三月的那个周日下午，我朋友圈里七八个人同时转发了同一条链接。点进去之后，没有产品介绍，只有一个排队按钮和一个邀请码输入框。这款产品叫 Manus，词源是拉丁语的"手"，寓意是"动手干活"。接下来的一周，"谁能给我一个 Manus 邀请码"直接替代了各种寒暄，成了技术群里最高频的提问。几个月之后回头再看，这家公司像是被人为按了快进键：从无人知晓到全网封神，再到被质疑声淹没，整个过程加起来不到两周。说它是今年 AI 圈最"惨"的一家公司，真不算夸张——它享受了顶级的流量，也付出了顶级的代价。这篇文章我想以一个从业者的视角，复盘一下 Manus 这辆过山车是怎么开起来的，又为什么会摔得这么响。
1. 邀请码刷屏的那一周：Manus 是怎么在一夜之间被抬上神坛的
1.1 一个多数人没听过的团队，凭什么占领朋友圈
先说背景。Manus 背后是此前做过浏览器插件 Monica 的团队，创始人季逸超在开发者圈子里有一定名气，但放到大众视野里，这个组合算不上明星阵容。真正让它炸开的，是产品定位本身：它不打"聊天"牌，而是强调自己是"通用 AI 智能体"——你给它一个任务，它自己去拆解、去搜索、去操作电脑、去生成文件，中间不需要你一步步指挥。
这个定位正好戳中了所有人的痒处。ChatGPT 火了两年多，大家已经受够了"对话框里一问一答"的模式：能聊，但干不了活。Manus 的演示视频里展示的是另一种东西：你丢给它一堆简历压缩包，它自己解压、读取、逐份筛选、生成对比表格；你跟它说分析一下某几只股票，它自己写代码、抓数据、做图表、输出结论；甚至让它写一篇带排版的网页文章，它也能折腾出成品。
这些演示不是 PPT，是带光标的实时操作画面，看起来就像有个隐形员工在帮你加班。视觉冲击力极强，我身边做产品、做运营、做投资的朋友，几乎在同一时间把它转发进各种群，配文出奇一致："这才是我想要的 AI。"
1.2 一码难求的邀请码经济，把 FOMO 推到顶点
Manus 的爆火和饥饿营销脱不开关系。产品上线初期只开放邀请码，而且官网一度只显示一个等待队列，连正经的产品介绍都看不到。稀缺本身就自带传播力，邀请码很快变成了硬通货。
我当时在几个群里亲眼看到有人出价收码，价格从几百块一路喊到上千块。更夸张的是，有人专门做起了"代注册""代蹲码"的生意。这种氛围一旦形成，普通人很难不被裹挟进去：你不需要真的想清楚这个产品能干嘛，你只需要知道"别人都在抢，我还没有"，这就足够让人焦虑了。
事后回过头看，Manus 团队大概率并没有预料到这种场面。他们后来在公开回应里反复强调"服务器负载远超预期""没想到会这么火"。但不管是有意设计的稀缺感，还是技术架构天然导致的限量开放，结果都是一样的：邀请码成了社交货币，Manus 这名字在最短时间内完成了最大密度的刷屏。
1.3 时间点踩得太巧：所有人都在等一个"AI 干活"的故事
Manus 能爆，还有一个很重要的背景因素：时机。2025 年初，AI 圈已经进入了一个微妙的疲惫期。一方面，各路大模型发布会不断，参数越聊越大，但用户感知到的变化越来越小；另一方面，"Agent"这个概念被讨论了一整年，AutoGPT、MetaGPT 这些项目给过希望，又因为实用性太差迅速被人遗忘。
大家嘴上不说，心里都在等一个能把"Agent"落地的产品。Manus 恰好在这个空窗期出现，用一套成熟的演示视频把"AI 智能体"从概念变成了可视化的事实。词源"手"也成了传播符号——别的 AI 在"说"，它在"做"。
这种叙事上的精准卡位，才是它引爆社交网络的根本原因。技术圈的人看的是架构和潜力，普通用户看的是"终于有个 AI 能替我干活了"，两边各取所需，共同把这把火越吹越旺。
2. 拆开引擎盖：所谓"AI 智能体"，底层到底是个什么东西
2.1 Agent 不是大模型，而是一条"任务流水线"
聊 Manus 的技术争议之前，得先把 Agent 的基本架构讲清楚，不然"套壳"之争很容易变成鸡同鸭讲。
一个 Agent 产品，通常由四层组成。第一层是基座大模型，也就是真正负责"思考"的推理引擎；第二层是规划模块，负责把用户的大任务拆成子步骤；第三层是工具调用层，包括网页搜索、代码执行、文件读写、浏览器操作这些"手和脚"；第四层是记忆与状态管理，负责记住做到哪一步了、中间结果是什么。
以 Manus 演示里那份简历筛选任务为例，实际执行链路大致是：
- 解压简历压缩包，读取文件列表；
- 逐份解析简历内容，提取姓名、学历、工作经历等关键字段；
- 根据预设条件打分排序；
- 生成 Excel 对比表格，输出到文件目录。
这个流程里，真正"智能"的部分由基座大模型完成，但让智能变成结果的，是环绕在模型周围的整套工程体系：工具调用要稳定、文件路径要管理、异常要能重试、中间状态要记录。任何一个环节断了，任务就卡住了。
所以我在给朋友解释 Agent 时，常用的类比是：大模型是大脑，Agent 是一个配了手、脚、备忘录和工具箱的实习生。光有大脑聪明没用，手脚不利索、做完这步忘上一步，照样干不成活。
2.2 "套壳"之辩：所有 Agent 都在套，关键看套出了什么
Manus 爆火后遭遇的第一波质疑，就是"套壳"——有开发者扒出它的执行日志，发现底层调用的是 Claude 等外部大模型，于是嘲讽"这不就是个套壳产品吗"。
这个说法有道理，但只说对了一半。事实是，全世界绝大多数 Agent 产品，包括很多融了大钱的公司，都在调用第三方基座模型。OpenAI、Anthropic、Google 这些基础模型厂商是上游"水电煤"，下游应用公司自己训练一个千亿参数模型的成本和收益完全不成比例，没人会这么干。所以"用别人家的大模型"本身不是原罪，真正区别产品高下的，是那套编排层做得怎么样。
拿做饭打比方：基座模型是超市里买的食材，Manus 团队是一家餐厅。食材来自同一个批发市场，但有的餐厅只会把菜煮熟，有的餐厅能把菜品、火候、摆盘、上菜节奏都设计得很好。Manus 的编排体系确实做了不少功夫：它有自己的一套异步任务调度、浏览器环境和文件系统管理，这些不是"调个 API"就完事的东西。
但套壳之辩也不是全无道理。问题出在营销话术上——如果产品用了外部模型，却在对外传播时让用户误以为"自研了模型"，把功劳都记在自己头上，那用户愤怒很正常。Manus 在这件事上吃到的教训是：技术选型不是原罪，沟通含糊其辞才是。
2.3 为什么演示视频里丝般顺滑，自己上手却像"龟速"
很多用户历经千辛万苦搞到邀请码，注册进去之后发现：任务排了半小时队，跑一个简单需求等了十分钟，中间还时不时报错。大失所望的人不在少数。
这不是什么玄学问题，而是 Agent 产品的天然特性决定的。演示视频里的任务通常经过挑选，链路短、输入干净、模型一次推理就能搞定；而真实用户的任务往往描述模糊、步骤长、中间还可能遇到网站反爬、文件格式错误等意外。模型每多走一步，出错的概率就累加一分。
更别说并发压力。一个 Agent 任务可能要跑数十次甚至上百次模型推理，每次推理又涉及外部 API 的延迟。网站流量一上来，GPU 算力、API 配额、任务队列全都会成为瓶颈。用户看到的"排队两小时"，本质上是系统在用它可怜的吞吐能力替模型厂商的 API 限流买单。
我当时拿到码之后跑了一个"整理行业资料并生成报告"的任务，总共花了四十多分钟。期间进度条反复跳动，最后报告勉强能用，但有几个数据明显是模型自己编的。这个体验谈不上惊艳，但它让我明白了 Agent 的真实形态：它是你的新员工，一个聪明但毛躁、需要盯着的实习生。
3. 捧杀与围剿：Manus 这位"顶流"，到底惨在哪里
3.1 前半场封神，后半场扒皮，全程不到两周
Manus 的"惨"，第一层惨在于舆论反转的速度快到了残酷的程度。前半周全网夸，后半周全网扒，节奏快得连当事人自己都来不及反应。
扒皮的主力是开发者和技术博主。有人翻出产品底层的模型调用痕迹，有人把它的执行逻辑逆向出来，发现很多任务其实是"预设脚本 + 模型调用"的组合；还有人拿 GAIA 这类 Agent 评测基准去对比，质疑它的实际能力并没有宣传的那么强。一时间，"人工智障""PPT 造神""又一个忽悠"的帽子扣了下来。
这里面当然有情绪化的成分，但也得承认，有些质疑是对的。Agent 领域最忌讳的就是把演示效果当真实能力宣传。一旦你用"几十秒完成股票分析"这类精简演示拉高了用户预期，用户上手体验到了真实延迟和错误率，反弹必然猛烈。Manus 不是第一个这么摔的，之前海外那个叫 Devin 的"AI 程序员"也走过一模一样的故事线：爆火、被扒、被嘲。
3.2 一场公开对谈，把热度烧成了明火
Manus 事件里最出圈的一个插曲，是和猎豹移动 CEO 傅盛的那场公开对谈。傅盛在此之前发过视频，公开质疑 Manus"就是个套壳""过度吹捧"。随后双方安排了一场直播对谈，本意大概是当面把话说开，结果却成了舆论场的又一次狂欢。
对谈里最戏剧性的一幕，是傅盛被反问了几个具体技术问题后明显接不上话，场面一度非常尴尬，很快"傅盛被问住了"就冲上了热搜。但反转紧接着就来：有人质疑这场对谈是提前彩排过的，是 Manus 团队做的危机公关；又有人说傅盛是故意示弱。真真假假，谁也说不清。
回头看，这场对谈真正折射出来的不是谁输谁赢，而是整个行业面对 Agent 产品时的一种集体性焦虑：大家其实都说不清 Agent 的估值逻辑到底该建立在什么之上。投资人怕错过，从业者怕被忽悠，媒体怕没热点。一旦有导火索，所有的焦虑都会变成流量的燃料。Manus 在这场对谈里看似赢了面子，实际上把更多的火引到了自己身上——舆论场从"质疑产品"升级成了"质疑人品"。
3.3 基础设施扛不住名声，用户体验成了牺牲品
如果说技术争论还有回旋余地，那体验问题就是实打实的硬伤。Manus 在热度最高的那几天，官网一度挤到无法打开，任务队列排得看不到头。很多拿到邀请码的用户进去之后，光排队就排了两三个小时，任务跑到一半还经常超时失败。
这种体验对口碑的杀伤力是致命的。一个新产品在早期阶段，每个用户的首次体验都决定了后续的口碑走向。你先给人家一个"排队三小时 + 任务跑断"的见面礼，哪怕产品骨子里真有潜力，用户也会带着负面滤镜离开。Manus 的"惨"就惨在，它的资源准备被流量远远甩在了后面——心有余，力不足，整个团队那几天大概是既幸福又崩溃的状态。
我后来跟一个做 SaaS 的朋友聊起这事，他说了一句话让我印象很深："流量从来都不是创业公司的稀缺资源，承接能力才是。"Manus 那两周的流量，换成任何一家初创公司都接不住，但它偏偏在最没有准备的时刻，收到了这么一大份礼物。
4. 复盘"爆红-翻车"的完整链条：AI 产品最容易踩的三个坑
4.1 坑一：把 Demo 当产品在卖
Manus 事件里最核心的教训，我觉得可以归结为一句大白话：演示视频是"卖家秀"，但用户买到手的是"买家秀"。
不是说不该做炫酷的演示，而是宣传和交付之间的落差要可控。Agent 类产品尤其容易放大这种落差，因为真实任务的不确定性太高。演示里的任务往往只有三五个步骤、输入干净、目标明确；真实任务里用户的一句话可能包含各种隐含需求和歧义，中间还会遇到链接打不开、格式不兼容、数据本身有问题等一堆破事。
更麻烦的是，Agent 跑失败的时候经常不会主动告诉你"我不行了"，而是像 ChatGPT 一样用一种笃定的语气给你编一个看似合理的结果。这在非严肃场景下还能忍，一旦用户拿它做正经事，发现报告里有一半是模型幻觉，信任崩塌是一次性的，没有第二次机会。
4.2 坑二：话说得太满，等于主动递刀
Manus 在传播过程中被冠上的头衔，一个比一个大："全球首款通用智能体""比肩 OpenAI""AGI 的前夜"。不能说这些全都是官方口径，但创始团队在采访里那些含含糊糊的暗示、媒体在标题里的添油加醋，共同推高了预期。
预期这个东西，在产品早期是融资利器，但同时也是反向指标。你把话说满了，全网的开发者都会拿放大镜来找茬。你说自己是通用智能体，那别人就拿你处理不了的长尾任务来打脸；你说自己超越了某某，"套壳"的质疑就会立刻变成"你也配"。
我见过太多创业公司在 PR 上栽跟头了。真正聪明的做法是：宁可把话说软一点，让用户体验到之后产生"哎，比我想象中强"的惊喜，也不要先吹到天上，然后被现实摔个粉身碎骨。Manus 的悲剧在于，它的传播节奏太快了，快到大话还没收回来，实证就已经追上了。
4.3 坑三：只知道冲流量，忘了练承接力
第三个坑，也是最容易被忽视的：技术团队和产品团队往往把精力放在功能开发上，而流量爆发时的承接能力——服务器容量、任务队列、限流策略、用户沟通——常常被当成"后面再说"的事。
结果就是 Manus 那种场面：用户在最期待的时候进不来、排不上、跑不动，热情直接转化为愤怒。这里给后来者的建议很具体：
- 上线前做好容量预估的天花板，宁可少放码也不要让体验崩；
- 采用灰度放量，先让少量用户跑通完整链路，再逐步放大；
- 准备一个透明的服务状态页，出问题时让用户知道"什么在排队、要等多久"，而不是干等；
- 给首批用户安排"小任务快速反馈"的通道，让他们先获得成功体验，再安排长任务。
这些都属于运营层面的基本功，但对 AI 产品来说，它们和一个炫酷的推荐算法同样重要。Manus 不是输在产品理念上，而是输在了"理念在手、状态全无"的仓促开跑。
5. 从 Manus 事件看 AI Agent 赛道的真实门槛在哪里
5.1 "长跑任务"的可靠性，才是真正难啃的骨头
Manus 事件之后，很多团队开始重新思考 Agent 的产品设计。在我看来，这个赛道的核心难点从来不在"让模型能思考"，而在于"让整套系统能完成长任务"。
这里有个简单的数学直觉：假设单个步骤的成功率是 95%，听起来不低吧？但一个需要 20 步的任务，整体成功率是 0.95 的 20 次方，大约只有 36%；如果是 50 步的任务，整体成功率会掉到 7.7% 左右。这还没算上每步之间的上下文传递损耗。
也就是说，Agent 做得越长，越容易垮。Demo 里那些两分钟出结果的炫酷视频，本质上都在回避这个数学事实。真正可用的 Agent 系统，必须针对长任务做三件事：一是拆解任务时设置检查点，让用户能中途介入纠偏；二是引入验证模块，对模型输出做二次校验，常见的幻觉问题要先拦一道；三是做好状态持久化，任务中断后能恢复现场，而不是从头再来。
5.2 评测体系还在早期，别迷信任何"跑分"
另一个从 Manus 事件里被反复讨论的话题，是 Agent 怎么评测。传统大模型看的是 MMLU、HumanEval 这类静态基准，但 Agent 的核心能力是"在动态环境里完成开放任务"，这类能力很难用选择题来衡量。
目前业界常用的 GAIA、SWE-bench、WebArena 等基准，也只是初步覆盖了"问答 + 工具调用"的场景，离真实办公环境的复杂度还差得远。更尴尬的是，很多团队会针对公开基准做针对性优化，导致"刷分"现象严重。所以我现在看 Agent 产品，基本不看评测分数，而是做两件事：设计一套自己的"个人基准任务"，每个月、每家产品都拿同一套任务去跑；同时盯住失败日志，看它失败的方式是否有规律、是否能优雅降级。
记住一句话：Agent 产品的口碑，永远是被真实任务和失败案例定义的，而不是被发布会和评测榜单定义的。
5.3 对从业者和普通用户各自意味着什么
如果你是普通用户，我建议把 Manus 事件当成一个天然的"预期管理课"。以后看到任何一个 AI Agent 产品的惊艳演示，先别急着激动，按这个清单过一遍：
- 它的演示任务是否足够复杂、是否涉及真实的长链路？
- 有没有公开的失败案例或负面反馈可以参考？
- 它的排队和等待时间你是否能接受？
- 你准备让它处理的任务，是"错了也无所谓"的低风险任务，还是"错了会出事故"的高风险任务？
如果你是创业者或者技术从业者，Manus 带来的启发更大。你会发现，在 Agent 这个赛道里，模型能力、编排框架、工具生态、评测体系、运营承接，每一环都很重要，但每一环都还远没到成熟期。这既是坏消息——意味着短期内很难做出"完美产品"，也是好消息——意味着这里面的工程优化空间非常大，谁先把可靠性做扎实，谁就能建立别人抄不走的壁垒。
有一点值得肯定：Manus 后来与通义千问团队合作的新闻，说明它自己也意识到了单靠编排层不够，需要往模型侧深入，把底层能力真正沉淀下来。这种从"流量明星"往"基建选手"转型的动作，虽然慢，但方向是对的。
6. 我自己的几点体会
回想 Manus 刚火的那几天，我也加入了排队大军。好不容易拿到码，我给它派了一个正经活——收集某个垂直行业的上游供应商名单并整理联系方式。结果它跑了几十分钟，中途还自己开了一个网页去查数据，最后交回来的表格里有三个联系人的公司名对不上。我没有因此否定它，相反，我觉得这个体验本身就是 AI Agent 时代最真实的注脚：它像一个刚入职的实习生，有热情、能干活，但需要你盯、需要你教、还会在你不注意的时候悄悄出错。
Manus 团队的"惨"，不在于它做错了什么十恶不赦的事，而在于它在最不成熟的时刻，被时代情绪重金押注，又被同一群人迅速抛弃。这种过山车式的际遇，换成任何一家初创公司都扛不住。但往好处想，这场全民围观式的闹剧，至少让更多人真正理解了 Agent 的能力边界——它还不是替代你的"数字员工"，但已经是可以帮你打杂的"廉价劳动力"。
最后说一个我现在仍在用的方法：我看到任何一款号称强大的 AI 产品，第一件事永远是打开自己整理的那套"个人基准题库"，丢几个真实的、带陷阱的任务进去。我会故意把任务描述写得模糊，故意夹杂无效信息，然后观察产品怎么理解、怎么处理、怎么在出错时应对。判断一个 Agent 靠不靠谱，别听它说自己多强，让它跑一遍你不讲武德的测试就知道了。
