2025 年是 AI Agent 元年,這句話今(6)日凌晨得到了應驗。中國人徹夜蹲守只為得到 Monica.im 研發的全球首款 AI Agent 產品「Manus」的邀請碼。於凌晨推出的 Manus 的表現,可說是把整個 AI 圈的人都炸醒了。

根據《極客公園》今日的報導,Manus 強調直接交付最終結果的能力,而不只是給出一個單純的答案。Manus 目前採用 Multiple Agent 架構,運行方式與此前 Anthropic 發布的 Computer Use 類似,完全運行在獨立虛擬機中。同時可以在虛擬環境中調用各類工具,諸如編寫和執行代碼、瀏覽網頁、操作應用等,直接交付完整成果。

在官方發布的影片中,介紹了 3 個 Manus 在實際使用場景中所完成的工作案例。第一個任務是篩選簡歷,從 15 份簡歷中,為強化學習演算法工程師職位推薦合適的候選人,並根據其強化學習專業知識對候選人進行排名。

在這個展示中,使用者甚至不需要給壓縮文件解壓、將其中的簡歷文件一份份手動上傳。Manus 可展現出了像人類「實習生」的一面,手動解壓縮文件,並逐頁瀏覽每一份簡歷,同時記錄其中的重要信息。

在 Manus 給出的結果中,不僅有自動生成的排名建議,它還會根據工作經驗等重要維度,將候選人分為不同等級。在接受到使用者更希望以 Excel 表格的方式呈現後,Manus 還能自動將這些內容通過現場編寫 Python 腳本的方式,來生成對應的表格。

Manus 像實習生一樣,自動理解「解壓老闆扔過來的打包文件」這個隱藏指令。 圖:翻攝自 Manus

Manus 甚至還能通過記憶能力,在這個實踐過程中記錄下「使用者更喜歡通過表格的方式接受結果」這樣的信息,下一次處理類似的任務結果時,會優先使用表格的形式來呈現。

第二個案例是遴選房產。案例中使用者希望在紐約購買房產,輸入的要求是希望同時有安全的社區環境、低犯罪率、優質中小學教育資源、每月固定收入下可負擔的預算等。

在這個需求中,Manus AI 將複雜任務分解為待辦事項列表,包括研究安全社區、識別優質學校、計算預算、搜索房產等,並通過網路搜索,仔細閱讀有關紐約最安全社區的文章,收集相關信息。

其次,Manus 通過編寫一個 Python 程式,根據用戶收入計算可負擔的房產預算。結合房地產網站上相關的房價信息,根據預算範圍篩選房產列表。

最後,Manus 會整合所有收集的信息,撰寫詳細報告,包括社區安全分析、學校質量評估、預算分析、推薦房產列表以及相關資源鏈接,就像一個專業的房地產經紀人一樣。且由於 Manus 自帶「完全基於用戶利益考慮」的屬性,其使用甚至體驗更好。

Manus 能夠自動搜索、並過濾掉條件不符合使用者要求的房源。 圖:翻攝自 Manus

在最後一個案例中,Manus 展示了對股票價格的分析能力。案例給出的任務是分析過去 3 年中英偉達、邁威爾科技和台積電股票價格之間的相關性。眾所周知這 3 隻股票之間存在緊密的關聯性,但對於新手用戶來講,很難快速將其中的因果關係整理清楚。

而 Manus 的操作,與一個真正的股票經紀人非常相似,它先是通過 API 訪問雅虎金融等信息網站,來獲取股票歷史數據,同時還會交叉驗證數據準確程度,避免被單一信息來源誤導,對最終產生結果帶來重大影響。

在這個案例中,Manus 同樣用到了編寫 Python 代碼、進行數據分析和可視化的能力,同時還引入了金融相關的專業工具進行分析,最終通過數據可視化圖表,搭配詳盡的綜合分析報告的方式,向用戶反饋其中的因果關系,真的就像一個金融領域「實習生」做的日常工作。

從上面這些案例可看出 Manus 真正的殺手鐧,並非 Computer Use 中已經出現過的「AI Agent」概念,而是它「模擬人類方式工作方式」的能力。比起「運行計算」,Manus 的工作邏輯更像是「思考並執行命令」。它並沒有做到哪些人類當前真正無法做到的事,這也就是為什麼一些已經體驗過當前版本 Manus 的使用者,將它形容為「一個實習生」。

Manus 真正的殺手鐧是「模擬人類方式工作方式」的能力。圖:新頭殻資料照

Manus 官網展示著眾多 Manus 能夠完成的任務,其中就有一個案例,展示了在 B2B 業務中,如何使用 Manus。快速精準的將使用者的訂貨需求,與全球供應商實現精準匹配。在類似需求的常規產品中,在平台內整合全球供應鏈企業信息,來幫助使用者完成供貨商及需求方匹配這件事,是業內通行的邏輯。但這件事在 Manus 的案例中,使用者能看到完全不同的實現方式。

Manus AI 使用一套名為「Multiple Agent」的架構,運行在獨立的虛擬機中。通過規劃代理、執行代理、驗證代理的分工協作機制,來大幅提升對複雜任務的處理效率,並通過並行計算縮短響應時間。

在這個架構中,每個代理可能基於獨立的語言模型或強化學習模型,彼此通過 API 或消息隊列通信。同時每個任務也都在沙盒中運行,避免干擾其他任務,同時支持雲端擴展。每個獨立模型都能模仿人類處理任務的流程,比如先思考和規劃,理解複雜指令並拆解為可執行的步驟,再調用合適的工具。

換言之,通過 Manus 的這套多代理架構,它更像是由多個助理,通過協助的方式,分別完成檢索資源、對接、驗證信息是否有效等工作,來幫使用者完成整個工作流程。這實際上不僅像是使用者招了一個「實習生」,更像是直接當上了一個微縮版的「部門主管」。

在 B2B 業務這個案例中,Manus 通過網頁爬蟲以及代碼編寫、執行能力,Manus 會自動在網際網路這片汪洋大海中檢索,根據使用者的需求,對潛在供應商從產品質量、價格、交貨能力等方面,為使用者匹配到最合適的貨源。不僅可以將結論以圖表的方式直觀呈現在使用者眼前。還能對這些數據進一步給出更加詳細的操作建議。

Manus 完成 B2B 場景下的需求,或許比單一平台的內建工具更好用。 圖:翻攝自 Manus

Manus 的產品名意思為手,來自拉丁文 mens et manus (知行合一)。知識不僅要在腦子裡,還要能用手執行。這正是 Agent 和 AI Bot(聊天機器人)產品的本質進階。