Manus 的护城河在哪里？

这两天国内 AI 圈最火的非 Manus 莫属了，很惭愧我没有邀请码，也没直接试用过，但也看了好几个别人分享的回放，通过回放以及其他人分享的使用视频，再结合我自己使用同类产品的经验，基本上可以还原它的技术实现和产品设计了。

如果让我一句话总结，那么就是：交互上有非常大的创新，但受限于模型与数据，目前没有护城河。

优点：

  • Manus 在产品交互上有非常大的创新，可以说相当惊艳。可以很容易的上手，整个过程对用户透明不需要干预，结果也很直观。
  • 采用模拟人类浏览网页的方式让它更具有通用性，可以适用于通用任务而不是特定任务类型，未来有更大想象空间，就好比类人的机器人可以做更多的通用型任务。
  • 可以对获取到的数据进行分析生成漂亮的图表。
  • 生成的代码直接可以在虚拟机运行看到效果

不足：

  • 通过 ToDo List 规划的方式，虽然可以让 AI 探索的路径不至于太发散，但是会让结果趋于平庸，毕竟稍微复杂一点的任务是需要根据获得的信息做动态调整的。
  • 受限于模型的能力和上下文窗口长度，在资料的筛选，和最终资料的合并整理上，会有比较大损耗，最终生成结果和质量大部分时候是比较平庸的。
  • 使用目前模拟浏览器搜索、点击、滚动，再用视觉识别文字图表的方式，时间成本和资源成本都不低，通过 OCR 获取屏幕内容也可能会导致信息缺失。

技术实现

image 一图胜千言，这里我大致画了一下 Manus 的架构图（不代表真实实现，仅作示意参考），主要有几个模块：

  1. 虚拟机：一个 Linux 系统的虚拟机，安装有Chrome 浏览器，用来访问网页Python 运行环境，可以执行脚本分析数据，可以启动一个网页运行环境
  2. 任务规划器：根据用户输入的任务请求，拆分成 ToDo List，我推测是 Claude 模型，因为这一步至关重要，必须要求模型有很强的推理能力，目前来说 Claude 3.7 Sonnet 应该是很经济实惠的选择
  3. 任务执行调度器：根据 ToDo List 的任务清单，逐一执行，根据任务去选择最合适的 Agent。由于这一步重点是在 Agent 的选择，所以不需要能力太强的模型，可以用开源模型比如 Qwen 稍微微调一下就可以用了。
  4. 各种执行不同类型任务的 Agents：Manus 内置了很多 Agent，比如最复杂的应该是类似于 OpenAI Operator 的网页浏览 Agent，比如根据特定 API 检索特定数据的 Agent，每个 Agent 在完成任务后都会把任务结果写到虚拟机。
  5. 任务汇总生成器：当每个子任务执行完成后，任务执行调度器就会通知任务汇总生成器，任务汇总生成器就会去虚拟机读取 ToDo List 以及各个子任务的生成结果，把这些结果汇总整理生成最终结果，根据任务要求，可能是一份调研报告，可能是网页程序。由于这一步要求有极强的推理能力和语言能力，所以必然要求一个很强的模型，所以我猜这里也应该是 Claude 3.7 Sonnet。

这基本上就是它的主要工作原理，所以你也可以看得出，真正制约它能力的还是在于模型的能力和 Agent 的能力，而 Agent 也是受制于模型的能力。

Manus 的护城河在哪里？

如果连我这样一个伪专业人士也能大致分析出它的技术实现，那么是不是其他团队也可以去马上山寨一个出来？Manus 的护城河在哪里呢？

对于现在的 AI 产品来说，护城河主要就几个点：

  1. 模型 + 算力
  2. 数据
  3. 用户体验

比如说 OpenAI 的 Deep Research，虽然开源或者商业的竞品很多，但是效果比它好的还没有第二家，因为它用来规划任务、选择工具、汇总的模型是他们家最强的推理 o3 模型，可能也是业界最强的推理模型，无论是推理能力还是上下文长度都超过了公开的 Claude 3.7 Sonnet 模型，同时他们还基于 o3 针对 Deep Research 做了大量的强化学习训练，让模型在执行任务和生成内容都可以取得很好的效果，模型能力就是 OpenAI 的护城河。

比如说 Google，虽然模型不一定有 OpenAI 的强，但是它们家的数据搜索能力是最强的，可以获取到优质的数据源，所以效果也不错，数据搜索就是 Google 的护城河。

比如说经常被比作是“套壳”的 AI 产品 Perplexity，模型比不过 OpenAI，数据搜索比不上 Google，但是依然在 AI 搜索中占有很重要的地位，它依赖的是独特的用户体验，更懂用户，更好的提供了用户想要的搜索结果。

但这里的用户体验，不是传统意义上的用户界面交互层面的体验，而是基于大量用户使用数据而个性化优化后的优化体验，很懂用户想要什么。

类似的例子还有 AI 编辑器 Cursor，它也是靠的用户体验来吸引用户，虽然它的 Composer 功能很快就被竞争对手学习借鉴过去了，但是它的自动补全功能却一直没被竞争对手超越，作为一个重度使用者感觉特别明显，就是 Cursor 真的很懂我想要做什么，每次修改一点，它就能自动给我建议要完成的下一步操作，而大部分时候，它的建议都是我想要的。正是这个原因，即使我同时还用其他家的 AI 编辑器，Cursor 的订阅也一直留着。

Perplexity 和 Cursor 这类 AI “套壳”产品的护城河，就在于它有大量用户数据沉淀后的用户体验。

所以未来对于 Manus 或者这类产品来说，想形成自己的护城河，不仅仅是要在用户产品体验上的创新，还需要有用户数据上的沉淀，把这种数据变成一种飞轮效应：基于用户的数据做出更懂用户的体验，更懂用户的体验吸引更多的用户使用。

除了上面我说的用户体验外，哥飞也提到了一个有趣的观点叫“卡生态位”：

从昨晚开始，我们群友 Monica 团队的新产品 Manus 就在刷屏了。 很多人在求邀请码，也有一些人拿到了内测权限，发出了自己的体验文章。 有人觉得惊艳，有人觉得不就那样，有人觉得没有达到自己期待的样子。 这一切都因为目前AI还处于很早期，不是 Manus 做得不够好，而是受限于目前AI的能力，只能做到这样。 但即使是目前这样，其实已经让很多人觉得惊艳了。 我们不能因为暂时实现不完美，就不推出产品。 有些人开发产品的心态是，我不打磨到100分，我就不推出来。 然而，其实产品永远有值得改进的点，难到那就一直改进，一直不推出吗？ 要有一个生态占位思路，先推出产品，先占住这个生态位，然后不断迭代，不断提升能力，就能够做得越来越好。 相似的例子是Cursor，他们最开始发布的产品，效果也没有那么好，没有那么惊艳，但是他们等到了 claude sonnet 3.5 这个模型的出现，于是全球各地开发者都在自来水推荐 Cursor 。 试想一下，如果 Cursor 等到了 claude sonnet 3.5 发布之后，才去开始动手做，那么机会还会是 Cursor 的吗？ 哥飞很有道理，吸引来用户，留住用户，形成口碑，把这些用户数据沉淀下来进一步提升用户体验，以后随着模型能力的升级一起更新迭代，就能真正形成自己的护城河，再难被其他竞品超越。

Manus 开了个好头，但挑战还是不小的，开源的实现、商业上的山寨版本应该很快就要出来了，用户的热度也会消散的很快，一旦有新的热点马上就会去追逐新的热点了，就像你还记得 OpenAI 家的 Operator 吗？