文｜鋅刻度 孟會緣

DeepSeek的風還沒過，AI賽道又來了一個國產新爆款Manus。

自3月5日晚正式發布以來，與這個全球首款通用AI Agent相關的消息，不斷在各大互聯網上刷屏：“發布4小時后官網訪問量突破千萬”“在微博、B站等社交媒體一夜爆紅”“A股AI智能體指數單日暴漲超6%”“相關概念股批量漲停”“邀請碼被炒到數千至上萬元”……

同時，各方也在關注，目前還未全面推出市場，只有測試版的Manus，到底能否復制DeepSeek的走紅之路，成為國產AI智能體的一塊新豐碑。

但隨著網絡上曝光的Manus測試樣本不斷增多，該產品也快速陷入到口碑崩盤、虛假突破、饑餓營銷的重重迷局之中。

破圈意義遠大于實際能力

這段時間，通過官方演示和多方實測，業界對這款全球首款通用AI Agent，到底具備怎樣的能力有了新的認知。

從官方演示中，Manus已經開始自主完成簡歷篩選、分析股票等復雜的任務。全程無須人工后期優化，可直接交付完整成果，遠超OpenAI同類產品，還創下了GAIA基準測試新紀錄。

而在全網泛濫的測評內容中，從篩選簡歷、寫報告，到做PPT、股票分析，Manus的使用者似乎只需發送一個任務或文件，就能迅速調用各類工具，實現編寫和執行代碼、瀏覽網頁、操作應用等，還能根據用戶需求來拆解任務，進行極度復雜的任務規劃和執行。

這也是Manus和DeepSeek最大的不同。

如果說DeepSeek是“知識型最強大腦”，專注于語言模型的極致優化，擅長知識推理、文本生成、數學計算和代碼優化，如法律合同潤色、學術論文撰寫、復雜語義解析等。

上一個AI爆款DeepSeek

那Manus就是“執行型打工人”，核心能力是調用工具鏈自動執行復雜任務并交付成果，如“爬取財報→編寫代碼→部署網站”的端到端自動化流程。

在C端的應用表現上，能實現跨領域協同的Manus，看起來才是那個可以解放普通人雙手，像人一樣進行思考和行動?的完美替代品。

業內人士分析稱：“Manus本質上相當于把deepseek R1、cline、cloud studio等功能糅合在一起，是一個比較成熟且可操作性比較強的AI Agent，但是它的核心能力依然建立在底層大模型與工具鏈的協同調用上?！?/p>

這也導致Manus的口碑褒貶不一：追捧者看好其生產力，通過自動化處理財報分析、電商運營等任務，能達到降本增效的目的；批評者則痛斥其突發性錯誤、隱性成本飆升，以及在復雜流程中可能出現的失控風險。

Manus口碑褒貶不一

基于Manus現階段的實際表現，將之視為“數字化輔助工具人”比“全能替代者”更加恰當。

對此，華源證券認為，Manus的破圈意義遠大于它目前的實際能力。

因為它讓市場見識到了AI應用2.0時代下，任務式AI/Agent應該實現的目標是：能夠執行長任務步驟、具備異步自主執行能力（部署在云端虛擬機，與用戶的工作流程互不干預）。

這都是完全不同于1.0時代的聊天機器人的用戶體驗和能力邊界，所以有理由相信這是一個不可小視的產業趨勢節點。

Manus變體才是大殺器

市場對Manus的實際能力有分歧，但其存在之于產業的意義更大。

正如前文所說，Manus并非依賴底層模型的顛覆性突破，而是通過工程化手段整合現有技術（如大模型、Agent框架、工具鏈等），像“搭積木”般構建出完整的任務執行閉環。

Hugging Face的產品負責人Victor Mustar使用Manus編寫了一個飛機小游戲

國內初創公司DeepWisdom的metaGPT團隊，僅用3小時就利用開源框架復刻出了OpenManus；開源社區CAMEL-AI團隊“0天”就復刻出了Manus的通用智能體OWL……Manus范式對各家的最主要啟示，或許就是Agent（智能體）的門檻并不高。

這種模式下，Agent開發的關鍵在于高效整合現有資源，而不是從零開始技術攻關。

換句話說，是“如何用好現有技術”，而非“發明新技術”。通過工程整合、開源協作與用戶體驗優化，中小團隊完全可能打造出實用的Agent產品。

問題是，隨著市面上有關Manus的測試樣本逐漸增多，其在使用過程中暴露的局限性，也揭示了該賽道的深層技術壁壘。

相關報道顯示，科技媒體TechCrunch利用Manus測試了包括訂外賣，預訂餐廳位置，買機票等一系列任務，但是無一例外都發生了錯誤，導致任務中止或任務完成質量不高。

平安基金經理翟森也在接受財聯社采訪時表示，已經第一時間看過賣方、自媒體等渠道的演示，效果確實很驚艷。但由于尚在測試期，可能存在資源不足的問題，目前一個任務代理的生成任務需要花費以小時計的時間。

測試樣本不斷增多

這意味著想要實現真正的跨領域協同，仍需突破核心技術瓶頸——多領域知識的動態融合與語義對齊。

其中，既要突破領域壁壘帶來的認知鴻溝，又要在實時交互中保持上下文一致性，同時還要兼顧任務目標的優先級動態調度，以及資源的優化分配，最終在復雜場景下確保決策的準確性、時效性和可解釋性。

這對像Manus這樣的實用型Agent產品，在知識圖譜構建、上下文感知算法、多模態交互協議及動態推理框架等方面，提出了更加系統性的要求。

而Manus的測試實踐結果，也為該賽道揭示了一個未來的關鍵趨勢：AI Agent的競爭正從單一產品功能轉向生態構建能力。

短期來看，垂直領域必然將出現更多"Manus變體"，即利用開源框架快速封裝場景化Agent；長期而言，真正實現跨領域協同，需突破智能體操作系統的誕生和人機協作范式的重構這兩大拐點。

當Agent不再是執行預設流程的工具，而是能自主理解跨領域任務語義的"數字同事"，解放打工人生產力的那一天也就真的來了。