pressure，上下文压力，影响下一个 token 为 EOS 的概率。
EOS 是 end-of-sequence token，模型认为该输出这个 token 时，任务就结束。
模型能感受到这种压力，所以 Chatbot 模型在 Agent 任务中会很着急。
常见现象是，到后面开始疯狂使用 bullet point，写得非常总结式。
另外，模型没有为现代 context engineering 做专门训练。
我在2023年初一直鼓吹 long context，但现在有新的暴论：200K以上的 context 不重要。
比起更长 context，更重要的是让模型具备 compression awareness，也就是对压缩的意识。
如果 context 无限单调递增，即使有 KV cache，能降低延迟和成本，但仍然是增长过程，不值得。
更重要的是让模型知道 context 已经很长，能不能把部分信息 offload 到文件系统中。
就像人一样，不用一直把东西装在脑子里。我的工作记忆很差，但知道可以整理成文档，放在 Notion 里，下次知道什么时候拿回来。
有些历史不重要，只是过程，可以进行 compaction 或 compression，把中间历史变成紧凑表达。
但模型要知道信息不是凭空消失，而是被压缩了。让模型意识到这一点，需要专门训练。
另外，Claude 3.5 Sonnet v2 还没有很强 reasoning 能力。
Reasoning 是很大的词。最表面的现象可能是 o 系列 reasoning model：用户提问后，在最终答案前进行很长的 internal long CoT，也就是内部思维链。
但盲目用于 Agent，会出现问题：instruction following 能力下降，幻觉和幻觉式工具调用概率上升。
把为竞赛编程或数学设计的 reasoning model 平移到 Agent 场景，效果可能下降。
需要改变训练模式，更关注 interleaved thinking，交错式思考。
按照 ReAct，得到 observation 后，不要马上预测下一个 action，而是进行一段中间、相对短暂的 reasoning，想清楚之前做了什么，下一步做什么。
不是让 o 系列模型解决数学题那样，用户给一个短问题，模型在脑内想几千个 token。
这在 Agent 场景会产生负面效果。
目前这方面还没有做得特别好，仍有很大改进空间。
比较幸运的是，我们影响力比较大，可以不断向模型厂商强调这些问题。他们也很积极地改进。
包括 Gemini 3 出来后，我们很兴奋，他们能快速把我们遇到的问题变成模型能力。
头部旗舰模型的成果也会影响开源模型，大家会跟进。
全世界都在帮我们训练模型，但我们没有自己花很多钱去砸，而是让用户使用好产品、付钱；我们创造价值，同时获得影响力，影响别人帮我们训练好模型。
这样节省了内部 research 带宽，可以投入到非共识、小众的事情。
张小珺
你们沟通最多的模型厂商是谁？
纪超
比较均匀。
不同模型厂商关注点分化，不一定是技术路线分化，而是他们关注的问题不同。
如果讨论真正的 Agent coding，不是竞赛编程，而是现实工程、多轮编程，Anthropic 还是最好。
GPT-4.5 我觉得很多人低估了，这是很大的演进。
Anthropic 在 coding 方面领先。
Gemini 很明显在多模态，尤其多模态理解、多模态输入方面非常强，是断层级别的强。
Google 还有独有资源，比如通过 Gemini 使用 Google 索引，或者让 Agent 理解 YouTube 视频，都必须选择 Gemini。
OpenAI 在 reasoning、纯推理方面投入很大，有比较强的领先。刷榜时 OpenAI 的模型是很好选择。
Grok 和开源模型也各有特色。
对做应用的人来说，现在是很幸福的时间点。
张小珺
谁对你们反馈改进最多？
纪超
看效率。
头部几家里，Google DeepMind 和 Anthropic 的响应都很快。
不同场景使用不同模型，问题难度也会影响解决效率。
张小珺
你们教会了他们，他们可以抄你们的产品，但你们没那么快抄他们的模型，怎么办？壁垒是什么？
纪超
首先是快。
有时模型公司会发布 research blog，我们读到时又开心又无语，因为基本都是我们之前讲的东西。
比如他们写的 Thinking Tool，是我们上线一个月之后他们写的 blog；最近用代码调用 MCP、progressive disclosure 等，也都是我们一直在做的东西。
但没关系，这是竞合关系。
对我们来说真正的优势有两点。
第一，我们针对不同场景使用不同模型，所以永远能给用户提供所有选择中最好的体验。
第二是速度。
一旦垂直整合，就一定没有我们快。产品迭代太快，他们很难跟上。
张小珺
他们是垂直整合，你们是综合整合，刚好反过来了，很反直觉。
纪超
如果都是直觉的事，也轮不到我们做。
这跟公司一开始的根有关。
OpenAI 是真正尊重 bottom-up 的公司，能通过一小群人的创新逐渐往上走，变成产品。
但这就是我说的“买模型彩票”：实现方式是基于一个突破做一个场景。
对我们来说，所有外部创新都是养料和供给，不用做选择，不用买模型彩票。
应用公司相比模型公司还有一个优势。
大家常觉得智能提升不需要用户。DeepSeek R1 出来之前，DeepSeek 也没多少用户，但通过 RLVR 可以获得提升。
但 Agent 是长链路、强环境相关的场景，用户非常关键。用户使用轨迹和 feedback 留存在应用层，而不是流向模型层。
所以应用公司有独特的数据飞轮。
这就是为什么 Windsurf 和 Cursor 可以以较低成本，在预训练基座上开发出接近 Frontier level、成本低且适配自己的模型。
未来半年会看到更多应用公司利用数据飞轮，用模型体现产品持续迭代。
张小珺
你们的用户画像是什么？
纪超
最笼统的定义是 prosumer。
7. Manus 追逐高价值用户
第一类是在互联网或技术公司里、但不是程序员的人，广义来说是白领或远程工作者。
第二类是 freelancer 或 solo entrepreneur。美国有很多人独立、自负盈亏，做外包，或者经营一个很小的生意。
第三类是金融和 consulting，也就是咨询行业。
共同点是自驱力强，任务价值高。
做 Agent 很有意思：它不是在做工具，至少通用 Agent 不是工具，而是在做一种类似人的东西。
垂直 Agent 可能还是一种新工具；通用 Agent 实际上是在做一个人。
汽车公司做的是司机，Lovart 做的是设计师，但它是设计师用的工具。
Manus 作为通用 Agent，甚至可以使用 Lovart。
我们的抽象层级是：设计 Agent 能使用哪些工具，跟外部交互的边界是什么？
我们一直类比：我是一个普通人，能做很多事，是因为有一台电脑。
人与电脑的接口是什么？是手。右手用鼠标，左手用键盘，眼睛看屏幕，耳朵听声音，没了。
远程工作者用这么简单、标准的接口，就能完成几乎无穷无尽的任务。
最近 Scale AI 发布了一个 benchmark，叫 RLI，Remote Labor Index，远程劳动力指标。
这个 benchmark 的评判标准很有意思：AI 系统完成的工作，现实客户是否愿意付钱，而且无法区分是人还是 AI 完成。
Manus 是 SOTA，第一名，但完成率只有2.5%，离100%还很远。
我们看重它，是因为它符合通用 Agent 的衡量指标：能够完成多少远程工作者能完成的事。
虽然 benchmark 上只有2.5%，但也许意味着能让全世界2.5%的 GDP 获得加速。
这是一个很好的梦想。
AI 进展仍然存在。很多人说进展变慢，但 evaluation 最重要，因为它指引方向，既是 taste，也是方向。
也许到2026年，乐观一点，2.5%能刷到20%或30%，那就能占相当大的经济生产规模。
张小珺
你们现在的数据飞轮是什么样？
纪超
跟 Chatbot 相比，有几个好玩的点。
如果 Chatbot 输出不满意，用户通常有两种反应：点击 retry，再 roll 一次；或者修改原始 prompt。
但 Agent 场景里，用户会教 Agent。
比如我让 Manus 筛简历，筛选标准跟我想要的不一样，我会说：“你不对，我喜欢这种，注意一下。”我在教 Agent。
第二，如果任务不涉及个人偏好，但 Agent 做错了，我会去 fix 它。
比如我说：“你这个不对，我已经帮你把文件改成正确格式了。”
这两类数据，在以前的套壳时代非常难获得。
有了大量用户后，可以基于 collective feedback 做在线学习。
我不喜欢“在线学习”这个词，但它能让我们即使不碰模型，也获得 self-evolving 能力。
它是 parameter-free，不涉及参数化。用户越多，就能把通用失败模式和用户共识变成系统原生的一部分。
整体上，用的人越多，失败率越低，完成同类任务的轮次开销越小。
第二，我们会使用用户最朴素的反馈，比如一星到五星。
这能回到 evaluation。Agent 的自动化 evaluation 现在仍然亟待改善。
即使有 auto-verifiable benchmark，比如 SWE-bench，真正上线后表现好的架构和模型，用户真实评分不一定高。
用户关注点跟理想化 benchmark 不同。
比如用户关注生成的 slide 长宽比是否超过16:9，网站是否好用、好看。
这些很难完全自动验证。
所以我们依赖用户直接反馈，也有固定团队做主观 evaluation。
张小珺
这个团队有多少人？
纪超
专门的 evaluation 团队不到10个人，负责系统搭建、内部 evaluation 体系和自动化。
产品团队也有一些比较 junior 的同事，负责主观 evaluation，是技术和产品的交集。
加起来十多人，还有不断轮转的实习生。
张小珺
你们现在核心关注哪些指标？
纪超
从 interface，也就是接口层面，可以抽象成几个维度。
第一，coding 一定重要。Manus 不是 coding Agent，但 coding 是 Manus 的灵魂。
我们当然关注 SWE-bench，但它快被刷爆了。
第二，Manus 虽然不是直接 computer use，不通过 GUI 完成所有事情，但用了很多 browser use，所以关注 GUI 理解能力，这是多模态输入的一部分。
第三是广义的 tool calling 能力。
Manus 复杂度很高，有多种 action space。不只是原生 function calling，还包括我们自定义 Linux 发行版中的命令行工具。
这些工具不以模型原生 schema 存在，而是存在于系统里，让模型通过文档学会使用特定软件。
从模型原子能力看，最关注这三点。
还有一些很难量化的东西，比如美学和错误自我意识。
错误自我意识有低维和高维。
很多 benchmark 看 pass@1 或 pass@k，本质是模型 one-shot 完成任务。
很多时候模型需要意识到错误并修复，当然这是理想情况。
更常见的是用户先发现错误并指正。
如果经常用 AI coding，会有很沮丧的体验：无论是 Claude Code 还是 Codex，你发现问题让 AI 修，它说“太棒了，我已经完美修复”，实际上不仅没修好，还引入另一个 bug。
这很难追踪，因为中间涉及真人 feedback。
更高维度的错误，是它做出一个能用的东西，却无法把它推到下一个 level，从可用到好用。
我们也愿意把它定义为错误，因为能解决。
比如 Manus 和很多 coding Agent 都能做网页，但 Manus 可以再往前一步：网页做完后，用自己的浏览器把网页玩一圈，检查数据库记录是否对应。
这可以弥合错误。
张小珺
你刚才说模型懒惰、没有耐心、感到压力、比较着急，还有杨植麟说长文本影响智商。模型状态好像跟人比较像，这是为什么？
纪超
我们只是用人类习惯的词描述。
模型跟人一点都不像。强行把模型或 Agent 与人类常用思维体系对齐，是不对的。
张小珺
你刚才不是说你们做的是一个人吗？
纪超
我们做的是能完成人类所做事情的一种系统，但不应该用人的分工或特化去要求模型。
很多做 Agent 的公司会有惯性思维：让 multi-agent 系统里分成设计师、程序员、经理等角色。
我们觉得不对。
人类社会为什么有分工？因为每个人不全能，所以组织架构必须分工。但组织架构中，信息在通信之间会损失，合作也会增加摩擦。
模型比人更全能，应该利用模型优势，不要生搬硬套人类的约束。
张小珺
那模型应该怎么分类？Agent 应该怎么分类？
纪超
我觉得 Agent 分类只能从输入和输出角度看。
张小珺
你觉得不用分类？
纪超
我觉得不用分类。
通用 Agent 是把更多输入责任交给用户。
垂直 Agent 在输入侧会做更多事情。比如一个垂直领域的数据，可能来自用户不太可能自主提供的过程，必须结合一个已经运行的业务系统。
输出也不是标准化形式，可能无缝传给另一个系统。
所以输入输出决定是哪一种 vertical Agent，但中间技术方案会趋同。
张小珺
你们为什么做通用 Agent，而不是 Agent OS？
纪超
作为有职业素养的程序员，我们会尽量回避 OS 这个词。
OS 是圣杯，我不配。
严格定义来说，OS 是一个中间层。当然也可以说 Agent 是很多东西的中间层，但现在 Agent 还没有到这一步。
用户文件和软件还不在你这里，这是客观事实。没有获得这些东西之前，不要称自己为 OS。
张小珺
谁适合做这个？会有这个生态位吗？
纪超
比如我们跟微软有深度合作。微软 Ignite 大会上大家看到 Manus 跟 Windows 的合作，未来在 Windows 右键菜单里就可以使用 Manus。
我不认为会有一款开天辟地的 Agent OS，更可能是所有操作系统逐渐具备 Agentic 能力。
现有操作系统厂商以很开放的心态做这件事。接下来可以关注 Microsoft Agent 365，Manus 也会在里面。
这就像我们之前做浏览器，我更相信的不是突然出现一个全新的 Agent 浏览器，而是所有浏览器逐渐变得 Agentic。
张小珺
Agent 最后的生态会是什么样？
纪超
垂直领域 Agent 可能百花齐放，也许 to B 会更多。
张小珺
为什么？
纪超
我说的是海外市场，尤其美国。
美国大部分创业者都在想：做一家给另一家创业公司用的产品，再卖给另一家公司。
很多美国创业者失去了做 to C 的勇气和心气。
张小珺
你说美国华人创业者，还是所有美国创业者？
纪超
所有。华人还好一点，华人还有梦，我们比较敢做这种事。
张小珺
为什么丧失这种勇气？
纪超
过去10年，美国 to B 确实更好。
与其说丧失，不如说环境形成了正反馈。退出机制成熟，可以卖公司；也可以做 to B，获得稳定收入，独立上市或发展都没有问题。
资本市场倾向决定了成功路径。
在美国，像我们这样跳出来做 to C，是异类。当然这也会有人愿意下大注。
国内上一代创业者，很多在移动互联网时代都做 to C，获得了很多正反馈，所以更勇。
这是两边环境和持续反馈的结果。
张小珺
没有垂直 to C 的 Agent 生态位吗？
纪超
一定有，但很微妙。
团队有一位同学以前做剪辑软件，后来被腾讯收购。他给过我一个很有意思的观点。
做垂直 to C 应用很难的一种模式，是给剪辑师做更好的剪辑 Agent。
专业人士要求极高，会从风险控制角度看。工作流很复杂，只要一个环节没做好，对专业人士来说就是零分，因为是乘法关系。
更应该做的是给非剪辑师、但有剪辑需求的人做 Agent，比如自媒体。
这会变成给原本有需求但做不了的人提供净增益。
这句话影响我们很深。
我们不以替换人的思路来做通用 Agent。若说要替换人，所有人都会从风险控制角度想：只要一个环节不同，就不行。
应该是 enhance people，提升人。
让已经高效的员工，或者自驱的人，获得工具后提高产能。这是更良性、更现实的做法。
张小珺
除了通用 Agent 和垂直 to B Agent，还有什么？
纪超
会有很多偏娱乐的 Agent，也就是广义 to C。
我看到一些有趣的尝试，比如给每个人做一个虚拟 Agent，让 Agent 以代理形式彼此社交。
但我没有这方面 insight。
张小珺
这种产品适合 OpenAI 做。
纪超
你说 OpenAI？我觉得 OpenAI 适合做所有产品。
张小珺
OpenAI 会抢你们的生态位吗？
纪超
一定会有竞争。
ChatGPT Agent 出来之前，我们经常被问 OpenAI 做了怎么办。现在他们做了，但很明显效果不如 Manus。
因为我们能使用市场上所有最好的选择，而 OpenAI 仍然在自己的领域专长。
第二跟用户心智有关。
ChatGPT Agent 仍然是 ChatGPT 的一部分。ChatGPT 已经打透，Chatbot 战争结束，用户都在使用 ChatGPT。
但有 Agent 需求的人客观上少一个量级。
我们是自上而下做，最早触达的用户是相对高价值的群体。
比如 Manus 在美国怎么火起来的？一开始是 Patrick Collison、Jack Dorsey 等硅谷精英发现它确实好用，能提高效率。
我们服务的是比 ChatGPT 客单价更高的用户群。
快速问答、低价任务，我自己也用 ChatGPT，不用 Manus。
这是分层市场。我们会长期为有高价值需求的人提供最好 AI，而不是跟 ChatGPT 抢最底层、最广泛的用户。
张小珺
所以 Chatbot 和 Agent 的用户不完全是一拨人？
纪超
不完全重合。
他们大多用过 ChatGPT，但仍然选择 Manus。这说明 ChatGPT 没有满足他们的需求。
或者说，我们要保证永远提供比 ChatGPT Agent 更好的体验。
张小珺
这是现阶段，未来他们会赶上来吗？
纪超
我们也会赶上。
我常说，小公司怎么跟大厂竞争？赶紧成为大厂。
张小珺
你们距离大厂还有多远？
纪超
还很远，但在做。
张小珺
长期来看，理想状态的 Manus 是什么样？
纪超
我想回到刚才没说完的“边界”问题。
三个系统元素是模型、环境和用户。
接下来我们会关注，用户也是一种边界和瓶颈。
无论 Agent 多智能，Manus 跟 Chatbot 最大变化是，输出不只是一段话，而是一个 action、一系列 action 或不同产物。
但现在起点仍然是 prompt。对用户来说，输入 prompt 很麻烦，而且很多 context 没有带入。
我们接下来会投入 proactiveness，也就是主动性。
这个词可能是 OpenAI 带火的，但其实是 Agent 的本意，来自 agency，能动性、主动性。
以前大家关注结果，现在应该关注 context。
OpenAI 先做出了 ChatGPT，而 Monica 让我们关注输入 context。现在我们也要把这件事做得更好。
但不是 ChatGPT 的 Pulse，每天推很多东西，占用用户时间。
真正愿意为 Manus 付费、获得价值的用户，需要生产力提升。
所以更重要的是，让 Agent 主动完成更多事情。
我们内部已经有 prototype，自己用得很爽。
张小珺
怎么主动完成？
纪超
现在不方便透露太多，可以举例。
我们每天面试人，使用第三方 SaaS，比如 Ashby，需要写 review 和评价。
面试过程中可能使用 Notion、Granola 记录。没有新的 AI 系统，就要基于昨天的面试记录，自己填写评价。
有了 proactiveness，Manus 可以每天早晨在我醒来之前，先看我的 Notion，把记录填到 Ashby，只让我确认是否接受。
这就是解放用户的瓶颈，让 Agent 的能动性发挥出来，是短期未来的关注点。
张小珺
一开始你们用了“通用 Agent”概念，是为了让大家更容易理解 Manus。你觉得长期来看，通用 Agent 是最合适的描述吗？
纪超
不一定，甚至不是为了让用户理解。
我们的视频很草台，整个工期大概3天，自己剪的。
当时在办公室一楼录，背后有保洁阿姨走进来，所以必须剪一刀，出现一段黑屏。
那段黑屏只能放一个定义。
大家想，刚才一开始也没想好这东西到底是什么、为谁服务。我们只是想观察、做达尔文，提供一个 playground。
写视频稿的责任在我，我就临时拍脑袋想了“the world's first general agent”，大家采纳了。
所以这个词是因为挡住了保洁阿姨，不是经过市场策略设计的。
从市场角度看，这不是一个很好的选择。不了解技术的人不知道是什么意思。
接下来我们更强调，做通用 Agent 是技术选择。
统一的技术架构能让不同场景之间协同、互相增强网络效应。
比如新的 Manus 版本一直强调 website building，但这个功能我们只开发了不到一个月，效果却是 SOTA，因为它是在统一 Agent 架构上长出来的最后一公里能力。
对用户不需要解释这么多。
面向企业，可以说 Manus 是内部工具构建工具，能把不同环节串起来。
跟所有垂直产品相比，Manus 能做所有事情，做得一样甚至更好，而且能多做一步。
Agent 这个词未来也不用太在意，它只是一种新东西。
张小珺
大家需要一个负责设计的 Agent 吗？
纪超
也许需要，因为它要融入特定工作流。
设计领域没有 AI 时，也同时存在 Final Cut Pro 和剪映，是类似的情况。
张小珺
你觉得 Manus 会收敛吗？
纪超
你说的收敛，是指收敛到几个垂直领域吗？不会。
我们会做很多场景，比如批量文件处理、网站生成、slide 生成。
但从来没有单独做过 Manus Slide 或 Manus Website Builder。
它仍然在统一 Agent 架构下，由产品团队优化最后一公里体验。
Manus 会不断优化头部场景，同时保持强大的长尾能力。
这是刻意的选择。
张小珺
Manus 和 Lovart 这样的设计 Agent，长期关系是什么？
纪超
Lovart 一定会越来越专业。Manus 可能有一定设计能力，但 Lovart 是给设计师用的，Manus 是给有设计需求的非设计师用的。
还存在另一种关系。
Manus 强调 Connector 或 Integration，也就是连接与集成。
Manus 是通用 Agent，能模仿人使用各种工具。我们内部经常用 Manus 调试 Manus。
设计师每天也不是100%做设计。有时需要根据产品需求做设计，可能在 Lark 或 Slack 讨论产品，就可以让 Manus 盯着 Slack，再调用 Lovart 完成设计。
Manus 跟所有人不是竞争关系，而是网络中的节点。很多时候价值不在节点，而在网络的边上。
张小珺
你怎么看 Cursor 和 Claude Code 的关系？
纪超
他们选择了最激烈的点。
AI coding 不是垂直领域，而是通用能力。
Cursor 这家公司非常厉害，也启发 Manus 很多。它的人才储备不逊于头部公司，或者说跟头部公司直接竞争的团队实力可比。
创业公司跟大厂竞争的方法是成为大厂，不是规模上超过它。大厂不会倾注所有资源只打你一个人。
我们要做到的是，做 Manus 的团队比某些大厂想做 Manus 的团队强，这就够了。
张小珺
现在多少人？
纪超
将近100人。
Cursor 的选择空间比 Claude Code 更多。Claude Code 仍然是 Claude 的延伸。
Coding 是主赛道，所以大家追得很快。Gemini 3 出来后，可能 Agent coding 还没有完全追上，但静态前端美学方面很领先。
对 Cursor 来说，大家都盯着这个方向，它有一定灵活度。战争还没有结束。
张小珺
Kimi 做了 Agent 模型，想走 Claude Code 这条路。你们作为应用型 Agent 公司，长期关系怎样？谁能赢？
纪超
我们跟 Kimi 没有竞争，因为没有国内业务。
国外模型公司在我们的主航道上，所以最终一定是竞合关系。
我不觉得我们会输。我们已经跟 ChatGPT 打了第一仗，至少从效果上赢了。
张小珺
你们中间焦虑过吗？
纪超
肯定焦虑，但不是因为竞争。
Manus 从一开始莫名其妙火了，后来有太多事情值得焦虑。竞争是最常态化的焦虑，不会占生活中大部分。
张小珺
不同阶段焦虑什么？
纪超
2024年9、10月，Manus 做完到发布前，没有焦虑，很享受、很快乐。
我们是连续创业者，做完 Manus 后知道它一定会火，是极有信心的状态。
张小珺
做的过程中，什么时候觉得一定会成？
纪超
跑完几个案例之后。
当时张涛跑了一个例子：找办公室。Manus 自己找资料、查地图、写程序，最后做出交互式网站并提供很多选项。
我们觉得太酷了，一定能成。
之后一次次跑不同 case，信心越来越强。
张小珺
当时办公室状态怎样？
纪超
很嗨。
我们在北京 E Park，一个共享办公室，很小。北京这边刚开始只有6个工位。
那个地方很好，一楼环境特别好，也是我们最早拍视频的地方。
周围邻居经常听见一个奇怪的办公室突然喊“我操、我操”，都是我、张涛和同事在嚎叫。
张小珺
我去那天怎么没人？
纪超
可能那天刚好没人。
张小珺
发布后就开始焦虑了。说说发布时的考虑。外界最大的质疑之一，是为什么要邀请码，以及是不是过度营销。
纪超
这两个问题终于可以回答。
8. 邀请码控制全球发布
我们很早就想公开回应，但觉得瞎回应没意义。内部说，没做到1亿美元 ARR 之前不用搭理。
现在到了，可以回答。
首先，邀请码让我们为所有人趟出了一条重要的路。我不是说创造了邀请码，是这样：
我们以前做 Chatbot。Chatbot 的消耗量可能是 Agent 形态的几十到几百分之一。
Manus 做完后，为什么用邀请码？上线前就决定，是因为在发布前跟所有云厂商和 inference provider，也就是推理供应商聊过，惊讶地发现，第二天就能到位的算力比想象中少太多。
所有云和模型厂商都没法提供这个量。
比如 Claude 说，你们千万别放开，放开我们会挂。
我们唯一的选择是控量，方法就是邀请码或定向邀请。
当然现在看，定向邀请可能更好。我们当时没有意识到邀请码会被炒作。
邀请码不能炒，但如果没有炒作，可能又烘托不出氛围。
后来所有合作伙伴逐渐意识到，Agent 的算力工作负载跟 Chatbot 不一样。prefill 和 decoding 的比例，从3比1变成100比1。
因为 Manus，大家开始适应 Agent workflow workload。
再后来还用邀请码，我觉得有点奇怪。我们已经帮大家趟出这条路，云厂商也准备好了，何必继续这样？
如果当时能直接放开，体验可能更好。3月时经常会崩，因为没有那么多算力，scaling 也没做好。
如果能提前解决，何必用邀请码？
张小珺
当时云厂商和模型都没准备好？
纪超
对。
张小珺
如果准备好了，成本能 handle 吗？
纪超
Handle 不住。
但我们对产品极有信心。当天烧几十万美元也没关系，因为产品一定能成。
张小珺
当时账上有多少钱？
纪超
也没太多，还有融资额，钱够花但很紧张。
我们觉得这东西一定成，根本不慌，使劲烧。
张小珺
很野。
纪超
当时我们给云厂商打电话，说需要把 TPM 加到多少。上线前问，他们说没问题，你们下个月还是下下个月要？
我们说，今天下午要。
他们没办法，只能从物理层面搬卡，插进机柜给我们用。
后来跟 Google 关系这么铁，是因为 GCP 在过程中雪中送炭。Ash 和 Davis 都非常支持我们，从别的项目、别的可用区临时调资源，这才让 Manus 撑过第一个月。
2025年初，大家没有预料到 token 消耗量会指数级增长。
Chatbot 消耗量相对可预测，因为要人参与、由人触发下一次行动。
Agent 会持续自我工作。如果按 ReAct 模式，context 是 append-only，只增不减。
每轮迭代都要重新 prefill 前面的输入，虽然有 KV cache，但输入 token 量非常大，而且每轮会越来越大。
真正的 Agent 出来之前，云厂商没有准备好。
张小珺
你们上线当天才给云厂商打电话，但邀请码决策在之前就做了。这个决策是怎么下的？
纪超
我们需要一个控量方法，没有更好的办法，只能邀请码或定向邀请。
现在定向邀请会更好，因为我们知道产品一定会火，但没想到会被炒。
定向邀请不能炒。
张小珺
如果没有炒作，可能烘托不出氛围。
纪超
但问题是我们在国内火没有意义。
Manus 和 Monica 一直做出海。中国有很多企业响应号召出海，无论 AI、基因，还是服装，选择不同 market 很正常。
我们在中国突然火起来，对我们没有直接作用，反而带来很大压力。
所以 Manus 上线选择晚上10点多，因为那是北美市场早晨。我们是为北美市场选时间。
张小珺
炒作呢？
纪超
这个问题要郑重回答。
如果3月发布时没有任何付费宣传，我死全家。
为什么要宣传？我们要做的是海外 prosumer 市场，应该让真正要用的用户用起来。
如果国内有人觉得我们买自媒体，对我们没有好处。
有人问那些文章从哪来，我有两点回答。
第一，我们自己觉得酷的东西，我相信大家也会觉得酷，对他们来说这是值得写的内容。
第二，套用张涛的话，这是我们多年广结善缘的结果。
我们不是第一次创业，这么多年一直积极、无私地分享很多东西，也参加播客、写文章分享见解。
以前跟我们一起成长的人，有的成为投资人，有的成为自媒体人。
他们看到朋友做产品，即使出于朋友支持，也自然愿意写一下。
大家把创业和媒体之间的关系想得太复杂。这个市场可能很单纯：做出好东西，刚好是朋友，大家愿意帮一下，是广结善缘的结果。
张小珺
Manus 火了一天，热度迅速降低，为什么？
纪超
因为我们在国内没有持续做这件事，处于一个可以叫“灭火”的状态。
如果过度曲解，对我们没有好处。我们只是一款 AI 出海应用，不要赋予太多东西。
所以当时国内团队没有任何对外发声，都是第三方在阐述。
国内热度降下来是好的。
张小珺
海外呢？
纪超
海外是我们想看到的。
有人说我们在海外做营销，我想问 Andrew Kapasi，你买得到吗？这些东西不可能买到。
我们先让最专业的用户看到产品价值，先用起来，再自上而下影响更多人。
这个过程没有国内突然火得那么快，但时差也不长。
国内3月5日晚上火起来，美国大概3天后开始自下而上火起来。
两边链路基本不重叠。
海外是 Andrew Kapasi、Patrick Collison、Gary Tan 等人先用起来，再用影响力自上而下扩散；国内则是自媒体和朋友写内容。
张小珺
当时准备了多少个邀请码？
纪超
动态增加。
云厂商说现在能加到多少 TPM，我们算一算能发多少码。
后来邀请码除了给朋友，也变成谁找来不好意思拒绝，跟我们熟的人就给一些。
在国内我们也不指望它靠邀请码大规模传播，只是礼节性给。
张小珺
这会让很多用户感受不好。你们说有邀请码，像一种承诺，后来却不了了之。
纪超
不是不了了之。
不到一个月，我们就把邀请码去掉了，所有人都可以用。
这是最负责任的做法。云厂商和推理厂商支持我们，终于不用邀请码了。
但我们很贵。
张小珺
贵不是用户的问题吗？
纪超
贵不是我们故意的问题。
当时可以说实话，Manus 是亏本的。模型成本非常贵，我们其实是在补贴用户体验 Agent 产品。
张小珺
当时的定价逻辑是什么？
纪超
拍脑袋。
商业化能力有限，PR 和 marketing 能力也差。
当时定价逻辑很简单：ChatGPT 好像是每月20美元，我们想不通为什么是20美元。后来听别人说，ChatGPT 当时可能也是拍脑袋。
但人家有一个锚点，所以我们就从20美元和40美元开始，一直延续到现在。
价格最好不要随意调整，老用户体感会不好。
张小珺
为什么不比 ChatGPT 便宜？
纪超
这个定价其实没太所谓。
Manus 无论付多少钱，获得的都是一定数量的 credits，本质是按量付费。只要保证基础订阅价格即可。
张小珺
现在已经跑正了吗？
纪超
马上跑正。
要区分不同 tier，还有很多免费用户。
我们认为免费用户也是一种社会责任，希望更多人体验 Agent。
张小珺
从 Manus 做出来到火，肖弘的角色是什么？
纪超
几乎所有最终决策都是他。
张小珺
你们之间会争论吗？最后谁听谁的？
纪超
争论都是务实讨论。
比如要不要做单独的 chat mode，最后结论都是赶紧做一个试试。
现在不同用户使用的 Manus 可能完全不一样，因为跑着大量 A/B test。
最好的决策是限制时间，不要一天反复犹豫，赶紧做，去市场拿反馈。
张小珺
你觉得今天生态位稳固吗？
纪超
不稳固。
对大多数创业公司，包括我们，没有活着的权利。活着的权利要靠持续奔跑争取。
张小珺
火了之后生活有变化吗？
纪超
非常忙，尤其那几天颠倒黑白。
我们很理智，国内骂也好、称赞也好，都没有办法回应，也不想回应。客户在哪里，我们就关注什么。
真正痛苦来自颠倒黑白，因为要支撑各个时区。
Manus 用户遍布世界各地，每个大洲都有很多用户。
那时团队还没现在这么大，大家不断救火，今天系统挂了，明天另一个系统挂了。
张小珺
每天睡几个小时？
纪超
第一周到第二周，基本每天零散睡3到4个小时，都是间断的。
张小珺
办公室状态更嗨了吗？
纪超
不是，更疲惫。
武汉有很大团队，我们也经常反思跨区域协作能力很差。
当时大家想，算了，赶紧出差。楼上租了一个更大的办公室，武汉同事能飞过来就飞过来，大家不要线上工作，在线下一起讨论。
办公室没有更嗨，真的非常疲惫。书架上摆的更多是补剂和营养品。
张小珺
听说那时候融资时给投资人开会都站着？
纪超
对，跟投资人开会我们都站着。
其实很感谢投资人。白天看到网上大多是骂我们的东西，而跟投资人好好讲、得到正反馈，是一天中最温暖的时候。
好吧，懂的人还是懂。
张小珺
你怎么看为什么被骂？
纪超
首先，我最近意识到最惨的一点：很多国内用户骂我们的根本原因，是他们用的根本不是 Manus。
借这个机会郑重强调：在中国区 App Store 搜到的所有 Manus 都是假的，都不是 Manus，只是在蹭我们的名字。
一部分被骂，是因为他们用的是山寨品。
另外，产品突然火，大家天然会觉得是营销或炒作。
如果我们当时有这些行为，我先死。
但站在用户角度也能理解：听说一个新奇的东西，却没有提供服务，自然会愤怒。
这是一种 gap，我能理解。
但团队能力有限，不能服务所有用户。我们甚至为了让大家在一起，把团队集中到一个地方。
团队带宽有限，只能先盯着有限市场。
张小珺
中国市场未来会好好做吗？
纪超
比较难。
我们没有那么多资金去做补贴。
之所以一开始选择出海，原因很简单：海外用户对生产力工具付费意愿更强。
Agent 很贵，更像工业生产，不是传统互联网边际成本为零。
我们要先保证活下去，再讨论中国市场。
张小珺
中国市场这部分功能由谁提供？
纪超
现在其实比较充裕。
Manus 事件之后，接下来几个月会有大量类似产品出现，很多也是国内团队做的，我觉得很好。
真正难点是，他们会遇到跟我们一样的问题：补贴到什么时候？如何跑通商业化？
张小珺
见了什么有趣的人？
纪超
我见人很少。
分工是张涛和肖弘负责更多外部合作，我和潘潘要保证产品持续迭代，所以刻意少见人。
张小珺
为什么海外巨头愿意见你们？
纪超
一方面，他们同时有云和模型业务，比如 Google、Microsoft。我们是他们的大客户，他们也在探索新的机会。
前段时间跟微软发布 Agent 365，未来可以把电脑从 PC 变成 AI PC，Manus 是生态的一部分。
另一方面，作为 Agent 行业代表，我们能提供影响未来服务范式的经验。
跟 DeepMind、微软合作时，我们也把构建 Manus 学到的东西，以标准化 API 提供给开发者。
Google Cloud 开发者大会上，Google Cloud CEO Thomas（原音如此） 当着全场开发者说，一些原来只给 Manus 的 feature，现在大家都能用。
这让我们有成就感：不仅做了一款好产品，技术也帮助更多人构建 Agent。
张小珺
Manus 1.5 中间有什么重大更新吗？
纪超
新版本号是让用户理解产品更新的最好方式。
大家习惯基座模型用版本断代，比如 GPT-3、GPT-4。
但系统或 Agent 往往是不断以 feature 更新，用户体感不一定强。
Manus 1.5 不是突变，而是把过去一系列东西打包成1.5。很多新 feature 已经在过去几个月逐步上线，但用户看到1.5，会直接感到好像很不一样。
说实话，1.5发布那一刻的更新没有那么大。
这是一个有趣发现：要让用户意识到变化，用户才能感受到变化。
第二，1.5 很大技术演进是进一步提高任务完成速度，而且是无损提升。
简单任务更快，复杂任务投入更多 inference-time compute。
平均体感上，应该快了3到5倍。
张小珺
你那天发朋友圈说，今天 Manus 有两件大事：一个是1.5发布，另一个要老了写回忆录再说。第二件是什么？
纪超
老了写回忆录再说。
张小珺
通用 Agent 和 Chatbot 未来是什么关系？所有 Chatbot 也会变成 Agent 吧？
纪超
Chatbot 和 Agent 不是能力决定的，而是用户群决定的。
所有人可能都有 chat 需求，但不是所有人都需要高价值脑力劳动任务。
张小珺
Chatbot 会成为 AI 时代最大的入口？
纪超
这是 OpenAI 的故事。
但这是传播链路问题。我们瞄准的用户跟 OpenAI 不一样。
对于我们的用户，要永远提供最好体验。他们对质量敏感度极高。
我们做过双盲测试，抽5%的用户悄悄换成另一个模型，满意度直接下降。
我们服务的是最挑剔的人，他们要的是此刻 AI 能提供的最高水平。
张小珺
Manus 火了之后飘过吗？
纪超
不会。
我们每天收到的负面反馈比正面反馈多。
张小珺
会悲伤吗？
纪超
也不会。
我们都是老登，或者说中登。心里憋着一口气。
以前觉得说什么都没用，还是要打铁自身硬。
张小珺
Manus 未来会多大？能服务多少用户？
纪超
不想用服务多少用户来描述。
我们更想说，每个用户能产生多少 agentic hours。
一个高价值用户，使用 Manus 的用量可能是普通用户的1000倍，这每天都在发生。
经常有用户一个人就付我们几千美元，因为有很多高价值任务。
Manus 追求的不是 DAU，这是很早就想清楚的事，而是把高要求、高价值用户的高价值 task 做到最好。
这更多体现在营收，而不是 DAU。
张小珺
这是肖弘的想法吗？
纪超
这是大家 align 后的想法。
张小珺
所以公司指标是营收，不是 DAU？
纪超
不是 DAU。
张小珺
这个创业逻辑跟互联网时代不一样？
纪超
完全不一样。
第一，AI 不是平台变化，而是技术增量。以前的优势可以惯性发挥，所以很多场景是传统强者加上 AI，强者更强。
虽然听起来悲观，但应该说强者有先发优势，而且更好地利用了这一点。
第二，AI 有边际成本。现在 AI 更像制造业，而不是互联网。
张小珺
你们没有讲“全球第一通用 Agent”或者“全球最重要 AI 入口”的故事？
纪超
这是两个命题。
我们一定要做全球最好的通用 Agent。最高质量是必须的：在这一刻抛弃成本等因素，我们永远提供最高质量。
张小珺
如果有人用低价打你们呢？
纪超
我们不需要用更低价格打死他。
张小珺
大厂可以不要营收吗？
纪超
大厂可以不要营收。你说来卷？
但对一些用户来说，价格不是那么敏感。
现在 Manus 确实贵，用户问我的问题是：Manus 每月收40美元，能不能让我看看，如果我愿意付200美元，效果能变好多少？
这种 mindset 完全不同。
所以价格优化不在我们的 roadmap。
张小珺
你们没有想做最重要的 AI 入口之一？
纪超
可能不存在单一 AI 入口。
移动互联网时代，好像确实有入口。
但对我们服务的客群，以我们自己为例，我们既是 Manus 用户，手机上也有 ChatGPT。
Prosumer 足够多时，他们知道什么时候用什么产品。
a16z 有一个很有趣的调查：如果手机上装了某个软件，安装另一个软件的概率最大异常值是什么？
结果是，安装 ChatGPT、Claude、DeepSeek 的用户，最大异常值都是 Manus。
Manus 几乎跟所有 Chatbot 并存。
这是好的解读。坏的解读是，Manus 还远远没有渗透到所有想服务的用户。
目前主要是业内或科技圈充分了解 Manus，marketing 还有很长的路，我们在学习。
张小珺
AI 产品有垄断效应吗？
纪超
有。
AI 产品可能垄断一种类型，但类型会不断产生。
ChatGPT 也许还不算垄断，因为 Gemini 最近势头很好。
但可以垄断一种心智或一个类型的心智，建立品牌。
像 Google 统治搜索引擎90%市场，百度在国内也是如此。
张小珺
Chatbot 会形成这样的市场格局吗？
纪超
不敢说。
搜索引擎很特殊，因为一半价值在内容里，数据供给无法只靠技术迭代颠覆。
搜索引擎容易强者恒强，因为跟广告商、内容商有大量利益关联。
Chatbot 现在还很早，ChatGPT 也才刚好3年。如果是2002年的 Google，一切还不好说。
张小珺
AI 产品好像还没有产生网络效应。
纪超
我还没看到真正的网络效应。
网络效应可能有两种：一种是 build on someone else's work，基于其他人的产出继续贡献；另一种是用户关系带来的网络效应。
AI 在这两个场景里似乎都是附加值。AI 帮你提效、完成任务、产生交付，但不是连接人的关键。
张小珺
新的网络可能是 AI 和 AI，或者人与 AI。
纪超
这么说可能有。
我一直强调基础能力或原子能力的网络效应。
Manus 增加能力很谨慎，每次都要保证能力能跟其他能力形成组合拳。
比如最早加入看图能力，初衷只是让 Manus 看看自己生成的图好不好。
后来发现增加看图、多模态输入后，Manus 会自己检查网页能不能运行。
增加一个基础能力，它会跟通用 Agent 的其他能力交互，这可能是原子能力的网络效应。
我们已经观察到，Agent 能力可以指数提升。
如果说 Agent 与 Agent 的网络效应，Wide Research 也许就是一种：一个 Agent 调度多个 Agent，它们互相通信，共同完成单个 Agent 无法完成的任务。
还可以让 Agent 加入人的协作上下文。比如 Manus 打通 Slack，很多讨论原本不带 AI，但 Agent 可以无形地参与人与人之间的讨论。
如果是 Agent 之间社交，可能更多属于娱乐领域，比如让 Agent 代替人社交。
张小珺
如果公司要做某种 Agent，希望被 Manus 调用，你有什么建议？
纪超
不需要为 Manus 优化，这是我们很坚持的一点。
Agent 最大的难点，可以类比自动驾驶：物理世界的基础设施是为人设计的；赛博世界的网站、网页、App、API 也都是为人设计的。
我们不能指望一夜之间世界为 Agent 准备好，而是两侧相向而行。
现在大家有 MCP，但生态不成熟，服务质量参差不齐，大部分服务没有 MCP。
Manus 的选择是，有 MCP 当然好，可以用；但如果程序员能通过 API 调用服务，Manus 可以自己学习 API 文档，再通过 API 使用。
如果连 API 都没有，总有一个给人用的网页，Manus 可以降级，通过浏览器模拟人的方式使用。
所以第三方 Agent 不需要为 Manus 或未来通用 Agent 做适配，应该由我们适配你们。
张小珺
Agent 的网络可能形成什么样？
纪超
这个词很大。
如果考虑 Agent 的 proactiveness，网络可能会形成一种结构：部分垂直 Agent 掌握差异化数据。
它不像完全连通网络，更像星型网络，有一个调度者，类似入口概念，调度不同 Agent。
垂直 Agent 可能很难形成全连通网络。
张小珺
所以通用 Agent 会成为入口？
纪超
我想是的。
如果做垂直 Agent，是在做工具；如果做通用 Agent，是在模拟一个人。
张小珺
垂直 Agent 应该为 Manus 这样的公司做，还是为人做？
纪超
两条路。
如果给专业人士做剪辑 Agent，要做得非常垂直、专业，是给人用。
如果给非剪辑师、但有剪辑需求的人做，可以提供简单易用的界面，同时暴露足够 API，我们一起把生态做好。
准确说，是 API 或 MCP。
张小珺
你说坚信“纯血派 Agent”，是什么意思？
纪超
Agent 这个词定义很含糊。
很多人把 agentic workflow 和 Agent 混在一起。
Anthropic 有一篇 blog 写得比较清楚：如果追求稳定性，可能更多是在用 workflow 方式做 Agent。
但在我们眼中那不叫 Agent，叫 workflow。
纯血 Agent 是没有人为增加的约束，完成任务的所有过程和方式都由智能决定。
它的天花板很高。
目前 agentic workflow 可复现性好一些，但我觉得这是能解决的问题。
我们坚信要做由智能主导，而不是规则主导的 Agent，这更符合 bitter lesson：用通用方法投入更大算力解决问题，而不是加入更多人为知识。
张小珺
实际工作中有做过这样的选择吗？比如舍弃过什么？
纪超
每天都在讨论。
举一个简单例子：让 Agent 做数据可视化。
产品驱动、纯产品驱动的做法是，保证所有语言下效果都很好，不能因为语言不同出现乱码。
可以把它写成 sub-agent as tool，或者写很多 prompt，告诉它数据可视化时要注意什么，增加很多 guardrail。
但每增加一条约束，都在减少模型的 diversity，多样性。
我们的做法是增加看图能力，让智能自己查看图片，发现字体选择错误导致中文渲染失败，再修改。
这样解决的不是一个问题，还能发现图表元素重叠并修复。
从堵所有漏洞，变成让智能的泛化性解决更多尚未发现的问题。
这是纯血 Agent 的思维方式。
直接修补问题永远有吸引力，也符合传统软件工程和产品经理直觉。
这时候我的职责就是拦住所有人，不要这么做。
张小珺
你说市场上很多关于 Agent 的做法都是错的，展开讲讲。
纪超
不是都错。
很多人过于执着让 Agent 模仿人类分工，我非常不认同。
不要把人生而为人的限制搬给 Agent，应该站在模型角度思考。
做 Agent 同时做两个产品：一个给人用，一个给 Agent，也就是模型用。
两者思维模式不一样，但需要用好的技术架构融合起来。
模型根本不是人。
人因为先天训练，会说我是设计师，所以更懂设计；我是程序员，所以更懂程序。
但现在模型是通用 LLM，这个假设就是错的。
应该减少模型犯糊涂的概率，不是赋予人格，而是通过 context engineering、约束解码、action space 设计，让它完成分内的事，同时不丧失全能性。
张小珺
所以把 Agent 人格化，是人的自恋？
纪超
是的。
这也是《The Bitter Lesson》里的观点吗？我得再去读一下。
张小珺
你们的组织发生了什么变化？
纪超
不一定叫变化，更像是在探索新的可能性。
以前没有真正纯粹的 Agent 公司。
现在结构有几个特色。
大部分人仍然是研发，但团队会比传统软件开发更奇怪。
传统的移动端、前端、后端、商业化都有。
另外有两个团队。
一个叫 sandbox team，负责虚拟化和运行环境，维护一套给 Agent 使用的操作系统，也就是给模型做产品的人。
另一个叫 Agent team，由 Agent 工程师负责整体架构开发，还有 evaluation 团队和很小的 research team。
Agent team 大概十几到20个人。
Agent team 和 sandbox team，传统上可能会被融入广义后端研发，但后来发现它们不一样，因为工作不是面向人，而是面向模型。
张小珺
他们的工作主要包括哪些意想不到的事情？
纪超
对我来说都是意料之中的，但有几点。
Sandbox 团队更像是在教一个不会用电脑的人，如何更好地用电脑。
Agent team 是设计一套稳健、统一的架构，持续跟上模型进步。
模型进步速度很快，不同厂商都在迭代，基本每周都有变化。
Agent team 如何保证跟上？
我们有一套方法论，叫“弱到强”的衡量。
Agent 有两个重要变量：模型和 Agent 框架。
要做消融实验，ablation study。
模型未来会变化，我们要保证每次模型迭代，框架都能最大受益。
先把当前版本 Agent 框架锁死，选择同源模型家族，比如 Gemini 或 Claude，用弱版本和强版本跑同样 benchmark。
不断调整 Agent 框架，让弱模型和强模型之间的 delta 最大。
这样下一代模型变强时，我们获得的增幅最大。
这是 Agent team 和 eval team 经常关注的点。
张小珺
文化有变化吗？
纪超
有一些。
Monica 是大而全的产品，用户有需求就做。
Manus 很全，但不是单点突破，而是用最快路径、最短路径实现。
Manus 会非常慎重：这条路虽然走得通，但有没有跟其他原子能力形成网络效应？
现在每增加一个新功能，都要保证它不是单点，而能让系统整体获得收益。
这是非常节制的状态，跟以前心态很不同。
张小珺
你们放弃过哪些 feature？
纪超
非常多。
很多语音相关的事放弃了。
语音输入有用，但语音输出或主动调用不一定要由我们第一方全部做完。我们跟大家不是竞争关系。
我会让 Manus 连接 Granola 和 Notion 使用，也没有问题。
还有生图、生视频。虽然有这些功能，但没有大力优化，因为这一定会成为基础设施上层的能力，我们没有差异化，不必深入做。
更多事情都以开放心态处理：如果通用 Agent 靠泛化能力就能解决，就不必专门做。
很可能投入不够，只给用户做出次选，这是不好的。
用户是最高价值、要求最高的人，值得最好。
张小珺
为什么一直强调跟所有人都不是竞争关系？
纪超
这是事实，也是做海外市场后发现的有趣之处。
海外 SaaS 领域很成熟，不同服务之间互联互通，既是技术问题，也涉及 branding。
我们经常跟 Notion、Microsoft 和其他创业公司联合发布。
当我有一个能力、你有一个能力，边联通之后，价值非常大。
Manus 作为通用 Agent，一次能串接多个服务。
我自己的场景是 Notion、Granola 和 Ashby，Manus 把三者串起来。
与其跟每个人竞争，做一个比不过别人的东西，不如让大家一起做。
这也是从 Monica 学到的经验：单独做很多 feature，一时爽，但维护并保证长期竞争力非常累，会导致团队无限膨胀。
应该充分利用别人做得好的东西，产生 synergy，而不是硬碰硬。
张小珺
过去大半年，作为首席科学家，最重要的几个技术决策是什么？
纪超
第一，没有盲目追 reasoning。
朴素的 reasoning model 会导致 instruction following 下降，工具幻觉增加。
我们用了一个另类方法，用单独 planning stage 做这件事。
第二，对 MCP 决策很保守。
MCP 出来后，业界很兴奋，很多人接入。
但我们认为它会严重污染 action space，动态发现和卸载工具还会降低缓存命中率，进而严重影响成本。
所以我们研究了一套不在原生 action space 内的 MCP 调用方法，后来被 Anthropic 写成了 blog。
第三，对 context engineering 做了很多工作，包括文件系统使用，这些我基本都分享出来了。
没有哪一个最重要，而是连续的技术决策。
做 Agent 跟训练模型很像：更重要的是做对1000件小事，而不是做对3件大事。
张小珺
你有后悔的决策吗？
纪超
肯定有，但更多是细微的。
因为调整很快，很难形成真正后悔的东西。
张小珺
模型方面呢？
纪超
一开始有点太盲信小模型。
当时有个假设：Agent 可以更高频地获取外界数据和环境反馈。小模型和大模型之间，一部分参数量用在参数化记忆和知识上。
对 Agent 来说，参数化知识没那么重要。如果小模型有足够强的工具使用能力，知识可以动态弥补。
但后来发现，很难完全分离什么是知识、什么是记忆，哪些是泛化能力，哪些是参数化背景。
这个区分不现实，大参数量还是有用。
张小珺
有人说 Manus 只有你一个研究员，或者说你的研究工作独立于所有人，这种研究员配置和管理方式跟不上全球 Frontier Lab 的竞争。
纪超
这个问题的基础假设是错的，不止我一个人，我们正常招 researcher。
另外，跟上所有 Frontier Lab 这件事本身不成立。
我们的目标不是跟上所有 Frontier Lab 的模型工作。
我们跟 Frontier Lab 至少现阶段是共建关系，或者用更功利的角度说，我们成功把模型训练外包了。
用户付钱，钱既服务用户，也让我们获得影响力，让别人帮我们训练模型。
内部 research 团队更关注非共识的东西，包括 context engineering，里面需要大量实验，不是纯工程能解决的。
张小珺
你前段时间在做 online learning，有什么可以分享？
纪超
Online learning 现在有狭义和广义。
狭义是通过持续改变参数获得变化，这是严格定义。
但现在大家把三件事混在一起。
第一是狭义 online learning。
第二是 mass personalization，大规模个性化。
第三不是 online learning，而是上一代创业做 Magi 时的 continuous learning 或 lifelong learning。
三者解决的问题不同。
如果做 mass personalization，不一定要参数化。可以根据用户协同行为模式，以 prompt 形式动态注入，通过 in-context learning 改变模型行为，效率更高。
如果给每个用户一个不可复用的参数，比如某些 LoRA 方案，推理效率可能下降。
我也看过一些解决方案，比如 S-LoRA、PruLoRA 之类比较早的工作，声称解决 batch size 问题，但推理效率仍会下降。
很多时候需要规模效应降低成本和 latency。
所以大规模个性化不一定要通过 online learning 或参数化完成。
第二，持续学习和在线学习是很大区别，取决于目标。
如果建模任务的理想分布随时间变化，就需要持续学习。
比如金融市场，今天的正确答案不一定是明天的正确答案，这时真正 online learning 很有价值。
但现在一些所谓 online learning 的实践，我认为只能叫 on-policy 的持续学习。
比如 coding Agent 公司收集用户接受和拒绝率，优化 tab 补全准确率。
但这个任务的理想分布不会随时间改变，更像 on-policy 数据收集，再周期性优化模型，跟 Magi 当时做的事情类似。
如果任务没有动态性，很快会把 benchmark 打透、达到 saturation，没有持续提升空间。
所以还要继续观察，我没有看到 Agent 领域立刻值得下注的 online learning 应用。
张小珺
你觉得 Agent 模型应该怎么选？给模型厂商什么建议？
纪超
第一，与其无限扩展 context window，不如让模型学会 compaction。
让模型意识到 context 会被压缩，更好理解文件系统如何 offload 和 retrieve。
第二，reasoning 不要以纯缸中之脑的形式做，要结合 observation。
有个词叫 TIR，Tool-Integrated Reasoning，工具集成推理。这跟靠 RLVR 解竞赛编程和数学完全不同。
第三，关注 Agent 的异步工况。
Chatbot 是用户和模型交替执行，你等我、我等你。
Manus 刚出来时，大家觉得新奇：Agent 持续工作过程中，用户可以随时插嘴，改变目标、补充信息，甚至终结它。
很多模型还没完全掌握这种交互，可能跟用户处于异步空间。
第四，关注 error resilience，也就是错误处理和恢复能力。
真实环境中错误是常态，可能来自环境报错、系统问题、资源限制、代码报错。
还有非代码错误，比如做 slide 或批量文件处理，会遇到意外情况。
有些模型会放弃，或者陷入死循环。
最好的模型应该永远找到另一条路尝试，这需要专门训练。
张小珺
你的微信为什么一直叫“微信小助手”？
纪超
娱乐精神。
很早就叫这个名字，当时想看看有哪些像微信官方、但仍然能使用的 ID。
最早想叫“文件传输助手”，意料之中不能用。
后来微博官方号叫“微博小秘书”，我试着叫“微信小秘书”，腾讯果然也禁止别人用这个名字。
那我就保留“微信小助手”了。
张小珺
这次创业跟之前两次有什么不同？
纪超
首先，成本级别比以前高不少。
移动互联网的编辑成本很低，但现在上来就是重资产投入。
Manus 上线第一天起，基本每天烧几十万美元。
第二，这是充分参与全球竞争的一次创业。
内部经常开玩笑说，有点从 CBA 打到 NBA。
以前做 Monica，经常觉得做得还不错；现在即使 Manus ARR 可能1亿美元，横向看各行业头部选手，好像又不算什么，可能只是 NBA 平均水平。
还在学习中。
张小珺
过去一年对 Red 有什么新的认识？
纪超
比较符合预期。
情绪依然稳定，但我更了解了：即使是经验比我丰富的连续创业者，也会有很多人性的脆弱。
我们经常说不在意，但听到一些东西，心里还是会觉得尖锐。
肖弘可能比我更容易受影响，没我那么没心没肺，会不开心、着急。
团队在一起的好处就是互相分担痛苦。
他经常说：“接下来一段时间我可能很抑郁，你们不用帮我。”
但谁会真的放他不管？
张小珺
他情绪不稳定？
纪超
不是不稳定。他情绪稳定，但容易低落。
不会突然发作，只是比较容易受伤，更感性。
张小珺
其他成员呢？你们是什么协作关系？
纪超
大家在共同话题上讨论很多，因为每个人都有综合经验。
但现在术业有专攻。
跟张涛合作很有意思。他是“出差圣体”，经常去全球参加合作伙伴活动。
他会带回新的方向性内容。
我觉得这可能是 CPO 角色的最高境界：不仅是对内产品指导，更是对行业的产品洞察，带回交叉观点。
Wide Research 就是他在飞机上综合很多想法后，我们一起讨论出来的。
Marketing 方面，我们正在发生一个思想转变。
过去一年，Manus 的增长像踩着西瓜皮，几乎没有定向增长动作。我们没引导过想获取哪类用户，什么用户来就服务什么用户。
从获客和增长角度看，这不够主动、可控。
接下来可能从产品驱动、踩西瓜皮，转向服务增长，做更多功能性事情。
这是一个比较大的变化。
内部运营则一直贯穿，没有特别不同。
张小珺
产品和模型，或者产品和技术，谁话语权更大？
纪超
技术服务产品。
但技术对很多事情有一票否决权。
如果产品提出快、猛的做法，比如是否放弃纯 Agent，改成快速 fix，技术会直接阻止。
张小珺
产品两票，Red 和张涛；技术两票，你和潘潘？
纪超
我们反对投票。
投票会异化团队。观点不同，大家会为自己的观点服务。
应该看目标，不是投票。目标一致，就一定能达成共识，但不是通过站队和投票。
张小珺
谁会更强势？
纪超
讨论过程中没有人强势，但会期待 Red 做最终拍板。
讨论的价值不是讨论出一个结果，而是提供更多方案，也就是 alternatives。
目标确定后，选项越多越好，不一定要想半天找一个最高质量方案。
张小珺
现在公司100人，之前两家公司规模多大？
纪超
我带过的最大团队也就10个人左右，第二家公司也是10个人。
张小珺
AI 时代公司的组织和协作方式发生变化了吗？
纪超
组织变化可能没有大家想象那么大。
但组织中多了很多 AI，这是我们主动引导的。
公司有一个优厚条件：只要使用任何 AI 产品，不只是 Manus，尽量全部报销。
我们鼓励程序员使用各种 coding Agent，非程序员也可以使用提效工具。
作为 AI 公司，首先让员工了解行业前沿。
与其说组织结构变化，不如说更多人有了两倍、10倍生产力提升。但还没到 AI 能替代哪些岗位的阶段。
张小珺
你是不是不喜欢管人？
纪超
非常不喜欢。
管人很痛苦。
张小珺
为什么？
纪超
人的复杂度比 AI 高，而且随着人数增加，复杂度是指数级增长的复杂网络。
程序如果写得好，有足够好的设计模式，复杂性增长可控。
张小珺
你性格很开朗，为什么不喜欢管人？除了人复杂，还有什么原因？
纪超
占用带宽。
我的体力其实很差。跟你聊时能聊很多，但体力很差。
如果一天把更多时间花在管人或广义非技术事务上，有效输出会少很多。
现在我认清，与其弥补自己、补强能力，不如把这方面能力外包出去。
张小珺
还是做最擅长的事。
纪超
是的，否则不值得。
张小珺
你觉得 AI 能帮助人更好地做人吗？
纪超
一定可以。
最极端地说，如果我们不喜欢的事都被 AI 取代，剩下的就是人自己。
大家对 AI 的恐惧，像纺织机出现时，人们担心纺织女工下岗。
确实很多人不再做纺织女工，但获得了新的工作和生活，也解放了很多东西。
现在人们恐惧 AI 取代人的核心原因，是 AI 用得不够多。
汽车出现后，人能去更远的地方；10年前，学会用电脑才能找到更好工作。
学会跟 AI 共处后，没有那么多恐惧，反而能解放更多人的一面。
张小珺
你对10年后的 Agent 或 AI 世界有什么想象？
纪超
不敢想。
我们的视野只能有3个月。
张小珺
那3个月后呢？
纪超
首先，proactiveness 会有很大进展。
第一次可能让人与 AI 交互的时长变短，但产出价值变高。
第二，应该能看到一次较大的成本降低，Claude Opus 4.5 已经给了一点曙光。
张小珺
大模型产品 SOTA 排名一直在变，你怎么看？
纪超
这是比较意料之外的。
国外前三名，OpenAI、Anthropic 和 Gemini，一开始我预期可能有人会掉队。
当时用比较朴素的思想想，到底谁掌握硬件，谁掌握 scaling。
目前看，大家在分化、多元方向努力。
最后衡量的是综合体验，可能通过长板拉出较高平均值。
这跟想象不太一样，可能还会持续一段时间。
张小珺
模型竞争什么时候看到终点？
纪超
没有终点，这也是我不做模型的原因。
产品竞争也没有终点。
张小珺
什么时候会出现相对稳态？
纪超
移动互联网的稳态，可能是用户时间被瓜分完之后。
但 AI 的有限资源是什么？
至少我们的方向是不占用用户时间，而为用户创造价值。
Agent 减少与用户直接交互的时间，但在后台持续创造价值。
人的产品交互时长不再是有限约束。
移动互联网时代，无论什么产品，本质都绕不过跟抖音竞争，因为抖音占用用户时间。
AI 不一样。
张小珺
AI 时代也会出现 AI 时代的抖音。
纪超
娱乐产品当然会有。
但用户可以把娱乐时间花在 AI 抖音上。
另一方面，异步 Agent 在用户不交互时持续提供价值，用户也会付费。
所以不会因为用户总注意力时长形成瓶颈。
我还没想出 AI 时代产生稳态的约束是什么。
张小珺
现在这个 AI 浪潮，像你过去创业的哪个时间点？
纪超
有点像2018年。
Transformer 出来后有一阵疯狂，BERT 带来第一批应用落地。
现在也暴露出当前范式的问题。不能说增长乏力，scaling 肯定还有用，但大家在期待下一次阶跃变化。
2019年的 GPT-3，可能是我心中的那个阶跃点。
张小珺
你的 scaling law 停止了吗？
纪超
没有。
狭义 scaling law 没那么复杂，关注 loss 曲线，肯定还能下降。
广义 scaling law 是，投入更多算力，期待解锁新场景。
这个很难保证。模型扩大多少倍，不一定会涌现之前没发现的能力。
但即使没有新场景，现有场景质量也不够。
对用户来说，质量往往更重要。
产品团队可以把现有需求进一步深挖。
Agent 当前最大问题不是没有需求，而是完成质量需要提升。
Scaling 一定有用。
张小珺
明年 Agent 会爆发吗？
纪超
Agent 已经爆发了。
只是没有出现想象中一片勃勃生机、冒出很多东西的状态。
Agent 现在是场景都在挖，但每个场景还差一口气，可能是质量、完成度、模型能力，也可能是环境适配和 context 获取。
整个生态要共同进步。
使用 Agent 时有很多人为制约，比如 Cloudflare 人机验证，网站不允许 Agent 访问。
需要非技术的场外因素配合。
目前也有积极进展，比如我们跟 Stripe 在做 Agent 支付。
张小珺
所以2026年 Agent 会进一步爆发？
纪超
一定会。
张小珺
你眼里，除了 Manus，还有哪些 Agent 公司做得好？
纪超
做 Agent 的公司很多。
垂直领域有 Sierra、La Gora。
Coding 更多，Replit、Lovable、Claude Code、Cognition 都很强，coding 领域强者如林。
C 端 Agent 目前还不够多。真正做 C 端的 Agent，跟我们一样大多是提效，而提效大部分仍是垂直的。
张小珺
2026年的 Agent 市场会有什么变化？更多 C 端吗？
纪超
不一定更多 C 端，而是渗透到更大人群。
现在 Agent 对很多用户还是 buzzword，没有真正用起来。
Manus 1.5 后收到很多反馈，最开心的是用户说它越过了生产力工具门槛。
以前 Agent 只是帮我提效，不是主要生产要素；现在很多用户拿1.5作为工作主力，帮他们产生收入。
这会形成更健康的飞轮，更多应用会迈过这条坎。
张小珺
你刚才讲得非常乐观，心里的隐忧是什么？
纪超
对 Manus 最大的外部隐忧是失去特色。
内部最大的隐忧是变复杂。
产品增长过程中，做更多功能很方便，但我仍然相信 GitHub 那句话：每增加一个东西，都在稀释其他所有东西。
希望 Manus 一直克制，但又不能因为克制影响持续增长。
所以对外是失去特色，对内是变复杂。
张小珺
Manus 会死于竞争吗？
纪超
跟大厂竞争，我觉得不会。
或者说，死于竞争时，产品已经非常好了。
大家担心 Cursor 会怎样、担心 Windsurf 会不会断供。能考虑被断供，说明产品已经非常好。
Manus 更大可能不是被竞争打败，而是失去独有价值。
张小珺
这也算竞争？
纪超
那也算，所以有可能因竞争死掉。
张小珺
你怎么看海外几家模型厂商？
纪超
不止几家。
OpenAI 我前面讲了很多，很尊重他们的 bona fide 文化。
接下来产品会成为很重的一部分，不知道他们怎么调节产品和 research。
大家知道买模型彩票不靠谱，但又要如何尊重 researcher 的研究自由？这是他们要搞清楚的问题。
也许会分化成两个目标完全不同的公司。
Anthropic 最近拿了两笔很大的融资，接下来可能要在算力方面投入，因为目前基建可能稍微落后。
另一方面，它在开发者社区影响力非常强。MCP、Claude Code 等都是 Anthropic 在带节奏，它在开发者社区有根基。
Anthropic 的优化目标跟 OpenAI 不一样，更关注高经济价值任务，跟 Manus 关注点相似：哪些东西能产生足够经济价值，就优化什么，而不是以 reasoning 研究主题为引导。
Gemini 现在是很好的状态。
他们在 pre-training 方面可能解决了什么问题，让大家看到希望。Gemini 3 最大的正向信号是证明 pre-training 仍然可以继续。
多模态和数据积累是 Google 的强项。
Google 还有自己的索引和搜索引擎，这是别人难以通过技术追上的差异。
Google 可能在信息和多模态方面持续领先。
xAI 是另一个有趣状态。我觉得 Elon Musk 已经意识到 Chatbot 战争结束了。
他可能押注 Pixel-in, Pixel-out：现在软件和文本都以像素呈现，应该按第一性原理直接生成一切。
不只是 generative AI，而是一切都统一成 Pixel-in, Pixel-out，可能也包括音频。
xAI 在 infra 方面也会做差异化方案。
Meta 最近 Yann LeCun 离开，也许是积极信号。他们可能投入更朴素、更快见效的工作。
张小珺
你怎么看 Yann LeCun？
纪超
业界态度值得尊敬。
但在商业机构做这样的角色，有自己的痛苦。
他能找到自由空间去做研究挺好，也给 Meta 解放了很多思想负担。
张小珺
你怎么看田渊栋？
纪超
他之前的研究方向很有意思，latent reasoning。
那篇论文叫 Coconut，解决了一个本质问题。
现在很多人在做 RLVR。最近上海交大和清华团队有工作讲到，RLVR 本质上是提高模型 pass@1 的稳定性，让一次推理得到正确答案的概率更高。
但模型能不能解答，还是取决于基座质量。
非 reasoning 模型多次采样，大概率能采样出一条正确轨迹。
这暴露出一个问题：RLVR 更接近用搜索解决问题，但它在文本 token space 采样。
基于 logits 预测 token，每一步都做随机采样。
田渊栋的方向是 latent reasoning，我觉得很好，因为没有这次 sample，某种意义上没有塌缩，可以在近乎平行的维度同时考虑多种可能性，reasoning 效率更高。
RLVR 可能让 pass@1 的总成本低于基座模型 pass@64，但用户视角 latency 仍然高。
Latent reasoning 可能解决这个问题，也一定程度实现 long-to-short 泛化。
他之前的 attention sink、StreamingLLM 等工作也很有意思。
我不知道他接下来做什么，很期待。
张小珺
他和 Yann LeCun 是一个研究派别吗？只是标题不同？
纪超
不一样。田渊栋的研究方向更加务实。
张小珺
Meta 为什么在这波 AI 里做得不好？
纪超
这个问题太大，涉及很多人事因素。Llama 团队已经换了好几拨人。
有很多场外因素。
张小珺
OpenAI 人才流失会有影响吗？
纪超
会有一些。
ChatGPT Agent 团队也走了几位主心骨，可能接下来会看 to B 方向机会。
但只要 OpenAI 的创新文化还在，它仍然是最可能诞生新范式的公司之一。
张小珺
它会成为新的社交网络，替代 Meta 吗？
纪超
比较难说，产品还在探索。
张小珺
你怎么看 Thinking Machines Lab 和 Ilya 那家公司？
纪超
Ilya 那家公司太神秘，不敢说。
Thinking Machines Lab 最近刚用上它们的 Tinker API，我觉得很有意思。
不确定是不是最终产品，但抽象层级很好。
以前第三方服务和模型厂商也提供类似 RFT、SFT 接口，但对 researcher 约束太多。
Thinking Machines Lab 的 Tinker 似乎抽象成4组关键 API，很多实验都能完成。
目前问题是成本有点高，自己搭可能更便宜。但随着优化，应该会变好，适合中小规模研究团队。
它也依赖开源模型持续进步。
这方面通义千问团队做得很好。做研究时，同源模型家族的不同参数版本很重要，千问提供的谱系最全。
所以我觉得 Thinking Machines 的成败主要看千问。
张小珺
你怎么看 Mira Murati？
纪超
没直接交流过，但从认识她的人评价看，都非常高。她的号召力也很好。
张小珺
对于硅谷这些 AI 舰队的一把手，你内心有强弱排名吗？
纪超
这几位一把手性质不一样。
真正纯技术的一把手，可能是 Dario。Dario 非常优秀。
如果从狭义技术角度，我最佩服 Dario。
Ilya 也同样优秀，大家在期待他交出的新作业。
剩下的人都是复合型人才，难以用单一维度评价。
张小珺
国内呢？
纪超
国内就不评了，容易挨打。
张小珺
前段时间杨植麟和姚顺雨都来过我的博客。他们的观点，你有哪些认同和不认同？
纪超
我一般认同顺雨的观点，尤其是那句暴论：“以前都是小公司抄大厂，现在是大厂抄小公司，互相抄。”
虽然前半句不一定，本来就是互相抄，但最近大公司抄小厂确实更多。
他那篇讲“下半场”的文章，观察很好，现在很多人都在沿用这个概念，我非常同意。
杨植麟那期我也听了。
他有一个简短观点我非常同意：登山过程中，只要问题能够被定义，问题一定能解决。
这也是我们做任何事时信心的根本来源。
张小珺
不认同的呢？
纪超
顺雨那期的观点我全部认同。
杨植麟那期总体比较保守，没有特别明显不认同的。
但他提到，如果不训练模型，做 Agent 是逆向工程，我完全不同意。
对我们来说，不仅不是逆向工程，反而是在给别人带节奏。
张小珺
他是垂直整合，你们是逆向工程吗？
纪超
他是垂直整合。
但严格定义来说，无法把所有东西整合进模型，因为模型不能 touch 环境，也不能直接改变环境。
张小珺
你怎么看世界模型？
纪超
不敢评论，不懂。
张小珺
你们多模态做得怎样？
纪超
我们更在意多模态输入，而不是输出。
作为 Agent，有一个重要观察：现在很多开源多模态模型处理简单图文交错输入都不错，比如 VQA。
但 Agent 场景中，多模态输入有时是错误 result。
比如让浏览器看页面，返回浏览器截图；让工具读取图片，图片以图像形式返回。
这种输入在训练中可能重视程度还不够，质量有下降。
张小珺
你还买英伟达吗？
纪超
现在没有，不炒股了。
张小珺
你那年见黄仁勋，他跟你说了什么？
纪超
我问了一个灵魂问题：“接下来一年，什么事情会让你感到意外？”
他说：“什么事都不会意外。”
这有点像杨振宁说的，只要问题存在，问题一定能解决。
我觉得这是 AI 圈乐观观点的代表。
张小珺
最近很多人讨论 AI bubble，你怎么看？
纪超
AI bubble 客观存在。
但不是说 AI 是 bubble，这波 AI 就没用。
会有过度建设，但在可接受范围内。人类历史上做过比这疯狂得多的事。
张小珺
对 Manus 最乐观和最悲观的预期分别是什么？
纪超
最悲观就是下个月死掉。
所有创业公司都一样。我们没有活着的权利，是努力获得活着的权利。
最好的预期，是让所有有高价值工作的白领，都能获得一个7×24小时不断推理的廉价伙伴。
张小珺
如果 Manus 下个月死了，你会干什么？
纪超
歇一会儿，太累了。
张小珺
你现在工作时长多长？
纪超
每天大概10点半到公司，晚上几点结束完全看情况。
一般办公室的人会待到晚上10点半以后。
这也是为什么选择 WeWork，在一家商场里面，因为空调一直开到晚上10点。
张小珺
10点以后没有空调？
纪超
没有，所以大家待多久主要看没空调的情况下能坚持多久。
张小珺
为什么选择 WeWork？
纪超
团队不断扩大，提前选死一个办公室，前期投入大，也不灵活。
WeWork 像云计算一样，可以动态扩容。
张小珺
新加坡的生活怎么样？便利吗？
纪超
便利度挺好。
中国团队在新加坡可以很快适应，没有本质区别。
张小珺
是不是有点无聊？
纪超
是，而且我认为这对创业公司是很大的加分项。
张小珺
建议公司第一天就去新加坡吗？
纪超
看目标用户。
我们去新加坡有两个原因。
第一，团队管理能力可能比较差。之前北京、武汉两地办公，沟通成本很高，所以希望大家在一个地方办公。
第二，既然服务全球市场，就要做很多 compliance，也就是合规。
现在 Manus 已经通过 SOC 2 Type 2、ISO 27701、ISO 27001，以及 GDPR 等认证。
既然服务哪个市场，就要选择合适的总部。
如果做全球市场，可以早点考虑；如果主要做国内市场，也没问题。
张小珺
怎么看别人说你们跑路了？
纪超
“跑路”这个词不对。
我们一直有新加坡实体，也一直做全球市场。客户在哪里，就要去哪里。
就像 TMH 等公司，也没有国内业务。
这是中国出海企业都会做的事，只不过因为我们是 AI 公司，获得了额外关注。
张小珺
最后几个快问快答。
一个全球范围内你喜欢的食物？
纪超
Mac and cheese，垃圾食品。
张小珺
一个全球范围内你喜欢的地点？
纪超
北京。
张小珺
一个少有人知道、但必须知道的知识点？
纪超
一个冷知识：海带不是动物。
张小珺
这谁不知道？
纪超
我周围人都不知道。因为我海鲜过敏，经常要跟大家解释海带不是动物。
张小珺
基于所有读过的书，推荐两本必读书。
纪超
我平时读书特别少，现在在读《线条小狗》的画册。
张小珺
你心目中影响 AI 进程的几篇论文？
纪超
第一篇是我刚才说的 那篇论文的名字我刚才一时没想起来。
大家肯定都会说《Attention Is All You Need》，但我不想说那篇。
我觉得是 FLAN-T5 那篇。
张小珺
基于你当下的认知，一个关键的重要 fact 是什么？
纪超
接下来的进步需要用户参与。