今天早上，Manus宣布被Meta收购，金额为数十亿美元。
问题来了：Meta是谁？
它以前叫Facebook的时候，这个问题很好回答：它是一家社交+广告平台。但现在改名为Meta之后，想要搞清楚这家公司的核心业务，就变得复杂了起来。
但在面对Meta收购Manus这一案例时，我们只需要知道，Meta有着自己的开源大模型Llama（羊驼）系列，收购Manus明显是为了推进自家Llama大模型在人工智能竞赛中获取优势，就行了。
Manus在今年3月横空出世，并依赖社媒冷启动策略“掠夺式”获取大众注意力之后，招来的并不是媒体和业界的夸赞，反而被“饥饿营销”等负面舆情淹没。
事情并没有朝着乐子人们喜闻乐见的“被负面舆情吞没→失去关注度→资金链断裂破产”的方向发展。当Manus在今天重新出现在大众视野时，它已经站在了巨人的肩膀上。
Manus的创始团队即将开始与天才研究员Alexander Wang（不是那个高奢品牌）和天才高中生Gabriel Petersson等人一同推进开源大模型Agent化的发展，推动历史车轮滚滚向前。
这就引出了另一个问题：Manus是怎么活下来的？
从业务发展层面，已经有无数文章剖析过Manus的运营策略。所以笔者想聊的，是给予Manus底气的核心能力，以及某个“看似不可能出现”的机会。
自Meta公布旗下开源大语言模型Llama以来，就被AI社区寄予厚望。凭借卓越的技术、强大的扩展能力以及精心策划的开源策略，Llama在2023年至2025年春季（1.0~3.x）主导了开源模型领域，并在开源人工智能领域建立了核心优势，也获得了广泛的社区支持。
在Llama主导甚至统治大模型领域的那段时间，其基准测试结果往往媲美甚至超越GPT-4等闭源领先模型，加上高度的可定制性，使得该系列模型获得了包括AI应用领域、学术领域和研究领域的广泛好评。
好景不长。2025年第二季度，Llama迎来4.0大版本。Meta在发布Llama 4之前曾放出豪言壮语，其主流级MoE模型Llama 4 Scout能够一次性容纳1000万Tokens的上下文，并在多项大模型测试中表现优异。
然而，这款总参数在1090亿，每次推理调用170亿活跃参数的大模型，却在实战领域表现平平，甚至有倒退倾向。不仅如此，社区还发现，Meta在进行大模型测试时，采用的是额外调优的版本，也就是说，Llama 4利用特调版本进行了不合规的“跑分”流程。这种行为极大打击了AI社区对于Meta的信任。
两个月前，Google推出了自家的Nano Banana多模态模型和Gemini 3大语言模型，OpenAI在12月初快速推出GPT-5.2-Codex应对Google突如其来的反击。业界的快速迭代使得Meta在AI竞赛中愈发被动。
Meta现在最需要做的，就是通过某种方法，对每次激活时调用170亿参数的Llama 4模型进行调优，让大模型在真实的生产环境中发挥它们应有的实力。
面对巨大的竞争压力，收购相关领域初创企业，快速弥补竞争差距，已经成为大型企业的常见策略。
凑巧的是，Manus“撞上”了这个机会。
该怎么定义Manus？这不是个立即就能给出答案的问题。
因此，我们不妨来看看Meta需要什么，Manus能做什么，以及Manus没做什么。
互联网世界中弥漫着这样一种观点：Manus是一家“套壳”公司。这样的称呼充满了对于Manus的鄙夷，因为它们使用世界领先企业已经开发完成的大模型，利用自研工具将它们按照一定的方法组合、拼装起来。
是的，现在的Manus完全没有自主研发大语言模型，但必须要说明的是，这是创始团队碰壁了无数次之后所做的务实决策。尽管AI初创团队往往天才云集，但Manus也在博客中坦言，独立研发大语言模型这件事，并不是所有计算机天才都能掌握的“超能力”。
虽然Manus的核心骨干有40人，但是他们最终没有选择自研大模型，而是从初创团队最拿手的方向做起——快速解决问题的小工具。
不论是小红书还是领先的科技媒体上，有段时间盛传“职业儿女”们通过免费的大模型App开发解决家庭邻里问题的小工具，并获得奇效的故事和案例。Manus做的事情也不例外，不过他们开发的工具不仅能够面向消费者，同时也面向行业和学术领域。
所以，如果用商业术语来描述Manus的话，它就是一家“AI Agent集成方案供应商”。
在Manus正式推出这项服务的2025年3月，行业对于AI Agent的看法仍然比较混沌。比较主流的观点认为，AI Agent完全能够通过单一的大语言模型构成，就像OpenAI曾经夸下的海口那样；一些更注重实战价值的人则认为，如果能够通过一种方式，调用不同平台和品牌的大模型，让它们分别处理各种事物，也不妨将其视为一种“通用大模型”（AGI）。
尤其是在Anthropic于2024年推出MCP开放标准之后，通过多个大模型组成AI Agent的观点正在变得更加触手可及，但距离落地仍存在“最后一公里”。
Manus就是为解决AI Agent这“最后一公里”而来。只要这款小工具能帮助AI Agent真正落地并投入生产，他们就能成功。
让Manus迈出这关键一步的，就是核心团队对“上下文工程”（context engineering）的不断研究与重构，和随之带来的“随机梯度下降法”。这种方法让Manus团队能够更高效地对Agent进行调优。
Manus在博客文章中强调，由于对上下文进行调优是一门实验型科学，这需要反复多次利用迭代而来的实战技巧，对整个方法进行补充和扩展。这些技巧包括但不限于：调整上下文规模以保证Agent的记忆连续性；通过提前设置好AI所需的工具以避免工作中的记忆出错；利用外部文件系统节省AI自身的缓存空间；以及将AI过往的错误保留下来并用于后续推理。
尽管Manus反复强调，他们开发的是“浮在AI之上的船”，是解决AI Agent落地“最后一公里”的实用工具，但不得不说，这仍是具备相当深度的研究课题。
大模型的发展速度日新月异，Manus团队也曾在尝试自研大模型时深刻领悟到了这一教训。他们必须要尽可能快地上线他们的产品。
人工智能大模型如此夸张的迭代速度有好处也有坏处。坏处是，如果你的产品不够“亮眼”，无法吸引到足够多的用户注意力，那么你的产品离死就不远了。
那好处是什么呢？如果你的产品真的在大模型迭代的时候没有平替，或者近期采用的工具和过往某个被社区不看好的应用高度相似，聪明的研究员和科学家们就能够在几小时之内想起来：过去几个月有这样一款产品，这样的一个小工具，也能够帮我解决当下的棘手难题。
这几个月以来，AI社区一直流传着这样的说法：发明MCP开放标准的Anthropic，其推出的Claude Skills工具包，和ManusAI的设计理念高度相似。不过，这种说法并不存在直接的证据，只是AI社区的某种“印象”，但这种“印象”或多或少地影响了整个社区对于Manus的态度。
和部分网友对于Manus的态度不同，社区对于Manus的态度更多地依赖“第一性原理”，也就是所谓的“为达目的不择手段”的心态来使用ManusAI进行生产。在面对趁手好用的工具时，工人自然是不会发表什么负面看法的。
所以，尽管Manus因为互联网高速的信息传播惹上了一点小麻烦，但又因为大模型高速迭代带来的副作用，撞上了大运。
上文已经提到，Manus团队需要快速上线产品，并在上线初期就能够引爆互联网，否则等待他们的就是死路一条。
所以先说结论：不论是哪种互联网产品，“冷启动”是必须要做的，不是可选项。
问题是：目前上线的AI应用，既可以将其理解为ToC应用，更可以将其当作ToB应用。道理不言自明：这些工具独立开发者可以用，中小团队可以用；若面向大型企业，也不是不可以（但这需要深度定制，很消耗人力财力）。
从ToB角度讲，Manus完完全全就是一家“为AI基础建设提供集成化工具的供应商”，它在推进AI Agent落地时所做的研究和方案，完全可以被理解为完全的后端业务，而不是前端的，将AI Agent落地的“最后一公里”。
若一款产品既是ToC产品，又是ToB产品，从营销角度上讲，多数业内人士会倾向于认为，这是一款ToB产品。在大多数情况下，这种同时面向C端和B端的产品，不会带有特别“通俗易懂”的产品亮点，也没办法做到仅凭行业实力和洞见说服更广大的普通消费者和网友们。
笔者猜测，Manus很清楚自身的位置，而社媒“冷启动”的方法多种多样。所以，Manus最终选择了“流量最大”的那一种。
不论网友如何评说，Manus确实在行业内做到了许多人做不到事情，推动了AI Agent的发展和落地，推动了历史车轮滚滚向前。
祝愿他们能在Meta获得更好的发展。
（头图来源：Manus）
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。