解构 Manus AI：这是通用 Agent 革命，还是精巧缝合怪？

作者：郝博阳

自媒体的反应堪称狂热：“通用 Agent 终于实现了！”“这是继 DeepSeek 之后的又一技术革命！” 这样夸张的赞誉随处可见。

从 Benchmark 来看，它的表现确实非常亮眼，在 GAIA 测试中超越了之前的各种 Agent 以及 OpenAI 的 DeepResearch。

GAIA 测试非常权威。它是由数个来自 Meta、HuggingFace 和 AutoGPT 的大佬共同完成，模拟了真实世界的复杂问题，要求 AI 展现推理、多模态处理、网页浏览和工具使用等多维能力。之前，GPT-4 + 工具调用在这个测试中仅获得了 15% 的成绩。

然而，技术世界的真相往往藏在热闹喧嚣之下。想要真正评估 Manus 的进步意义，我们需要审视一下它在已有的技术土壤上究竟播种了什么新芽。

Manus 之前，Agent 离临门一脚还有多远？

当前的 Agent 已经发展到什么水平了？

借用 OpenAI 前应用研究主管 Lilian Weng 的经典定义，一个合格的 Agent 需要三大核心能力作为其 “大脑” 中枢：

1. Planning（规划）：如同一位棋手，能将复杂局面分解为一系列精妙的子步骤

2. Tool use（工具使用）：宛如工匠，懂得从工具箱中选取最合适的工具并熟练使用

3. Memory（记忆）：既有短期记忆存储即时信息，又有长期记忆沉淀持久知识

而过去这半年中，Agent 领域虽然看起来没什么火爆的产品，但技术底层能力却在大幅跃进。

尤其在 Planning（规划）和 Tool Use（工具使用）两个方向上进步快速。

Memory（记忆）领域虽略显滞后，但 DeepSeek 的 NSA（原生稀疏注意力机制），Google 和微软也在发力突破这一瓶颈。

我们今天重点聊 Planning（规划）和 Tool Use（工具使用）两个方向。

Planning 的进化：推理之翼展开

Planning（规划）是最先有进步的。从 GPT-o1 开始的测试时计算（test-time compute）拓展模型，也就是我们常说的推理模型，让单个大模型的 Planning 能力大幅提升。

这里就需要展开说说基础模型和推理模型的区别。相比基础模型，推理模型在四种关键认知能力上有很大提升：

● 验证：如同一位细心的校对者，不放过任何错误

● 回溯：当发现道路不通，敢于放弃并寻找新路径

● 子目标设定：将庞大山峰分解为可攀登的阶梯

● 逆向思考：从终点回望起点，寻找最优路径

也就是说，基础模型需要四个模型完成的事情，推理模型用一个就够了。

斯坦福大学最近的一篇论文正在试图破解推理模型为什么这么厉害。研究者在 Qwen-2.5-3B 和 Llama-3.2-3B 上施加相同训练后发现，Qwen 如同开了挂一般迅速进步，而 Llama 则进展缓慢。

深入探究后发现，Qwen 天生就具备验证和回溯等思维习惯，而 Llama 则缺乏这些 “思维良习”。

当研究者用含有这些思维模式的 “示范” 来引导 Llama 时，即使示范中的答案是错的，Llama 也能迅速提升。这揭示出，要想让 AI 在有更多思考时间时真正变聪明，它必须先掌握上面提出的四种基本思维方法。

此外，推理模型带来的另一个好处是灵活性。过去由 workflow 构建的模型往往只能解决特定问题。而推理模型因为其本身的泛化能力可以处理更通用的事物。这也是 Manus 能更 “通用” 的基础。

当前，Agent 工作流系统中的主要核心节点功能在很大程度上就是在模拟这些思维模式。这四种能力齐全的推理模型本身已经是一个天然的 Planning Agent 系统了。这就是今天我们想重点探讨的。

在 Manus 出现前，在 Agent 中使用推理模型最成功的实践是 2 月 2 日 OpenAI 的 DeepResearch 及其类似产品，如 Grok 3 的 DeepSearch。

在红杉对 OpenAI DeepResearch 产品团队的访谈中，团队在解释其能力时就提到，“DeepResearch 是 o3 模型的一个微调版本，o3 是一个非常智能和强大的模型。很多分析能力也是来自底层的 o3 模型训练。”

DeepResearch 是直接通过端到端的训练，而非搭建工作流的方式来运作。在这里，推理模型本身就成了 Agent。

而 DeepResearch，根据尝试进行复现的 Jina AI（AI 搜索产品）的分析，主要也就是搜索、阅读和分析三者间的循环工作。只不过推理需要能判别内容是否充足、搜索到的资料是否对应，再去要求下一轮搜索。

而同样是在前日发布、在外网获得满堂彩的 Qwen 团队推出的 QwQ-32B 模型，在其说明中特别提到了，它在推理模型中集成了与 Agent 相关的能力，使其能够在使用工具的同时进行批判性思考，并根据环境反馈调整推理过程。

这都是为了已经有能力 Agent 化的大模型在打基础，做拓展。

而作为一款通用的 AI 代理，Manus 毫无疑问的使用了推理模型带来的新能力。我们看到其搜索路径规划与 DeepResearch 非常相似，但在网页浏览中使用到了后面工具使用章节中的浏览器控制能力。

这确实很聪明，因为可以更好地阅读如网页 PDF 类直接读取页面难以完整呈现的内容。

Tool Use 的进化：从工具到环境的征服

而（Tool Use）工具使用能力的进化则开始得更早。这里有几个关键里程碑标记着这一进程：

● 2023 年 7 月 9 日：Code Interpreter 问世，AI 开始能执行代码，这是工具使用的第一步。

● 2024 年 6 月 20 日：Claude Artifacts 登场，AI 能够在对话中动态创建和修改各类 “人工制品（各种小型工具和虚拟机）”，生成从代码到图表，从文档到交互式组件的直观内容。

● 2024 年 10 月 22 日：Claude 的 Computer Use 功能横空出世，AI 不再局限于专用工具，而是能像人类一样 “看见” 屏幕并操作计算机，移动光标、点击按钮、输入文本，真正模拟人类与计算机的自然互动。这一能力的上线，使得 Claude 3.5 Sonnet 的 Agentic 工具使用评分整体来看，平均提升了一半以上。

● 2024 年 11 月 25 日：Anthropic 开源了划时代的 “模型上下文协议”（MCP），这是一把打开数据世界的万能钥匙，让 AI 能直接连接各类数据源而无需繁琐的定制开发。

● 2025 年 1 月 23 日：OpenAI 推出 Operator，主打网页浏览能力的计算机使用代理。能力上和 Claude 的 Computer Use 非常相近，但在网页 UI 上更有加成。

这种工具使用的能力，目前在 Manus 的演示中和 Artifact 水平相似，只是多加了网页浏览能力，至于和计算机的其他交互，限于虚拟机的限制并不能达成。

特别值得一提的是，在所有这些尝试中，MCP 的出现堪称革命性。因为对于 AI 工具使用来讲，最大的问题是数据获取和功能获取。

过去常用的数据和功能的调用方式 Function call（函数调用），最大的问题就是用 API 的时候，需要为每个功能进行额外开发。

每个功能分别进行开发，工具的拓展速度就会很慢。但 MCP 直接高灵活、高复用，很多工具和数据都可以直接通过协议调用，不用再进行单独开发了。

它优雅地统一了本地资源和远程 API 的访问方式。

（图片来自知乎作者 Dukee）

正如 AIGCLINK 发起人所言：“MCP 相当于一个万能的数据插头，打通了 Agent 构建的最后一公里。” 更重要的是，它解决了隐私安全和知识产权问题，“工作流完全可以在本地运行，没有商业授权问题。”

这意味着，中间件平台如 Coze、Dify 等产品的空间被大大压缩，模型方和应用方的分工将更加清晰。

因为在过去 Agent 工作流里，另一个核心功能就是工具调用。这都是中间件平台用 function call 手搭的，一般开发者不想自己写，就得用开发 Agent 工作流的中间件平台。

可以说，Agent 原来的中间件平台的两大作用 —— 工具调用和节点式步骤规划，到这步就都被新的技术进化取代掉了。

Manus 的真相：是创新革命还是组装？

让我们回到 Manus 本身，看看它的能力范围有没有超出前两点呢？

从演示来看，它确实是有效整合了 DeepResearch、Artifacts 和 Operator 三大现有能力。

据媒体引用但未出现在 Manus 官网上的官方资料称，Manus AI 使用一套名为 “Multiple Agent” 的架构，运行在独立的虚拟机中。通过规划代理、执行代理、验证代理的分工协作机制，来大幅提升对复杂任务的处理效率，并通过并行计算缩短响应时间。

在这个架构中，每个代理可能基于独立的语言模型或强化学习模型，彼此通过 API 或消息队列通信。同时每个任务也都在沙盒中运行，避免干扰其他任务，同时支持云端扩展。每个独立模型都能模仿人类处理任务的流程，比如先思考和规划，理解复杂指令并拆解为可执行的步骤，再调用合适的工具。

我们可以大胆地从当前 Manus 可以执行的操作和其技术描述去重构其能力：它很有可能是三个相关功能的串联，由一个主脑做步骤调配。

当然也有可能根本不需要主脑，以规划代理同时承担工作协调的能力。

这也是 Zengyi Qin（MIT 博士）认为它在本质上还是一个预先设定的 “工作流” 的原因。

只不过这个工作流当前各个节点的能力大幅增强了，而其负责规划的主脑也进化成了可以分布拆解和发起任务的推理模型。

而其代理层及模型层架构中与 DeepResearch 和 Artifact 能力的重叠基本是 100% 的（图像浏览用了一些 Operator 能力）。

在 Manus 的解释中，除了浏览网页用到了 Computer Use（计算机使用）之外，它在虚拟机中的计算机应用并不多。这也是 Zengyi Qin 认为它在无边界操作系统级环境（open-ended OS Level environment）中未取得突破的原因。

因此官网上介绍的智能研究、高级数据分析、任务自动化三大功能其实也就是 Manus 的极限了。

Less Structure， More Hype?

相较于 DeepResearch 这类尝试用推理模型赋能 Agent 的前沿工作，或 Claude 的 MCP 协议对工具使用领域的革新，Manus 的技术突破相对有限。它的主要创新点是借助推理模型实现了简化结构，同时增强智能处理能力的设计。

这也就是杨远骋 Koji 发布的据说来自 Manus 团队内部的 “Less Structure， More Intelligence” 理念。

当然，这个理念 OpenAI 的产品团队在红杉的访谈中也提到了类似的说法。

尽管如此，Manus 作为一款产品，也展示了 Monica 公司在整合功能、优化用户体验方面的专长。它提供了简洁而强大的工作流升级，将当前最先进的 AI 能力整合到一个流畅的用户体验中。

在它之前，领先模型公司中唯一做过这个尝试的是谷歌。在 2024 年 12 月 12 日，谷歌推出 Gemini 的同时，也推出了一个 Agent 系统 Project Mariner。可以同时完成获取表单、找到公司官网、联系方式等多步骤任务，Agent 会自动执行在谷歌搜索中查找电子邮件的过程，且这一过程中用户可以随时点击暂停和停止。同时，用户可以看到 Agent 每一步行动的推理步骤和计划。

在计算机使用层面上，它比 Manus 还激进。

但谷歌的这个产品还只是个饼，并没上线。因此，Manus 代表了当前 AI 技术整合的一个优秀案例。而且整体性，而非技术创新上甚至超越了最先进的基础模型公司。

但无论如何，把它和 DeepSeek 的突破相比，也许并不合适。

作者：郝博阳

来源：腾讯科技