《Manus 没有秘密》这篇文章探讨了 AI 大模型的发展及其在不同领域的应用，特别是 Manus 的崛起和其背后的技术原理。文章详细分析了从 L1 到 L3 的核心叙事，定义了 Agent 从“特征”到“看见”的过程，并讨论了 AI 技术在实现原理、使用体验、惊喜与差距等方面的演变。

核心叙事：从 L1 到 L3

定义 Agent 从“特征”到“看见”

• L1
   专注于单一领域的任务，依赖于特定领域的特征识别和处理。
• L2
   开始具备一定的泛化能力，能够处理多个领域的任务，但仍需要一定的结构化指导。
• L3
  :实现真正的自主性和泛化能力，能够处理复杂的多领域任务，无需过多的结构化指导。

实现原理：Less structure

• Less structure
  强调减少对 AI 的结构化限制，依赖模型自主进化能力，实现“劳动力扩展（Labor Scaling）”。

使用体验：惊喜与差距

• 惊喜
  :用户反馈称 Manus 能自主规划并执行复杂任务，如生成 17000 字小说初稿、制作 PPT、规划旅行等。
• 差距
  在某些应用场景（如 PPT 生成）中，Manus 的表现仍不及百度或 WPS 等已有积累的企业。

技术实现

• 多模型整合
   不依赖单一模型，整合多种模型能力。
• 工具调用能力
   自主调用浏览器、代码编辑器、数据分析工具等。
• 动态会话管理
   使用 Azure Container Apps 等技术管理代码执行环境。

用户体验

• 交互体验
   任务执行过程可视化，增强用户对 AI 工作的理解和信任。
• 灵活性
  支持任务执行过程中追加需求和调整方向。
• 自主性
  任务一旦启动，用户可以离开，不需要持续监督。
• 多任务并行
   支持同时处理多个独立任务。

市场竞争与团队战略

• 快速迭代能力
  短周期内快速适应技术变化，远超大公司冗长决策周期。
• 灵活技术架构
  避免层级束缚，迅速应对用户反馈和技术升级需求。
• 独特认知与坚定信念
   坚持非主流路线，形成差异化竞争优势。

结论

Manus 作为一款通用 AI Agent，在功能性、易用性和性能上展现出显著优势，其“真人干活感”和工具整合能力赢得用户高度认可，尤其在教育、创作和数据分析场景中表现出色。然而，产品在复杂任务稳定性、资源消耗和市场定位上面临挑战，需进一步优化以实现广泛普及。综合来看，Manus 是 AI Agent 领域的一次重要尝试，其完成度高、用户体验佳，但技术壁垒有限，未来发展取决于能否在模型进化中保持差异化优势并找到可持续商业模式。

黑暗森林年代，

但凡踏出一步，踏对了，

你会得到比预期多得多的正反馈

2025的AI行业

会愈发具有挑战

与诸君共勉！