摘要：任务编排引擎：将复杂任务拆解为子流程（如简历筛选需经历解压→解析→排序→生成报告），依赖GPT-4或国产等效模型的规划能力；虚拟执行环境：在云端创建Linux容器，模拟人类操作浏览器、运行Python脚本等行为，该设计与OpenAI Operator高度相似；
Manus的核心能力并非来自自主训练的大模型，而是通过工程化整合现有技术：
任务编排引擎：将复杂任务拆解为子流程（如简历筛选需经历解压→解析→排序→生成报告），依赖GPT-4或国产等效模型的规划能力；虚拟执行环境：在云端创建Linux容器，模拟人类操作浏览器、运行Python脚本等行为，该设计与OpenAI Operator高度相似；可视化包装：右侧界面实时展示操作步骤，虽提升用户信任感，但实质是“技术透明化表演”，与底层创新无关。华南理工大学金连文教授指出，Manus的核心价值在于工程优化，而非算法突破。其演示的股票分析案例中，数据获取依赖雅虎API，图表生成调用Matplotlib，本质是工具链拼接。
邀请码炒作：内测资格在二手平台炒至10万元，制造稀缺性焦虑；内容控场：抖音、小红书等平台出现话术高度统一的评测视频，疑似营销矩阵操作；选择性传播：主打“全球首款通用AI智能体”概念，却对竞品OpenAI Operator、Claude Computer Use只字未提6。值得警惕的是，其海外社交账号因涉嫌加密货币诈骗被封，团队深陷信任危机。与DeepSeek全球热议不同，Manus的讨论热度集中在中国自媒体圈，外媒几乎沉默。
创始人背景：肖弘曾创立微信生态工具“微伴助手”，擅长场景化包装；季一超以浏览器开发闻名，缺乏AI研发经验；人才结构失衡：招聘信息显示，公司高薪招募虚拟化工程师（月薪4万），却无AI模型研发岗位，印证技术依赖外部接口；融资疑云：2024年秋季融资后，资金主要用于市场推广而非核心技术投入，模式类似互联网消费品牌。能力上限依赖大模型：Manus的任务完成质量受限于底层模型，当前大模型尚未达到“AI打工人”水平；安全风险不可控：云端虚拟机可能执行恶意指令，团队未披露红队测试结果；商业模式存疑：单次任务成本约2美元，在高频使用场景下难持续。MetaGPT团队仅用5人3小时便复刻出开源版本OpenManus，证明其技术壁垒薄弱。
任务自动化：将大模型的思考能力转化为可落地的操作流；人机协作新范式：用户从“提问者”转变为“任务指挥官”；垂直场景潜力：在简历筛选、数据清洗等规则明确领域具实用价值。广东工业大学卢永毅教授评价：“Manus是执行助手，DeepSeek是思考助手，二者应协同而非对立”。
结语
Manus的诞生印证了AI应用落地的迫切需求，但其过度营销正在透支行业信用。真正的技术革命需要如DeepSeek般经全球开发者验证，而非靠邀请码炒作营造虚假繁荣。当资本狂欢退潮后，唯有解决实际痛点的产品才能存活——毕竟，简历筛选的HR不会为“科幻演示”买单310。
来源：认知与探索
