Manus：10 条可复制的方法论

一、当很多公司把“有没有自研模型”当成信仰，Manus 把它当成风险

在 AI 创业圈，自研模型长期被视为“正统”。
不少公司在产品尚未验证之前，就先投入大量资源训练模型，仿佛没有模型就没有尊严。
一个典型的反例，是早期的 Stability AI 路线。
它的技术影响力不可否认，但在商业层面，自研模型让公司被迫长期承受算力、训练和迭代的不确定性。当模型能力的领先窗口期越来越短，产品节奏反而被研发周期牢牢拖住。
Manus 的选择，恰恰相反。
它不把“有没有模型”当成价值判断，而是当成风险敞口。
当最先进模型的半衰期已经缩短到一两个月，自研模型就更像是一种彩票——而且是无法对冲的那种。

这并不是“应用派”的退让，而是一种更冷静的工程判断：
如果产品验证被模型 Checkpoint 决定，那公司命运就交给了不可控变量。

二、很多公司在拼“模型智商”，Manus 在拼“信息是否顺畅”

不少 AI 产品看起来“很聪明”，但用起来却很累。
原因并不复杂：信息流断裂。
一个常见反例，是早期的大模型 Chatbot 产品。
用户需要不停复制、粘贴、解释上下文，模型再聪明，也只能在一个被切碎的世界里工作。

Manus 从 Monica 时代就意识到一个事实：
真正决定体验的不是模型能力，而是信息是否自然流动。

当 AI 能直接“站在现场”，看到你正在看的页面、文档、视频字幕，它就不需要你反复解释“发生了什么”。

很多失败的 AI 产品，并不是败给模型，而是败给了摩擦。

三、当一些产品让 AI 和人抢控制权，Manus 选择让它“去隔壁干活”

AI 原生浏览器曾被认为是未来方向，但现实很快暴露了问题。

一个典型反例，是早期尝试“AI 全面接管本地浏览器”的产品形态。
当 AI 在填表，你滚动页面；
当 AI 在操作，你合上电脑；
人和 AI 在争夺同一个控制权。

Manus 在亲手做过、也亲手否掉这个方向后，做了一个更困难但更本质的转向：
让 AI 拥有独立的工作环境。

云端虚拟机，本质上是一次“职场礼仪升级”：
AI 不再是抢你鼠标的实习生，而是一个有自己工位的数字员工。

四、很多公司还在用“互联网思维”，Manus 一开始就按 AI 的真实成本设计

互联网时代，边际成本趋近于零；
AI 时代，边际成本线性增长。

这是很多公司不愿面对的现实。

一个典型反例，是大量免费开放的 Agent 产品。
当 Token 消耗达到 Chatbot 的百倍甚至千倍，免费用户的增长，本身就是亏损的放大器。

Manus 从一开始就接受这个事实：
Agent 不是用来刷 DAU 的。

它只服务对“能不能把事干完”敏感的 Prosumer 用户，并用 Agentic Hours 而不是活跃度来衡量价值。

这不是不野心，而是不自欺。

五、当一些公司“站队模型”，Manus 选择站在模型厂商的对面

在行业里，很多应用公司会形成某种“模型信仰”。
绑定一家厂商，深度适配，甚至在宣传中站队。

反例并不少见。
一旦模型策略变化、价格调整或能力被超越，应用层几乎没有议价空间。

Manus 走的是更难的一条路：
成为所有模型厂商都不愿失去的客户。

当 Agent 的 Token 消耗规模足够大，应用方自然获得话语权，甚至能反向影响模型能力的设计。

不站队，反而获得了选择权。

六、很多公司只收集“答案”，Manus 收集“怎么失败的”

传统 Chatbot 的数据，往往只是问答对。
但真实世界的工作，从来不是一次成功。

一个反例，是很多代码助手产品。
它们记录最终代码，却丢失了用户是如何纠正、调整和放弃某条路径的。

Manus 把重点放在完整轨迹上：
错误、修正、重试、放弃，这些才是真正可学习的信号。

智能的成长，来自如何面对失败，而不是如何伪装成功。

七、当垂直 Agent 越做越像插件，Manus 坚持做“像人一样的东西”

垂直 Agent 很容易做得清晰、高效，但也很容易撞天花板。

一个反例，是大量设计、写作、客服类垂直 Agent。
它们在单点上很强，却无法跨越真实工作的链条。

Manus 选择了更难的路径：
不预设领域，不拆分角色，让 Agent 用通用方式操作世界。

它不试图在网络中成为更强的节点，而是想成为连接节点的网络。

八、当很多团队迷信 Workflow，Manus 更愿意补“感官”

Workflow 是一种安全感。
它让系统看起来可控，但往往是对智能不足的掩饰。

一个反例，是大量“多 Agent 协作流程图”。
角色分工精致，但每一层都在传递噪音。

Manus 的做法是：
与其写规则，不如给 AI 看、让 AI 自己发现问题。

中文乱码的问题，最终不是靠 Prompt 修复，而是靠“看见”。

九、很多产品试图消灭不确定性，Manus 学会与它共存

工程师天然厌恶不确定性。
但智能系统，注定有波动。

一个反例，是过度防御式的 Agent 系统。
一旦出错就中止，或者假装成功。

Manus 接受智能的“不稳定”，但前提是：
系统必须能恢复、能反思、能尝试 Plan B。

真正的可靠，不是从不犯错，而是不会死在错误里。

十、最后，也是最难复制的：创始团队的“正常”

在 AI 行业，情绪化决策并不少见。
创始人沉迷愿景、过度艺术化，往往把公司带入高风险状态。

一个反例，是那些不断讲宏大叙事，却忽视成本与节奏的公司。

Manus 最重要的资产，反而是“正常”：
尊重常识，接受约束，避免创始人神话。

在一个高算力、高不确定性的行业，理智本身就是护城河。

Manus 的这十条方法论，没有一条是“捷径”。
它们甚至常常违背创业者的本能冲动。但正是这些选择，让它在模型狂飙的时代，没有被裹挟着失控。
它们不教你如何赢得掌声，只教你如何活得足够久，久到智能真正开始起作用。

结束语：

Manus 的成功，不来自某一个模型突破，
而来自一系列 反直觉但尊重现实的选择：

拒绝模型彩票，拒绝流程崇拜，拒绝创始人表演，
专注让 AI 真正把“活干完”。
#马斯克[超话]##manus为何一夜爆火#