2025 年是 AI Agent 元年——這句話，在北京時間 3 月 6 日凌晨，得到了應驗。

「DeepSeek 之後，又一個科技圈的不眠之夜。」

不少用戶在社交媒體上如此點評。

所有人徹夜蹲守，只爲該產品的一個使用邀請碼——它就是 Monica.im 研發的全球首款 AI Agent 產品「Manus」。

據團隊介紹，「Manus」是一個真正自主的 AI 代理，能夠解決各類複雜多變的任務。與傳統 AI 助手不同，Manus 不僅能提供建議或答案，還能直接交付完整的任務成果。

圖片來源：Monica.im

正如「Manus」的名字寓意，它在拉丁文裏象徵着「手」。也就是說，知識不僅要在腦子裏，還要能用手執行。這正是 Agent 和 AI Bot（聊天機器人）產品的本質進階。

Manus 牛在哪裏？最直觀的是看官方網站展示、以及用戶自發展示的使用用例，極客公園部分整理如下：

1. 旅行規劃：不僅整合旅行信息，還爲用戶創建定製旅行手冊。例如，爲用戶規劃日本四月旅行，提供個性化的旅行建議和詳細手冊。

2. 股票分析：進行深入的股票分析，設計視覺上吸引人的儀表盤展示全面的股票洞察。例如，對特斯拉股票進行深度分析，創建可視化儀表盤。

3. 教育內容創建：爲中學教師創建視頻演示材料，解釋動量定理等複雜概念，幫助教師更有效地教學。

4. 保險政策比較：創建清晰的保險政策比較表，提供最佳決策建議，幫助用戶選擇最適合的保險產品。

5. 供應商採購：在整個網絡中進行深入研究，找到最適合用戶需求的供應商，作爲真正公平的代理爲用戶服務。

6. 財務報告分析：通過研究和數據分析捕捉市場對特定公司（如亞馬遜）的情緒變化，提供過去四個季度的市場情緒分析。

7. 創業公司列表整理：訪問相關網站識別符合條件的公司，並將其整理成表格。例如，整理 YC W25 批次的所有 B2B 公司列表。

8. 在線商店運營分析：分析亞馬遜商店銷售數據，提供可操作的洞察、詳細可視化和定製策略，幫助提升銷售業績。

9. 當 Agent 通過一長串思維鏈和工具調用，最終輸出一個無比完整、專業的結果時，用戶們開始感嘆「真的能幫人類做事了」。

   根據官方網站信息，在GAIA基準測試（評估通用AI助手解決真實世界問題的能力）中，Manus在所有三個難度級別上都取得了新的最先進 (SOTA) 表現。

   總結成一句話——Manus 更想做的，是你在數字世界中，字面意義上的「代理人」。而它做到了。

   就像你想的一樣，凌晨推出的 Manus，一下子把所有 AI 圈的人都炸醒了！

01

Manus，你的「數字代理人」

首先，Manus 在體驗上與此前 LLM 最大的不同：

它強調直接交付最終結果的能力，而不只是給出一個單純的「答案」。

Manus 目前採用 Multiple Agent 架構，運行方式與此前 Anthropic 發佈的 Computer Use 類似，完全運行在獨立虛擬機中。同時可以在虛擬環境中調用各類工具——編寫和執行代碼、瀏覽網頁、操作應用等，直接交付完整成果。

在官方發佈的視頻中，介紹了三個 Manus 在實際使用場景中所完成的工作案例：

第一個任務是篩選簡歷。

從 15 份簡歷中，爲強化學習算法工程師職位推薦合適的候選人，並根據其強化學習專業知識對候選人進行排名。

在這個演示中，你甚至不需要給壓縮文件解壓、將其中的簡歷文件一份份手動上傳。Manus 這時候就已經展現出了像人類「實習生」的一面，手動解壓縮文件，並逐頁瀏覽每一份簡歷，同時記錄其中的重要信息。

圖片

Manus 像實習生一樣，自動理解「解壓老闆扔過來的打包文件」這個隱藏指令 | 圖片來源：極客公園

在 Manus 給出的結果中，不僅有自動生成的排名建議，它還會根據工作經驗等重要維度，將候選人分爲不同等級。在接受到用戶更希望以 Excel 表格的方式呈現後，Manus 還能自動將這些內容通過現場編寫 Python 腳本的方式，來生成對應的表格。

Manus 甚至還能通過記憶能力，在這個實踐過程中記錄下「用戶更喜歡通過表格的方式接受結果」這樣的信息，下一次處理類似的任務結果時，會優先使用表格的形式來呈現。

圖片

Manus 能記住用戶在內容生成流程中的偏好 | 圖片來源：極客公園

第二個案例，更爲國人量身打造，就是遴選房產。

案例中用戶希望在紐約購買房產，輸入的要求是希望同時有安全的社區環境、低犯罪率，以及優質的中小學教育資源—— 當然還包括最重要的預算，足夠在每月固定收入的情況下負擔的起。

在這個需求中，Manus AI 將複雜任務分解爲待辦事項列表，包括研究安全社區、識別優質學校、計算預算、搜索房產等。並通過網絡搜索，仔細閱讀有關紐約最安全社區的文章，收集相關信息。

其次，Manus 通過編寫一個 Python 程序，根據用戶收入計算可負擔的房產預算。結合房地產網站上相關的房價信息，根據預算範圍篩選房產列表。

Manus 能夠自動搜索、並過濾掉條件不符合用戶要求的房源 | 圖片來源：極客公園

最後，Manus 會整合所有收集的信息，撰寫詳細報告，包括社區安全分析、學校質量評估、預算分析、推薦房產列表以及相關資源鏈接——就像一個專業的房地產經紀人一樣。而且由於 Manus 自帶「完全基於用戶利益考慮」的屬性，其使用甚至體驗更好。

在最後一個案例中，Manus 展示了對股票價格的分析能力。

案例給出的任務是分析過去三年中英偉達、邁威爾科技和臺積電股票價格之間的相關性：衆所周知這三支股票之間存在緊密的關聯性，但對於新手用戶來講，很難快速將其中的因果關係整理清楚。

而 Manus 的操作，與一個真正的股票經紀人非常相似，它先是通過 API 訪問雅虎金融等信息網站，來獲取股票歷史數據，同時還會交叉驗證數據準確程度，避免被單一信息來源誤導，對最終產生結果帶來重大影響。

在這個案例中，Manus 同樣用到了編寫 Python 代碼、進行數據分析和可視化的能力，同時還引入了金融相關的專業工具進行分析，最終通過數據可視化圖表，搭配詳盡的綜合分析報告的方式，向用戶反饋其中的因果關係——真的就像一個金融領域「實習生」做的日常工作。

不僅如此，在 Manus 官網還展示了十多個 Manus 能夠使用的場景：直接使用 Manus 幫你整理行程、個性化推薦旅遊路線，還能讓它學習使用各種複雜工具，來流程化的完成日常工作。

在這個過程中，真正讓 Manus 展現出與往常工具不同的，是它的自主規劃，來確保執行任務的能力。

自主學習的能力也讓 Manus 的工作能力提升邏輯更像是真正的人類——即使現階段，它可能還無法在某一個特定領域做到專家級別的精通，但已經能看到巨大的潛力。

隨着自主學習能力的加入，AI Agent 的泛用性得到了巨大的提升，在用戶對 Manus 的實際測試中，你甚至可以做到直接對它描述一個視頻畫面中的相關內容，Manus 最終能夠直接根據對應的信息，跨越平臺內容對於搜索引擎的限制，精準找到某個抖音短視頻的鏈接。

由於目前版本的 Manus 完全基於雲端異步運行，因此實際上 Manus 的能力並不被你所使用的端側平臺形態或算力等因素限制——用戶甚至可以做到在向 Manus 下達指令之後，暫時關閉電腦，當 Manus 執行完成活動結果後，會自動通知你結果。

這個操作邏輯同樣非常眼熟——就像一個人下班以後，在微信上喊實習生「文件整理好發我」。只不過，現在，這個實習生是真的可以 7x24 小時的響應你了，並且不用擔心他會「整頓職場」。

02

多代理+自查，跑通 AI Agent 流

從上面這些案例，其實不難看出 Manus 真正的殺手鐧，並非 Computer Use 中已經出現過的「AI Agent」概念，而是它「模擬人類方式工作方式」的能力。

比起「運行計算」，Manus 的工作邏輯更像是「思考並執行命令」。它並沒有做到哪些人類當前真正無法做到的事；這也就是爲什麼一些已經體驗過當前版本 Manus 的用戶，將它形容爲「一個實習生」。

在 Manus 官網，展示着衆多 Manus 能夠完成的任務，其中就有一個案例，展示了在 B2B 業務中，如何使用 Manus。快速精準的將你的訂貨需求，與全球供應商實現精準匹配。

在類似需求的常規產品中，在平臺內整合全球供應鏈企業信息，來幫助用戶完成供貨商/需求方匹配這件事，是業內通行的邏輯。但這件事在 Manus 的案例中，你能看到完全不同的實現方式。

Manus AI 使用一套名爲「Multiple Agent」的架構，運行在獨立的虛擬機中。通過規劃代理、執行代理、驗證代理的分工協作機制，。來大幅提升對複雜任務的處理效率，並通過並行計算縮短響應時間。

在這個架構中，每個代理可能基於獨立的語言模型或強化學習模型，彼此通過 API 或消息隊列通信。同時每個任務也都在沙盒中運行，避免干擾其他任務，同時支持雲端擴展。每個獨立模型都能模仿人類處理任務的流程，比如先思考和規劃，理解複雜指令並拆解爲可執行的步驟，再調用合適的工具。

換言之，通過 Manus 的這套多代理架構，它更像是由多個助理，通過協助的方式，分別完成檢索資源、對接、驗證信息是否有效等工作，來幫你完成整個工作流程——這實際上不僅像是你招了一個「實習生」，更像是直接當上了一個微縮版的「部門主管」。

在 B2B 業務這個案例中，Manus 通過網頁爬蟲以及代碼編寫、執行能力，Manus 會自動在互聯網這片汪洋大海中檢索，根據你自己的需求，對潛在供應商從產品質量、價格、交貨能力等方面，爲你匹配到最合適的貨源。不僅可以將結論以圖表的方式直觀呈現在你眼前。還能對這些數據進一步給出更加詳細的操作建議。

圖片

Manus 完成 B2B 場景下的需求，或許比單一平臺的內建工具更好用 | 圖片來源：極客公園

至於 Monica 團隊到底如何、用何種技術實現的視頻效果，根據消息，團隊或將在北京時間 3 月 6 日爲大家揭曉。

03

「縫合」的極致，就是炸裂

Manus 背後的 Monica.im，到底是傢什麼公司？

Monica 是一款 All-in-One 的 AI 助手，產品形態從瀏覽器插件、慢慢拓展至了 App、網頁端。主流的使用場景是，當用戶在瀏覽器中點開它的小圖標，就能直接使用其接入的各大主流模型。通過對細分場景用戶需求的準確理解，Monica 摘到了大模型「低垂的果實」。

其創始人肖弘（暱稱小紅，英文名 Red）是一位年輕的連續創業者，1992 年生，畢業於華中科技大學。2015 年，他畢業後創業，早期創業不算順利（如校園社交、二手集市）。2016 年，他創業微信公衆號運營者提供編輯與數據分析工具，獲得了百萬用戶、並完成了盈利，最終產品於 2020 年出售給了某獨角獸公司。

等到 2022 年大模型浪潮後，他正式創立 Monica，專注海外市場，通過獨立開發者產品 ChatGPT for Google，產品快速完成了冷啓動。

2024 年，在 GPT-4o、Claude 3.5、OpenAI o1 系列上線的第一時間，Monica 讓用戶可以獲得最新 SOTA 模型。隨着接入模型的新進展，Monica 推出的專業搜索、DIY Bot、Artifacts 寫小程序、記憶等功能也受到用戶喜愛。而 Monica 在 YouTube、Twitter、Gmail、The Information 等不同功能的網頁裏呈現出不同的交互形態和功能，以適配特定場景的用戶需求，更新了數百個網頁的個性化 AI 體驗。

2024 年，Monica 用戶數量翻番，達 1000 萬。同時，其保持着可觀的盈利，在海外同類產品中，位居頭部。

Monica 的強勁表現驗證了一件事：

套殼到極致，既是 TPF、也是 PMF，最後都通往用戶價值。

Monica 首頁 | 圖片來源：Monica

Manus 或許延續了 Monica 團隊這種思路——肖弘接受媒體人張小珺的訪談時表示，產品不能只有聊天機器人一種形態，Agent 會是新增的形態、需要新的產品去承接。

他從 AI 編程產品 cursor 和 Devin 中獲得了靈感。據極客公園瞭解，前者主要是 copilot 模式、後者則是 autopilot 模式，後者更符合人性需求。Agent 也應該像 Devin 一樣，面向大衆人羣、真正由 ai 主導進行執行。但過去的問題是，模型不夠聰明。

但基於模型已有能力去做場景的封裝服務，或許正是 Monica 團隊的優勢。肖弘說，目前 Agent 產品團隊並不多，因爲它需要很多複合能力，比如說團隊要搞過 chatbot、AI 編程、瀏覽器相關（因爲都在瀏覽器上跑）、而且對模型的邊界要有不錯的感知——今天發展到什麼水平，接下來會發展到什麼樣的水平等等。

「同時擁有這些能力的公司沒那麼多，而有這些能力的公司，可能手頭正在幹一個很具體的業務，但我們恰好有同學剛好有時間一起把這件事情做出來。」他說。

爲什麼是 Monica 做出來了，他總結道，「第一，我覺得我們是比較幸運的。第二，某種程度上，如果今天大家都去做 reasoning 了，可能是不是又多出了一些時間給創業公司？模型預計能力外溢還能走多遠？」

他認爲，目前 Agent 還在早期階段。一是目前 Agent 還在規劃階段，還沒到物理世界的執行；二是大模型的能力還在往上發展，一切還不可預料。

「我肯定不知道 Agent，是可以被用這樣的方式被出來的，它是一個未知的事情。」他說。

耐人尋味的是，「不知道怎麼做 Agent」的 Monica，現在做出了一個讓整個 AI 圈感到炸裂的產品。

Manus 可能未必是最終的 AI Agent，但它無疑在 DeepSeek 爆火之後，再次將人們對 AI 的期望拉昇了一個數量級。