Manus作为全球首款通用AI Agent产品，自发布以来迅速成为AI领域的焦点。它凭借强大的任务执行能力和自动化流程，被寄予了“解放打工人生产力”的厚望。然而，随着测试样本的增多，Manus的实际表现引发了市场的分歧。本文深入剖析了Manus的能力边界、技术局限以及其在AI Agent赛道中的破圈意义，探讨了它是否真的能够成为“全能替代者”，以及未来AI Agent的发展方向。

DeepSeek的风还没过，AI赛道又来了一个国产新爆款Manus。

自3月5日晚正式发布以来，与这个全球首款通用AI Agent相关的消息，不断在各大互联网上刷屏：“发布4小时后官网访问量突破千万”“在微博、B站等社交媒体一夜爆红”“A股AI智能体指数单日暴涨超6%”“相关概念股批量涨停”“邀请码被炒到数千至上万元”……

同时，各方也在关注，目前还未全面推出市场，只有测试版的Manus，到底能否复制DeepSeek的走红之路，成为国产AI智能体的一块新丰碑。

但随着网络上曝光的Manus测试样本不断增多，该产品也快速陷入到口碑崩盘、虚假突破、饥饿营销的重重迷局之中。

破圈意义远大于实际能力

这段时间，通过官方演示和多方实测，业界对这款全球首款通用AI Agent，到底具备怎样的能力有了新的认知。

从官方演示中，Manus已经开始自主完成简历筛选、分析股票等复杂的任务。全程无须人工后期优化，可直接交付完整成果，远超OpenAI同类产品，还创下了GAIA基准测试新纪录。

而在全网泛滥的测评内容中，从筛选简历、写报告，到做PPT、股票分析，Manus的使用者似乎只需发送一个任务或文件，就能迅速调用各类工具，实现编写和执行代码、浏览网页、操作应用等，还能根据用户需求来拆解任务，进行极度复杂的任务规划和执行。

这也是Manus和DeepSeek最大的不同。

如果说DeepSeek是“知识型最强大脑”，专注于语言模型的极致优化，擅长知识推理、文本生成、数学计算和代码优化，如法律合同润色、学术论文撰写、复杂语义解析等。

上一个AI爆款DeepSeek

那Manus就是“执行型打工人”，核心能力是调用工具链自动执行复杂任务并交付成果，如“爬取财报→编写代码→部署网站”的端到端自动化流程。

在C端的应用表现上，能实现跨领域协同的Manus，看起来才是那个可以解放普通人双手，像人一样进行思考和行动‌的完美替代品。

业内人士分析称：“Manus本质上相当于把deepseek R1、cline、cloud studio等功能糅合在一起，是一个比较成熟且可操作性比较强的AI Agent，但是它的核心能力依然建立在底层大模型与工具链的协同调用上。”

这也导致Manus的口碑褒贬不一：追捧者看好其生产力，通过自动化处理财报分析、电商运营等任务，能达到降本增效的目的；批评者则痛斥其突发性错误、隐性成本飙升，以及在复杂流程中可能出现的失控风险。

Manus口碑褒贬不一

基于Manus现阶段的实际表现，将之视为“数字化辅助工具人”比“全能替代者”更加恰当。

对此，华源证券认为，Manus的破圈意义远大于它目前的实际能力。因为它让市场见识到了AI应用2.0时代下，任务式AI/Agent应该实现的目标是：能够执行长任务步骤、具备异步自主执行能力（部署在云端虚拟机，与用户的工作流程互不干预）。

这都是完全不同于1.0时代的聊天机器人的用户体验和能力边界，所以有理由相信这是一个不可小视的产业趋势节点。

Manus变体才是大杀器

市场对Manus的实际能力有分歧，但其存在之于产业的意义更大。

正如前文所说，Manus并非依赖底层模型的颠覆性突破，而是通过工程化手段整合现有技术（如大模型、Agent框架、工具链等），像“搭积木”般构建出完整的任务执行闭环。

Hugging Face的产品负责人Victor Mustar

使用Manus编写了一个飞机小游戏

国内初创公司DeepWisdom的MetaGPT团队，仅用3小时就利用开源框架复刻出了OpenManus；开源社区CAMEL-AI团队“0天”就复刻出了Manus的通用智能体OWL……Manus范式对各家的最主要启示，或许就是Agent（智能体）的门槛并不高。

这种模式下，Agent开发的关键在于高效整合现有资源，而不是从零开始技术攻关。

换句话说，是“如何用好现有技术”，而非“发明新技术”。通过工程整合、开源协作与用户体验优化，中小团队完全可能打造出实用的Agent产品。

问题是，随着市面上有关Manus的测试样本逐渐增多，其在使用过程中暴露的局限性，也揭示了该赛道的深层技术壁垒。

相关报道显示，科技媒体TechCrunch利用Manus测试了包括订外卖，预订餐厅位置，买机票等一系列任务，但是无一例外都发生了错误，导致任务中止或任务完成质量不高。平安基金经理翟森也在接受财联社采访时表示，已经第一时间看过卖方、自媒体等渠道的演示，效果确实很惊艳。但由于尚在测试期，可能存在资源不足的问题，目前一个任务代理的生成任务需要花费以小时计的时间。

测试样本不断增多

这意味着想要实现真正的跨领域协同，仍需突破核心技术瓶颈——多领域知识的动态融合与语义对齐。

其中，既要突破领域壁垒带来的认知鸿沟，又要在实时交互中保持上下文一致性，同时还要兼顾任务目标的优先级动态调度，以及资源的优化分配，最终在复杂场景下确保决策的准确性、时效性和可解释性。

这对像Manus这样的实用型Agent产品，在知识图谱构建、上下文感知算法、多模态交互协议及动态推理框架等方面，提出了更加系统性的要求。

而Manus的测试实践结果，也为该赛道揭示了一个未来的关键趋势：AI Agent的竞争正从单一产品功能转向生态构建能力。

短期来看，垂直领域必然将出现更多”Manus变体”，即利用开源框架快速封装场景化Agent；长期而言，真正实现跨领域协同，需突破智能体操作系统的诞生和人机协作范式的重构这两大拐点。

当Agent不再是执行预设流程的工具，而是能自主理解跨领域任务语义的”数字同事”，解放打工人生产力的那一天也就真的来了。