Appearance
本文是视频《AI Agent爆发前的黎明：Manus不够好，但天快亮了【深度】》（作者：硅谷101）的精读笔记，配套原视频观看效果更佳。
AI Agent爆发前的黎明：Manus不够好，但天快亮了【深度】
一条48分钟的视频，把 Manus 爆火背后的完整图景讲透了：硅谷101团队实测翻车、两年 AI Agent 技术路线复盘、全美1.5万家创业公司的赛道版图，以及那个所有人都关心的问题的答案——真正好用的通用 Agent 距离普通人，天快亮了，但黎明前还差几步。不管你是被邀请码刷屏的路人，还是想看清这波浪潮走向的普通人，这篇笔记帮你把关键信息一次拎清。
图：Manus 邀请码一度在二手平台被炒至数万元人民币，朋友圈刷屏式安利
全景：一条主线看懂
全片沿一条清晰的主线推进：先看 Manus 爆红引发的追捧与争议，再用一次系统测评检验它到底行不行；接着复盘两年技术路线回答“底座是否 ready”，并点出协议缺失与可靠性这两大瓶颈；最后扫过1.5万家公司的赛道版图，落到“AI To C 应用元年已开启、通用 Agent 仍是长跑”的判断。一句话：Manus 本身好不好没那么重要，重要的是它第一次让普通人摸到了“AI 替人干活”的现实体感。
图：从 Manus 现象到技术复盘再到产业版图，全片逻辑主线一览
一、争议中心：数万元的邀请码，与卡了21小时的分镜图
**爆火有多疯，反噬就有多快。**今年3月初，通用 AI Agent 产品 Manus 发布即刷屏，内测采用邀请码制，邀请码在二手平台被炒至数万元人民币；开发者、投资人、从业者排队测评，业内评价却在几周内从一边倒追捧转向质疑批评。争议集中在两点：一是技术不硬——底层用 Anthropic 的 Claude、后与阿里通义千问合作，被质疑“套壳、没门槛”；二是营销话术不实——“世界上第一个通用 AI Agent”在国际开发者社区早非新鲜事。更有说服力的是：有开发者写了约3800多行代码，就复现了它的浏览器浏览与网页操作能力，据此推断 Manus 的技术框架与壁垒并不高；媒体夸张的用语反而引发了“机器营销”式的反感。
**团队实测同样翻车。**硅谷101拿到邀请码后全员试用，结论是“效果比期待差不少”：更聪明了，但简单任务要花半小时；产出一股“非常实习生”的审美；让它做一整篇文章的分镜图，卡了21个小时——录节目时还卡着；很多 OpenAI 能做的事它做不到，稍复杂的任务想 end-to-end（端到端）一口气完成，仍然很难。
**第三方系统测评给出了更精确的画像。**团队邀请有两年 AI Agent 开发经验的 Nathan 王，用“正确性、有用性、完成度”三个维度，对研究、教育、生活、数据分析、WTF（创意）五类任务打分（正确性1~5分，5分=持续稳定正确），并弃用官方预录 demo、全部改用真实工作生活案例——原片测评长达两个半小时。结果如下：
| 任务类型 | 得分（满分5） | 解读 |
|---|---|---|
| Research 研究 | 4 | ChatGPT/Claude/Gemini 均有深度搜索，属竞争激烈的成熟领域，符合预期 |
| Education 教育 | 4.5 | 同上，成熟赛道的及格线之上 |
| Life 生活 | 3.5 | 简单任务丝滑，稍难就吃力 |
| Data Analysis 数据分析 | 2.5 | 只做文字“缝合”，缺真正逻辑关联 |
| WTF 创意 | 2.5 | 稍复杂任务易卡壳甚至失败 |
图：五类任务实测得分：研究教育能打，数据与创意拉胯
翻车最典型的是买房案例：让 Manus 查 Palo Alto 房价并找好学区辅助投资决策，它先去 Redfin、Zillow 搜房源，再查学区网站，但只是把两边文字缝在一起——默认“房源在 Palo Alto 就能上好学校”，而美国实际按住址指定学校；它宣称的“9分最好学区”，实查只有7分甚至更低。结论很直接：模型的逻辑推理与信息综合能力需要大增强，核心短板是把不同信源的信息真正整合在一起。
**但要公允地看它的架构与定位。**Manus 背后的决策模型会按需求生成任务清单写入 notepad（传言用 Claude 加 DeepSeek R1 做推理），再通过编程、互联网搜索、像人一样操作浏览器抓取信息，经 tools/function/API 取回结果后总结、或以表格等 rendering 形式呈现并执行程序。这套“丝滑的通用 Agent 交互形态”确实让人惊艳——作者第一次看它实时读文档、访问网站、完成任务时，感受到了 AI 在虚拟世界当“机器人”的潜力；只是产品仍极早期，需要大量迭代。
本节要点：争议的本质是“产品新鲜 vs 技术壁垒”——3800行代码可复现说明门槛不高，研究4分、教育4.5分说明简单任务已及格；短板集中在多信源信息整合与逻辑关联。
二、换个视角：为什么说 Manus 是一记“叫醒服务”
**批评“套壳”，可能暴露的是技术圈的“自嗨”误区。**硅谷101作者的论证链是：论点——从业者该痴迷的不是技术底层，而是把完整度高的产品交到用户手里；论据——to B 端 AI 产品已有很好的收入，to C 大众端却始终没感受到价值，而 Manus 第一次把“无缝、舒服地完成工作”的体验做过了用户阈值（产品只有在目标用户群超过某个阈值才算生产力工具，之前都只是样本和 demo）；例证——乔布斯回归苹果后的 town hall meeting 上被工程师质疑不懂技术，他答“我知道怎么样满足用户的需求”，并留下那句名言：
"Start with the customer experience and work backwards to the technology."（从用户体验出发，倒推回技术。） ——乔布斯，回归苹果后的 town hall meeting，面对工程师质疑“你不懂技术”时的回答；硅谷101用它回应“Manus 只是 AI 操纵大师”的批评
图：从用户体验倒推技术——这场争议里最该被记住的一句话
顺着这个逻辑，反方投资人/从业者的观点也站得住：Manus 的产品交互可圈可点；做 demo 容易、做出好产品很难；推广大胆无妨。于是有了那句定评——“天亮了，也是个叫醒”。
**从产业分析看，Manus 抓住的恰是该抓的东西。**AI Agent Infra 初创公司 Tensor Opera AI 联创朝阳给出框架：做好 Agent 必须在模型、工具、数据、Infra 四个维度中占住至少两个，而 Manus 恰好占两头——工具上，它擅长多 agent 状态缝合、快速写入虚拟机给出结果；数据上，它出现得早、积累了大量真实用户 prompt 助力迭代。创始人办公室贴着一个“快”字，正是先发优势的写照：数据与工具两个飞轮已经开始滚动。至于模型与 Infra，朝阳的建议是拥抱大厂生态，不要试图四两拨千斤。
**把 Manus 和 DeepSeek 放在一起看，结论就清晰了。**DeepSeek 是一记 wake-up call，证明大模型可以不走暴力堆叠的路径；Manus 同样是 wake-up call——把完整产品做出来让大家用起来，本身就是 To C 的大成就，并向全行业发出“大模型底座已经 ready”的信号。没人保证 Manus 最终成功，但它是现象级产品，也是一个很好的提醒。
本节要点：批评者问“技术硬不硬”，用户只问“好不好用”——Manus 的真正价值不在壁垒，而在验证了“底座已 ready”：把完整体验做到超过用户阈值，本身就是应用爆发前的黎明曙光。
三、两年技术复盘：Agent 三大能力如何被逐一点亮
**先明确讨论对象。**如今"Agent"定义被泛化、入行门槛过低，但技术侧的硬标准只有三条：推理与决策、记忆与上下文理解、工具使用（且要能学习使用新工具，这是最难的）。回看路线图，三大能力是被逐一点亮的。
**第一盏灯：推理。**2022年10月，ChatGPT 上线前一个多月，普林斯顿大学与 Google Brain 提出 ReAct 范式——Reasoning（推理）+ Acting（行动）结合 LLM，本质是 prompt engineering：模型先 Observe（观察理解需求），再 Action（在被告知的可用工具中做逻辑选择，比如订机票先搜机票信息），经 function call（API）取回信息后再次决策（直接下单或先告知用户）。所有 AI Agent 架构都始于这篇论文。只是当时最先进的 GPT-3.5 能力有限，逻辑推理不出彩、错误率非常高。转折点在2023年3月14日 GPT-4 上线，理解、推理、回答质量大增；一周后的3月23日 ChatGPT Plugins 发布，允许 LLM 调用外部工具、经 API 连接数据库与互联网——开发者社区为之“沸腾”。
**第二盏灯：工具。**早期代表是2011年成立的工作流自动化公司 Zapier，它第一时间帮 LLM 接上 Gmail 等常用应用；2023年6月13日 OpenAI 发布 Function Calling（引入 JSON 模式，可查天气、自动填表），“推理+工具”两大件正式凑齐。
**第三盏灯：记忆。**这条线的跃迁最能说明问题，直接看数据：
| 时间 | 发布 | 上下文窗口 | 里程碑 |
|---|---|---|---|
| 2023年3月 | GPT-4 初版 | 约4096 token（≈3000多个英文单词） | 开发者非常 struggle |
| 2023年5月11日 | Anthropic Claude | 10万 token | 相比 ChatGPT 约一百多倍提升 |
| 2023年6月13日 | OpenAI Function Calling | 1.6万 token + JSON 模式 | LLM 正式学会“调工具” |
| 2023年11月21日 | Claude 2.1 | 20万 token | 一次记住一整本教科书 |
| 2024年2月 | 谷歌 Gemini 1.5 | 百万级 token | Memory 壁垒被完全打破 |
图：从4096到百万 token，两年时间记忆壁垒被彻底打穿
**加时赛：让 AI 操控电脑。**2023年12月底，初创公司 Streamer AI（字幕音译）发布首个让 LLM 直接控制电脑的 Agent demo，被视为极大飞跃；而功能基本相似的 Anthropic Computer Use 直到2024年10月底才发布——初创社区整整跑在大厂前面一年。2024年底，吴恩达在演讲中说最兴奋的是 agentic AI workflows、最值得关注的技术是 agentic AI，点燃圈内外热情，“2025年将成为 AI Agent 应用元年”登上各大媒体头版。
**那为什么 Manus 之前没有通用产品？**逻辑很简单：互联网工具从诞生起就是为人设计的，机器做准确、大面积的交互在语言模型出现之前无解——所以 Manus 之前多数 Agent 创业公司聚焦 To B，通用化既缺范式共识、又缺产业生态，还差一步。
本节要点：推理（ReAct→GPT-4→Plugins）、工具（Zapier→Function Calling）、记忆（4千→百万 token）、电脑操作（初创领先大厂一年）——两年之内四大件全部就位，“技术已经快要 ready”是从业者与投资人的共识。
四、真正的胜负手：四代框架、协议之战与一个 AIOS 野心
**单点能力 ready 了，“连接”才是主战场。**朝阳指出：推理、记忆、工具调用都属于 single agent（单一智能体）的技术迭代范畴，而 Agent 要主流化、规模化、支撑上亿级用户，必须走向 multi agent（多智能体）通信互联、跨设备跨机房的计算联动——难点在通用的标准化协议。他把框架演进分为四代：
- 第一代：planner（规划器）+ memory + tools 由 LM 驱动，即成熟的 single agent；
- 第二代：单机 multi agent 通信，代表是 LangGraph、CrewAI、微软 AutoGen——在同一 library、单进程内写大量 prompt 拆子任务互通信；
- 第三代：agent 跨设备、跨机房的分布式计算联动（朝阳团队正在尝试），这是未来亿级用户的必需；障碍在于很多网站/工具不支持 Agent 调用、以及 anti-bot 反机器人设置——Manus 执行中就常因访问不了数据源而失败；
- 第四代：Agent 之间统一的 protocol 通信标准 + 分布式计算，即一个全球通认的 AIOS（AI 操作系统）——大规模爆发前的最后壁垒。
图：四代框架演进：从单机单进程到分布式多智能体与 AIOS
**协议问题有多真实？**举例：硅谷101的 agent、另一个 AI 行业 agent、再加一个综合两者的 agent，三者要交互却无标准，只能互改协议——就像30年前 IBM 与英特尔的电脑底层链路不通、TCP/IP 出现之前只有单机软件；后来业界提出多种规范，移动互联网有 TD-LTE 这样的基站标准，协议统一后所有设备软件即可互通。Anthropic 已迈出一步：2024年11月初推出 MCP（Model Context Protocol，模型上下文协议），规范应用如何为 LLM 提供上下文，被称为“AI 应用的 USB-C 端口”，可直连数据源，解决各数据接入需单独开发对接的痛点。但它只解决了单个 agent 内调工具/数据/浏览器的问题；把能力封装成 agent 软件之后，agent 与 agent 之间如何交互——这个更高维的通信协议仍待解。
**于是有了 AIOS 的想象与真金白银的下注。**朝阳想象：未来 AI 是一个非常复杂的分布式网络、大量服务，如同 PC 互联网与移动互联网两个时代，用户诉求被分发到全网并获得反馈；手机端一定会出现 AI OS——iOS 生态封闭、节奏较慢，安卓创始人已亲自下场。他的理念是：安卓一定要被重构（未来或不叫安卓），系统打开就是一个“框”，提问之后所有 action 与 information 呈现在框的结果里——这就是 Protocol 的核心。资本已投票：2024年11月底，安卓前高管创立的 Deep Agents 获5600万美元种子轮，联创兼 CEO David Singleton 说：
“我们需要一个类似安卓系统的人工智能时刻。” ——Deep Agents 联创兼 CEO David Singleton，公司获5600万美元种子轮融资之际；其目标（为 AI Agent 提供统一平台的通用操作系统）与朝阳公司方向一致，若做成则第四代壁垒打通
第四代的形态是 distributed multi-agent framework（分布式多智能体框架）+ hybrid edge cloud（端云混合）+ 跨公司协作，关键技术是 Router（路由）：分发用户意图、找到对应 agent、打通协议。朝阳的公司目前与合作伙伴逐个适配（已做十多个），再推广通用 protocol。他还有个清醒的预判——基于十年前通信业的教训：最终通用协议必由几个大厂加“国家队”联合 propose（类比5G/6G标准），不是创业公司单打独斗；务实策略是早期用私有 protocol 先发布，不被采纳无妨、满足商业需要即可，被大厂采纳更好。
本节要点：前三代解决“一个 agent 能干活”，第四代要解决“亿万个 agent 互相协作”——MCP 迈出半步，AIOS 尚无人登顶；谁能定义协议，谁就拿到下一个时代的船票。
五、黎明前的两道坎，与1.5万家公司的赛道版图
**“黑夜探索那么久，天快亮了。”**这是朝阳与众多从业者的共同感受——产品经理视角甚至认为“应该说是天亮了”：可以设计、可以参与、条件 ready。但矛盾也在这里：技术上 ready，却难以大规模扩量，当前可行路径是“小而美”场景（用户量不大但能高净值付费）。利好是三线并进——基建完善、底座大模型能力提升、巨头/初创/开发者探索统一协议，AI Agent 爆发只差一步。
先看两道坎，否则 demo 再惊艳也只是 demo。三个必要条件可以助你做成 demo，但要成为成熟产品还差两个技术瓶颈：一是 reliability（可靠性）——问一百次，至少90~95次以上要给出正确且相关的信息；二是 robustness（鲁棒性）——各种特殊情况、edge case 下仍能满足用户需求。坎难迈的根源是端到端错误叠加：第一步错1%、第二步2%、第三步1%，逐层累积到第十步就很严重，而企业流程常常20步甚至几十步，全流程出错概率极高——这是 Agent 落地的核心难点。
**但资本已经等不及了。**Tiny Fish 的 Keith 抓取网络数据统计：全美已有1.5万家获过融资的初创企业在做 AI Agent 方向创业。硅谷101特约研究员 Sofi（王可以）把版图分成三类：①Manus 代表的直面用户通用类；②Agent 基础设施与框架层（帮开发者搭 Agent 的“地基”）；③垂直行业 Agent。第二类基建层是近两年 VC 热门方向，生态成熟让各行业应用遍地开花：LangChain 诞生数月拿下超5.5万 GitHub 星与3000万美元融资，是 LLM 调外部工具/数据库、长期记忆、多步骤工作流的首选工具包之一；Pinecone（向量数据库）与 LlamaIndex（私域数据）是左膀右臂；微软 Semantic Kernel、AWS Bedrock Agents 等云厂商方案也在加码。第三类垂直玩家，看这张表：
| 赛道 | 代表玩家 | 关键数据与事实 |
|---|---|---|
| 编程 | Cursor（AnySphere，四位MIT本科生2022年创立） | 成立不到3年年化收入（ARR）达1.5亿美金，正洽谈估值或高达100亿美金的新一轮；客户含 OpenAI、Shopify、Instacart |
| 编程 | Devin（Cognition AI） | “首位 AI 软件工程师”，成立不到半年估值跃升至20亿美金，订阅每月500美金；程序员实测：写代码一般般、做调研不错（“感情是个文科生”），面对庞大代码库、缺文档、背景模糊“三座大山”力不从心 |
| 编程 | Replit / Windsurf / 字节 Trae | Replit 有2000万开发者，可按自然语言生成完整网页应用；Windsurf 拿下含戴尔在内超1000家企业用户，Codeium 以近30亿美金估值融资；Trae 面向中文开发者 |
| 客服 | Decagon | 融资超1亿美金，客户 Duolingo、Notion、Eventbrite，自动处理高达70%客服工单、每年为企业省数百万美元人力开支 |
| 销售 | Clay | 销售独角兽，自动抓取扩充目标客户数据、批量量身定制互动，已积累10万用户 |
| 商业数据分析 | Hebbia | 服务全球资管规模前50基金中的近1/3，及大型律所、咨询公司、美国空军 |
| 科研 | Elicit | 自动生成论文部分内容+海量处理数据，全球超200万科研人员使用 |
| 企业平台 | Palantir AIP / Epic | Palantir 以 Agent 自动化物流与库存管理、已入60多家大型企业；最大医疗信息公司 Epic 用 Agent 自动化患者预约分流、手续查验等行政工作 |
图：垂直 Agent 遍地开花：编程最早落地，客服销售效率最惊人
**为什么这些场景先跑通？**可提炼为四个特征：①任务定义明确且高度重复（客服/销售），效率提升大、风险相对低；②工作流模块化且相对独立（切割良好的软件开发任务），可在封闭可控环境运行；③重信息检索/分析/推理、多自然语言交互、不需复杂外部工具（各类调研）；④聚焦“协助”而非完全取代人类，便于企业逐步稳妥整合进现有工作流。编程类 Agent 最早落地——不止自动补全，还能编写、调试、自主部署，GitHub Copilot 上月也推出 Agent 模式，初创多到眼花缭乱，堪称“AI 界造星工厂”；客服客户 Bolt 的评价最传神：用上 Decagon“像一夜之间多招65名全职客服”。
**总结论：**大模型与 Agentic AI 的底层技术已足以支撑大量 To B 商业化；To C 领域 MVP（最小可行产品）雏形已现；但长期记忆、多模态、API 整合、多 Agent 协作仍有长路，企业也要先做好内部流程/数据/文档标准化——类比十年前的企业上云，非一日之寒。
本节要点：可靠性（百次90~95次正确）与鲁棒性（扛住 edge case）是成熟产品的两道坎，错误随20步级流程叠加是落地核心难点；但 To B 已能赚真金白银，To C 的 MVP 雏形已现——1.5万家公司正在把黎明“卷”出来。
六、终局推演：To C 元年、几十个“顾问”，与 Adept 的警钟
**Manus 可能只是一道前菜。**热潮后不久，OpenAI 发布了简化 Agent 开发的 Responses API（内置工具）与 Agent SDK——Manus 及类似通用 Agent 公司只是“打了个样”，之后路还长，精彩部分才刚开始；Agent 注定成为2025年 AI 赛道的关键词。
嘉宾的核心判断：今年是 AI To C 应用元年（To B 在去年已有收入很高的好产品）。但别期待万能 Agent：AGI 达成之前，通用 agent cover everything 不可能——应该把 agent 理解为生活中要打交道的垂直领域顾问，买机票、买保险、买房各有各的 agent，每人至少要和几十个 agent 打交道；最终会大一统，但 long way to go。创业建议随之清晰：专注垂直领域，把产品做到非常精细——正面案例是 Perplexity，从第一天起专心做 search/研究、非常专业、公认优秀，垂直深耕足以成就一家好公司。
**但新范式的诞生少不了失败。**AI Agent 赛道已有明星初创倒下——Adept：创始人兼 CEO David Luan 出自 OpenAI，总融资增至4.15亿美元、B轮估值超10亿美元成为独角兽，却因技术研发受阻叠加自研基础模型烧钱太狠，2024年年终卖身亚马逊，为全赛道敲响警钟。
图：Adept 的墓志铭：技术受阻 + 烧钱太狠，倒在黎明之前
视频留下一个耐人寻味的假设：如果 Adept 撑过黑夜、撑到如今的黎明时刻，说不定能拿出比 Manus 更好的产品。收尾一句话：天快亮了，但新的一天刚刚开始——长路漫漫，还早。
本节要点：2025 是 AI To C 应用元年，但通用 Agent 不会一步到位——未来每个人都有几十个垂直“顾问”；Adept 的倒下提醒所有人：撑不到黎明，就享受不到天亮。
总结要点
- Manus 的真实定位：技术上可被3800行代码复现、营销话术注水，但它第一次让普通人感受到“AI 替人干活”，是“超过用户阈值”的现象级产品——价值不在壁垒，而在叫醒行业。
- 技术底座已 ready：推理（ReAct→GPT-4→Plugins）、工具（Function Calling）、记忆（4千→百万 token）、电脑操作，四大件两年内全部点亮，这是从业者共识。
- 最后的壁垒在连接：single agent 已成熟，multi agent 的统一协议与分布式计算（AIOS）才是胜负手；MCP 迈出半步，标准大概率由大厂加国家队制定。
- 两道坎决定成熟度：可靠性与鲁棒性，错误随流程步数叠加是落地核心难点；当前可行路径是“小而美”的高净值付费场景。
- 格局与结局：全美1.5万家公司入局，To B 已商业化、To C 元年开启；通用 Agent 之前，先迎接几十个垂直“顾问”——Adept 证明，撑不到天亮就享受不到黎明。
迁移与启发
- **职场：用“四特征”给手头工作做一次 AI 接管排查。**把任务按“是否定义明确、是否高度重复、是否模块化、是否只需检索分析”过一遍——周报模板、会议纪要、竞品调研这类工作，现在就该交给 Agent 类工具跑起来（哪怕只是编程 Agent 帮你写个小脚本、研究工具帮你做行业梳理）；省下的时间投到判断、沟通、跨部门协调这些 AI 短期内替代不了的环节。不必等“完美通用 Agent”，垂直工具今天就能用。
- **投资理财：警惕“第一个XX”叙事，盯住真收入而非估值。**Manus 的“世界第一个通用 Agent”话术翻车说明开创性故事常被夸大；对照赛道里的公司，Cursor 靠1.5亿美金 ARR 撑起100亿美金估值谈判，Adept 拿着4.15亿美元融资仍因只烧钱、不自证而卖身——遇到任何热门标的，先问一句“钱从哪来、收入是不是真的”，再决定跟不跟。
- **生活决策：AI 的结论必须交叉验证，尤其高风险场景。**Palo Alto 案例里，Agent 把“9分学区”说成实查7分甚至更低，还搞错了按住址入学的规则——买房、医疗、保险这类决策，把 AI 当高效的资料收集员，但分数、政策、条款等关键信息一定要去官方信源人工复核，别让“一本正经的文字缝合”替你做决定。
一句话升华
黎明从不属于在黑夜里等待的人，而属于天亮之前就把灯点上、把路蹚出来的人。