我说个真实场景。今年年初一个Manus邀请码在二手平台上被炒到五位数大批人半夜蹲点抢内测资格科技媒体的标题里全是“AGI终于要落地了”。半年多过去Manus低调回归热度远不如从前但我这次反而不想简单说它“过气”。因为我花了几天重新把它完整用了一遍又把这一年AI Agent赛道的产品从头到尾捋了一遍得出的结论是Manus当初代表的方向没有错但它回归时面对的世界已经和它爆火那天完全不是同一个世界。这篇文章我想从一个AI产品观察者和中度使用者的角度聊聊Manus这段消失与回归的完整经过以及“机会还在不在”这个大家最关心的问题。1. 从一码难求到安静回归Manus这半年走了一条什么路1.1 爆火期的疯狂与随之而来的质疑回想一下Manus最火的那几天整个AI圈像过节一样。它主打“通用AI智能体”你给它一个目标比如“帮我筛选一批符合条件的高管简历”“调研某个海外市场并输出一份报告”它能在云端自动分解任务、调用浏览器、打开网页、读取文档、生成表格最后把成品交付给你。和ChatGPT那种“你问一句、它答一句”的交互方式完全不一样Manus交付的是结果不是答案。这种体验在当时完全是降维打击。也正是因为这种新鲜感加上官方采用邀请码机制Manus迅速变成了一种社交货币。我印象很深当时国内几个技术社群里最流行的话术是“谁有码私聊”黄牛甚至把邀请码标价到上万元。这种饥饿营销式的增长给Manus带来了巨大热度也埋下了很大的雷。热度一起来大家发现第一波实际能用到的人极少大量评测截图和Demo视频都是二手转述真正上手测试过的人屈指可数。于是风向很快变了市面上开始出现大量质疑“这不就是套壳吗”“里面是不是有人在远程操作”“所谓自主任务是不是预设好的脚本”虽然团队后续做了解释和演示但第一波的信任裂缝已经存在。这半年里Manus官方账号的更新频率明显下降邀请码机制逐步放开产品也从网页端扩展到App、桌面端还推出了面向个人和团队用户的订阅套餐。但说实话在大众舆论里它已经不那么显眼了。原因很简单这半年AI行业的变化太快光模型层就迭代了好几轮一个邀请码可炒作的窗口期早就过去了大家现在更关心的是“你真正能帮我干多少活”。1.2 团队变动与产品形态的再定位期间还有一个绕不开的事件就是团队被字节跳动收购的传闻落地。从公开信息来看Manus母公司“蝴蝶效应”的核心团队后来并入字节跳动创始人肖弘也在2025年下半年加入字节。这一变动对普通用户最直接的影响不是产品马上关停而是它的产品定位从“独立创业公司的明星项目”变成了“大厂AI生态里的一环”。这个身份变化很关键。独立创业团队做Agent求的是先活下来跑通用户体验哪怕做窄一点也要把口碑做出来背靠大厂之后思路会变成怎么和现有产品矩阵融合怎么调用更多的模型资源和流量入口怎么把“炫技”变成“服务”。所以这次回归我看到的不是一次轰轰烈烈的“重新上线”而是一次低调的产品升级和生态接入。这种变化放在半年前大家可能觉得不够刺激但放在现在这个阶段反而是更合理的选择。1.3 回归后的第一眼界面、门槛和体验我重新打开Manus的第一感受是界面比第一版干净了很多最核心的还是对话框但增加了会话历史、任务队列、文件交付区的展示整体更像一个“任务工作台”而不是聊天窗口。登录后能很明显感觉到邀请码这个东西已经退出历史舞台换成注册就能用加免费额度的策略。免费用户每天能跑几个简单任务复杂任务和深度使用则需要订阅Pro。这个门槛设计我认为是非常务实的。早期Agent类产品最大的成本不在研发而在“跑一个任务”的推理成本。你让Agent打开几十个网页、反复试错、来回调整背后调用的模型和云端算力都是真金白银。免费敞开用要么服务崩要么亏本烧钱全付费又挡住第一批尝鲜用户。免费额度拉新加订阅付费留存的组合是这个阶段最可行的平衡点。2. 世界确实变天了AI Agent赛道的底层规则已经换了三套2.1 模型层推理、多模态和上下文长度决定Agent上限Manus第一版爆火的时候市面上最好的模型还是以对话和指令跟随为主Agent让模型“动手干活”这件事很大程度靠工程技巧硬撑既要靠跑多次prompt拆解任务步骤又得在外面包一层逻辑来容错。那个时候Model进行一次复杂推理的能力还比较弱经常做到一半就走岔路所以Manus的早期版本偶尔会表现出“很聪明但很不稳定”的双面性。这半年最大的变化是推理模型成了标配。现在的模型在接到一个模糊目标时会先在内部生成思考链自己规划步骤、评估备选方案而不是用户说什么就做什么。再加上多模态能力的成熟Agent现在可以直接“看”网页截图不用依赖模糊的DOM解析去猜页面结构上下文窗口的扩大更是一剂猛药Agent可以一次性读完整份PDF、几十个网页的信息再统一整理输出而不是像以前一样“逐段咀嚼”导致丢三落四。这个变化直接抬高了Agent能力的天花板。同样一个任务半年前得靠产品团队写大量规则来兜底现在模型本身就能兜住大部分情况。结论很朴素模型层决定Agent层Agent产品能走多远不取决于前端做得多炫而取决于底层的“脑力”进步得有多快。2.2 工程层MCP、工具调用与沙盒执行成为标准底座模型之外工程侧的标准化也是这半年的大事件。去年大家还在各搞各的接口协议怎么让Agent调用浏览器、数据库、办公软件各家都有自己的一套方案。现在MCP协议基本成了事实标准它的思路很简单把各种外部工具抽象成Agent可以统一调用的标准接口Agent说要读日历就通过日历工具的操作接口去读Agent说要发邮件就通过邮件工具的接口去发。这就像给电脑装了一批标准USB接口外设即插即用不用每个操作系统都搞一个专用插槽。沙盒执行环境的普及程度也比半年前高了很多。现在的Agent任务基本都在隔离容器里完成跑代码不会污染宿主机访问网页受限、文件写入受限每一步操作都有日志可追溯。这带来的直接价值是安全性的提升用户敢把一些相对敏感的工作交给Agent去做了。安全感是工具被高频使用的前提这一点怎么强调都不为过。2.3 产品层从“聊天机器人”走向“数字同事”这半年最深远的变化是用户对AI产品的预期被彻底重新塑造了。半年前大家觉得“AI能自动打字回复”已经很厉害但现在“对话”只是最基础的前置交互大家要的是“把事情办完”。用企业管理的话说用户需要的是一个能独立完成某个环节的数字同事不管是做数据分析、写周报、整理合同还是批量处理图片、生成汇报PPT用户希望自己只是提需求、验收结果而不是陪着AI一步步解释。我看到的变化是大批产品开始把Agent能力嵌入具体的工作流里。比如阅读PDF的同时生成摘要和重点笔记开会录音直接转成带决策项的会议纪要给一句描述就直接生成带排版的PPT初稿。Manus当初引领的“任务委托式”交互现在已经变成行业标配。只是大家不再把它叫“杀手级功能”而叫“基础能力”。这就是变天最直观的表现一个方向从新奇变小众再到日常只用了不到一年。3. 重新审视Manus的真实能力边界哪些是进步哪些还是老问题3.1 实测一多步骤信息整理与结构化输出为了写这篇分享我给了Manus一个真实任务让它整理近一个月内AI Agent领域值得关注的十个产品动态每一条要包含时间、事件主体、核心信息最后输出成一个表格文件。整个任务执行过程中我看到它在云端自动打开了大量搜索页面先做了一个信息源的列表然后逐个点进文章页面提取关键信息遇到需要付费或登录的文章会自动跳过并标注“信息来源受限”最后生成的是一个带来源链接的Excel表格。整体流程的稳定性比我记忆中的第一版好很多至少没有中途断掉或者漫无目的地乱逛。这是一个典型的“信息研究类”任务刚好是Agent的主场。原因在于它的完成依赖两个能力一是信息检索二是结构化输出。检索这件事不需要访问任何特殊系统都是公开网页结构化输出则是大模型的强项。所以我说这类任务已经可以达到“基本可用”的程度。3.2 实测二跨应用操作与结果交付我又试了一个难度更高的任务让它读取我上传的一个CSV文件按指定规则完成数据清洗再生成三张图表最后写500字左右的结论输出一个包含上述内容的报告文档。结果比我想象的顺利中途它先主动问了几个问题比如“缺失值是按删除处理还是补零”“图表样式有没有偏好”这在第一版里是没有的当时它经常闷头跑完才发现方向理解错了。确认需求后它完成了数据读取、清洗、绘图、写报告几个步骤最后的成品我打80分。图表能看结论方向也对但数据分析深度比较浅主要停留在描述性统计层面没有主动做更复杂的关联分析。这说明Agent能“干活”但离“专业干活”还有距离。3.3 边界在哪Agent的瓶颈不在“手”而在“脑”和“数据”跑完两个实测我对Manus的能力边界有了更清晰的判断。现在的Agent类产品在“手”这个层面已经比较灵活了。可以打开网页、操作表格、读PDF、写代码这半年来工程优化解决得不错。真正的瓶颈在“脑”和“数据”。“脑”指的是对复杂业务的判断力。比如你让它分析一个月的销售数据并找出下滑原因它能整理出图表、排出时间线但很难结合谈单记录、客户回访录音、竞品动向这些跨源信息去推理出那个非显性的真实原因。因为它只会处理你给它的显性数据不会主动去“补资料”。“数据”的问题更本质。很多有价值的工作流都在企业内部系统里工单、CRM、审批流、私有文档这些系统没有开放接口数据也涉及权限管控Agent进不去。所以现在的Agent更多是“乐于助人的实习生”态度好、执行力强、基础知识扎实但对你公司的内部情况一无所知。想让Agent真正成为某个岗位的替代力量数据打通是不可回避的一道坎这也是下一波机会所在。4. 变天之后普通人和小团队的机会藏在哪里4.1 通用Agent的终局是巨头游戏聊完产品本身回到标题里那个问题机会还在吗我的判断是分人分场景。如果你现在想做一个“通用AI智能体”来挑战Manus、挑战大厂Agent我劝你冷静。通用Agent拼的是模型能力、工程基建、资金储备和生态入口每一样都是硬资源。个人开发者和小团队在这条赛道上没有任何优势哪怕你的Demo做得再酷一旦进入真实场景用户对稳定性、并发量、数据安全的要求会立刻把你淹没。这半年的行业走势已经验证了这一点全球范围内做得有声色的通用Agent背后不是大厂就是拿到了大额融资的明星团队。通用Agent的终局是巨头游戏这个判断我认为未来一年也不会改变。4.2 垂直场景Agent是当下最好的切入姿势那机会在哪我的观点是垂直。不要做“帮所有人干所有事”的Agent要做“帮某一类人干某一类事”的Agent。原因也很直接垂直场景意味着数据集可控、操作链路清晰、付费意愿明确。举例来说做跨境电商的卖家需要每天监控竞品价格变化人工盯非常耗时这件事就可以做成一个垂直Agent它定时抓取指定竞品页面的价格与库存信息变化超过阈值就推送提醒每月自动生成一份竞品动态报告。这类Agent不需要大模型有多强的通用能力只需要稳定的数据抓取、清晰的规则判断和及时的通知渠道但对跨境卖家来说它带来的价值是实打实的省几个小时的重复劳动比泛泛的“AI助手”值钱得多。类似的垂直场景还有很多法律合同的合规初筛、简历与JD的匹配评估、电商评论的情感分类和问题聚类、自媒体素材的自动搜集与初稿生成。核心逻辑是找一个人群足够具体、痛点足够强烈、数据源足够清晰的小切口把Agent用扎实你的机会就来了。4.3 真正的护城河工作流、数据积累和交付体验很多人问Agent开发门槛降得这么低我做出来的东西别人会不会很快就抄走会但如果只有一层简单的调用链被抄是迟早的事。真正的护城河应该由三部分构成。第一部分是工作流。你能把一个行业的隐性流程拆成Agent可执行的显性步骤这本身就是一种行业Know-how。比如科研人员在文献综述时习惯怎么归类、怎么溯源、怎么提炼争议点这些习惯不会写在论文里只有和该领域的从业者泡在一起才能摸清。你把这个流程固化成产品后来者哪怕看到了你的Demo也看不透你的流程内部为什么这样设计。第二部分是数据积累。Agent每跑完一个真实任务都会积累一批经过验证的行业数据包括“哪些表述常见”“哪些动作在什么条件下是错的”。这些数据用来做后续的模型微调和规则优化效果比任何通用数据都好而且越用越值钱。第三部分是交付体验。用户第一次被Agent坑过之后对“AI自动干活”是有天然警惕的。你能不能让用户清楚地看到每一步在做什么、做了什么、结果怎么生成的能不能在出错的时候给出合理的解释和补救方案这个能力决定了用户敢不敢把更重要的任务交给你。4.4 现在入场的三个建议和两个劝退最后给正在犹豫要不要入场的朋友几句实在话。建议就三条第一先用再开发。未来两周把你所在行业里最繁琐、最周期性、最依赖“复制粘贴简单判断”的工作记下来试着用Manus或者其他Agent工具去跑一遍跑通了再去思考产品化。你会发现真实的需求痛点往往比你预想的朴素很多。第二把一个场景做到足够深。不要一开始就做“一站式”先解决一个问题解决到行业里一提这事就想起你的程度再延展到邻近场景。第三注意合规和交付责任。Agent处理的数据可能是用户的商业机密或个人信息你必须搞清楚数据存储在哪里、谁有权限访问、出了问题怎么响应。这不是套话是在真实商业环境里必须过的门槛。两个劝退直说第一如果你只是想“蹭个概念”连一个真实行业的用户都没访谈过那就不要做Agent产品。这个概念已经被消费了很多次光靠Demo已经骗不到人了。第二如果你的目标用户是个人用户、又是全免费模式请先掂量一下自己的服务成本。Agent每跑一个任务都要消耗推理资源免费开放的口子一旦撕开你没有大厂的算力池很容易把自己烧死。5. 给关注Agent的朋友几句实在话这半年我最大的感触是AI Agent这个方向虽然被市场冷落了好一阵但它的技术路线反而被验证得越来越清晰。Manus回归时世界确实变了天模型更强了工程标准更统一了竞争对手更多了用户也更挑剔了。某种意义上Manus不是输给了对手而是输给了时间它的理念被整个行业迅速吸收并超越这才是它显得“热度不再”的真正原因。我自己现在的习惯是把Agent当成一个“实习生”而不是“专家”来用。凡是规则清晰、可验证、成果能直接看到的任务放心交给它能省下不少时间凡是需要高层判断、隐性知识或私有数据参与的任务留给自己做。这个边界不会永远固定它每三个月都会向外扩一圈。机会还在但不在“再做一个Manus”里而在“把Agent用透一个行业”里。方向清楚剩下的就看谁先把手弄脏了。