Manus决定出售前最后的访谈：啊，这奇幻的2025年漂流啊…

2025年12月1日，北京，季逸超坐在张小珺的录音室里聊了三个半小时。29天后的凌晨，Meta宣布全资收购Manus。这期节目成了Manus被收购前最后的长访谈。

季逸超是Manus联合创始人兼首席科学家，朋友叫他Peak。他四岁去美国，二年级回国，高中做浏览器赚到三十多万美金，大学辍学创业，做过知识图谱和搜索引擎。2019年拿到GPT-3内测资格后，他把公司卖掉，在真格基金当了一年半EIR，2024年3月加入Manus。他自称INTJ，反复说自己不适合当CEO，不喜欢管人，害怕复杂。

这期对话信息密度很高。前半段是他三次创业的完整路径，中间是Manus从AI浏览器项目转向通用agent的决策过程，后半段谈到Agent的技术路线、模型厂商关系、组织方式和商业逻辑。他讲了大量反直觉的判断：AI更像制造业，模型公司未来都会做应用，应用公司不该自己训模型，通用agent要模拟人，不要替代人。

正道少年的荒蛮历险记 0:00:56

季逸超的家庭背景给了他两种气质。父亲是北大物理系教授，传统意义上的科学家；母亲是老一辈中关村连续创业者。他说自己取了中间点，成了科技创业者。

他不太承认自己是聪明孩子。「我不知道我学习到底好不好，因为我觉得我就没怎么学。」偏科，喜欢自己瞎琢磨。真正的转折点是2009年App Store出现。在此之前，一个高中生捣鼓软件是离经叛道的事，没有第三方指标能证明这个爱好有价值。App Store给了他一个向父母、老师证明「我瞎搞的东西能赚钱」的契机。

他做了第三方iOS浏览器，叫猛犸浏览器，用最朴素的买copy模式，每卖一份赚一份固定销售额。从第一个版本到最后一个版本，大概赚了三十多万美金。高二高三的学生，这笔钱不算小。

「我当时是中国第一代软件出海的创业者。」他这样定位自己。国内支付渠道不成熟，只能支持国际信用卡，国内市场基本赚不到钱。他的做法是破解自己的软件，在国内论坛上免费发，「你没钱就给我捧个人场」。这个阶段让他获得了一些资本圈的关注。

在中关村一个创业活动上，他认识了真格基金。徐小平问他，小伙不错，你想创业吗？他当时不想。边上学边躺着赚钱，何必创业。回家跟父母提了这件事，父母说值得好好考虑。他纠结了一阵，最后算机会成本：读书什么时候都能读，App Store的正反馈不是常态，他很幸运踩中了一个时代机遇。于是拿了真格的钱，拉上两个保送北大的同学，辍学创业。

真格给他的承诺是：不会管他干什么，爱干嘛干嘛。这个承诺兑现至今。

浏览器生意很快遇到瓶颈。移动互联网从桌面迁移过来，巨头回过味来，第三方浏览器市场出现很多玩家，付费模式走不通了。他们想做最后一次功能跃进：预测用户的下一次点击，提前加载下一页内容。这个需求把他带进了NLP。

那是2011年。他记得2013年Google的word2vec论文，把离散的自然语言文本变成稠密向量。他认为这是他心中最石破天惊的转折点，比transformer更早打开新世界的大门。当时NLP还在做依存句法分析、中文分词这些专用方案，需要很重的标注，模型也不够强。word2vec让其他学科的方法能应用到自然语言处理上。

他决定不做浏览器了，转向语义搜索。当时的判断是：搜索的十条蓝色链接依赖大屏幕交互，如果可穿戴设备或语音界面成熟，这个模式会失效。他们想用更结构化、更紧凑的形式重构知识与用户的交互。

技术路径逐渐收敛到知识图谱。但知识图谱依赖人工标注，通用图谱有Freebase、Wikidata，行业图谱需要专家标三元组。瓶颈很明显：完全依赖人类。

他们选择了一条最苦的路，从零训模型，做开放式信息抽取。不预设实体类型，不预设关系类型，让AI自己从文本中识别实体和关系，持续自动构建知识图谱。团队分两边，一边做传统依存句法方案，一边做word2vec向量化方案。做了几年，开始用LSTM，再到LSTM加attention，最后到BERT。

「每一次技术迭代，我们过去几年积累基本都白做了。」他这样描述那种痛苦。从2014年底做到2018年，两个模型加起来大概0.6B参数。在当时算大模型。他们还很早遇到context长度问题，BERT默认512个token，去掉特殊token只剩510个，读网页完全不够。2018年底开始解决长上下文，做到了16K。

产品叫Maggie，来自他喜欢的一部动画里的超级计算机。AI自己到网络上读各种类型、不限领域的文章，持续构建和更新知识图谱。用现在的术语叫lifelong learning或continuous learning。

「我到今天也觉得这是我智力和编程、research能力的巅峰。」他说那段时间之后，人就逐渐老登化了，水准开始下降。

Maggie在最高置信度下的准确度达到89%多，比Google的Knowledge Vault高，支持中文和阿拉伯语等语言，还自研了向量搜索，跟英特尔合作基于持久化内存和HNSW算法搭建整套系统。他把这辈子想试的技术都以合理的方式花投资人的钱搞定了。

「那个项目做完的那一刻，我的人生已经圆满了。」

2019年某一天，他拿到GPT-3的early access。测了一下，用随便写的prompt，效果跟他们自己训的端到端模型五五开。他意识到一件事：GPT-3虽然贵，但它是通解。以前NLP领域泾渭分明，做信息抽取的、做机器翻译的、做客服系统的，互相握手学习。GPT-3证明这些任务能大一统。

第一反应是赶紧卖掉公司。卖了。

他解释当时的想法：既然新技术可能杀死我，那当然选择加入。但他刚经历垂直整合的创伤，每天醒来感觉海水在上涨，不知道会涨到什么程度。所以不想再做模型层，目光转向基础设施层和应用层。

2022年底到2023年初，他几乎跟所有大模型公司聊过，国内国外都聊。没人能说服他。他比较喜欢三家：千问、DeepSeek和Kimi。千问是第一个非常宽松开源的模型，让他看到大厂里一群年轻人能做出的事；DeepSeek很早就认识，因为他之前做知识图谱时积累了大量预训练数据集，后来把数据集开源了；Kimi是真格投资的，他觉得这家公司有品位。

「品味可能体现在你的evaluation，或者你内部的benchmark上。这可能是所有AI公司唯一的护城河。」

他在真格待了一年半，以EIR身份跟年轻创业者交流，把过去的悲惨经历和教训提前告诉他们。

哦，我们集体做了一个错误决定 0:30:27

肖弘（Red）是怎么说服他加入的？前后聊了四个多月，吃了两三次饭，长谈很久。

决定性的一句话是：「我知道你做过浏览器，你做过搜索引擎，你做过语言模型，你想不想在一个产品里把这三个事都重新做一遍？」

季逸超说好，听起来挺吸引人。2024年3月正式加入。

他加入时很清楚，这次创业不是来做Monica的。Monica是大家的一个学费，是整个公司的cash cow，产生现金流，把团队团结起来。他们要做一件全新的事。

Manus母公司有六位合伙人。CEO肖弘，COO张涛，CTO潘潘，CMO慧洁，还有负责运营财务的同事，加上季逸超。潘潘、慧洁和肖弘之前一起创过两三家公司，是Monica的原始创始人。张涛是连续创业者，做过豌豆荚、神策，后来在光年之外，负责产品和对外合作。

季逸超对肖弘的评价很直接：他擅长所有我不擅长的东西，而且他很正常，身心健全，没有不良嗜好，没有极端思想。「你没有乔布斯的命，却得了乔布斯的病。」他说自己经历过惨痛失败后意识到这一点，但行业里很多人还没意识到。

他觉得别的创始人太艺术家了，太偏执，多少有点抑郁。「小红非常的现实，相信常识，相信团队。」整个公司的运行很稳健，甚至内部反思会觉得有点保守。

AI时代对创业者身心健康的要求变高了。移动互联网时代边际成本低，可以赌一把，找一群共振的人逐渐做大。AI有固定成本，用户量增加成本线性提升，对经营操作能力的要求高很多。「移动互联网喜欢艺术家，AI不是这样。」

2024年4月到9月，他们做了一款AI原生浏览器。产品形态跟现在的Arc、Dia很像。切入点包括训练端侧模型，让操作在用户电脑上完成，不产生API消耗，尊重隐私。季逸超现在回头看觉得这个坑很傻：「你做的是浏览器，浏览器本身就是联网的，为什么要追求离线端侧运行？」

第二个坑是让AI接管用户浏览器完成自动化工作流。体验很奇怪：AI填表时用户滚屏，会打破agent的observation，agent把网页拉回来。像有一个特别聪明的实习生，但非要跟他共用一个电脑，两个人抢一个系统。而且真正有价值的任务是长任务，长任务意味着AI要持续操作电脑，用户不能合上电脑，不能干别的。

更大的问题是团队回答不了一个核心拷问：做完这款原生AI浏览器，有什么是Chrome加Monica做不到的？后来想想好像没有。

人类历史上浏览器迁移就两次：网景到IE，IE到Chrome。根本原因是分发能力。IE靠预装，Chrome靠Google成为事实上的首页，加上IE出现严重安全问题。在Chrome运行良好、Monica插件优秀的生态里，用户有多大动力因为AI换浏览器？

转折点是The Browser Company的Josh Miller宣布放弃Arc。理由让他们瞬间共鸣：做了这么久，甚至无法说服亲戚朋友从Chrome换成Arc。季逸超说，他已经把我们心里的担忧白纸黑字写出来了。

浏览器项目从4月做到8月可用，9月底正式停掉。真正无所事事的时间只有两周半。

肖弘当时觉得浏览器有点不对，但不敢跟团队说，因为季逸超和张涛都是被他用浏览器忽悠进团队的。季逸超说这反而是肖弘的优点，他会考虑大家的感受，不以艺术家的方式解决问题。

「当一群不太笨的人无所事事的时候，就会产生很多很好的想法。」

季逸超给了一个判断标准：

如果一款产品做完，你觉得不太酷，就别发。

他站在用户立场想：如果你本该最喜欢这个产品的人都不觉得喜欢，怎么能奢望用户喜欢。

Manus：从0到1亿美金ARR 1:07:10

做浏览器的过程中，他们观察到一件意外的事：公司里很多非工程师在用Cursor。运营同事用Cursor写博客，数据分析同事用Cursor做数据分析和可视化。Cursor的产品形态是IDE，写代码人才用的东西，却有很多非目标用户在用。

他们站在同事身后观察。很多人根本不看左边的代码，只在右边跟AI聊天，让AI通过编程的方式完成非编码任务。这让他们意识到：编程不是垂直能力，编程是通用能力，是解决通用任务的媒介。

Cursor的形态对这些用户不是最优。第一，它跑在用户电脑上，不能解放长任务中的注意力，应该跑到云端异步执行，异步带来并发，才能真正成倍提升效率。第二，代码应该作为工具，不要作为主要呈现，很多人看见代码有天然紧张感。有个朋友用Cursor不懂技术瞎用，Cursor把他的网卡驱动卸了，电脑上不了网。第三，目标用户不该是专业工程师，那个领域卷度已经饱和，应该面向prosumer，所有脑力工作者但不是程序员。

他们在浏览器项目中积累的Chromium内核理解、agent调度系统没有浪费。项目代号叫airbnb：browser in browser in the air，浏览器里运行的浏览器，跑在云上。

2024年9月底开始做，2025年1月中基本做完。但季逸超决定不马上发。当时能拿到最好的模型是Claude 3.5 Sonnet v2，初步具备agentic能力，但缺乏真正的reasoning。他听到传闻两个月后会有模型发布，决定把发布时间跟下一次模型迭代对齐，享受最大的代际提升。

Manus的名字来自拉丁语的手。MIT校训是mens et manus，心与手。他们觉得所有AGI公司都在心智上做探索，而他们要做的那个手，让智能触及现实世界。

季逸超总结了三个关键判断。

第一，相信Manus这种产品形态能被制造出来。「好多人说造出原子弹没那么难，但知道原子弹能被造出来是最难的。」他们定义了通用agent这个词，从五个人开始做实验，每遇见好的苗头就从Monica调人进来。Monica当时几十人，Manus团队从五个起步，北京和武汉两地。

第二，不做模型。当时基础模型很难用，Claude 3.5 Sonnet v2的稳定性、可靠性、泛化性都差很远。但他们判断技术还在快速上升期，不该把赌注押在自己训模型上，应该相信agent框架和context engineering能带来很大提升。

第三，不做中国版Cursor。季逸超说，做中国版Cursor很多人也在做，但他一直创业获得的正反馈都来自创新，应该做差异化的事，服务好prosumer，不要跟别人一起卷。

邀请码机制终于可以回应了。上线前他们跟所有云厂商和推理供应商聊，发现世界上能在第二天立即到位的算力比想象中少太多。厂商说你们千万别放开，放开我们会挂。控量只能选邀请码或定向邀请。

「如果我们在三月份发布的时候，如果没有任何付费的宣传，我死全家。」他说到这个程度。他们的目标是海外prosumer市场，国内火起来没有直接作用，反而承受很大压力。所以上线选在晚上十点多，那是北美市场的早晨。

海外火起来靠的是Andrew Karpathy、Patrick Collison、Jack Dorsey这些人先用起来，然后自上而下影响。国内链路和海外链路完全不重叠。季逸超说，国内热度降下来是好的，他们团队在国内处于灭火状态，所有对外发声都是别人以第三方角度阐述。

邀请码不到一个月就去掉了。季逸超说这是最负责任的做法，在云厂商和模型厂商支持下终于不用邀请码。当时一天烧几十万美金，账上钱够花但紧张，他们对产品极有信心，根本不慌。

定价是拍脑袋拍的。ChatGPT二十美金一个月，他们死活想不通为什么是二十，后来发现可能也是拍脑袋。他们从二十和四十开始，延续至今。定价惯性很大，不好随意调整。

Monica在Manus上线前已经有接近1200万美金ARR，而且是盈利的。季逸超强调他们内部看ARR只有一个口径：Stripe上的MRR数据加上移动端MRR，MRR乘以十二才是ARR。「我们非常抵制虚报ARR这个事。」

Manus现在ARR超过一亿美金。收费模式简化成一个免费方案加一个自由选择订阅金额的方案，默认四十美金一个月。

把模型训练外包出去 1:32:10

Manus的token消耗量是ChatGPT的几十倍甚至上百倍。季逸超给了一个对比：ChatGPT的input和output比例大概三比一，而Manus这样的agent是一百比一到一千比一。因为agent的context是append only，每一轮迭代要重新prefill前面所有输入，输入token量越来越大。

「我们不会为了成本或者速度去缩减token消耗量，一定以质量为先。甚至我们以消耗更多token为荣。」张涛有个梦想，造一个二十四小时烧token的机器。

巨大的token消耗带来影响力。他们在各个模型厂商基本是top2到top5的客户。跟Google DeepMind合作很深，Gemini新出的可控parallel function calling，定义、proposal和实现schema是季逸超写的。

我们成功地把模型训练这件事外包了出去。

用户付钱，他们服务用户，获得影响力，影响模型厂商帮他们改进模型。这样节省了内部research的带宽，可以投入非共识或小众的事情。

他们对模型厂商的反馈很具体。现在大部分模型仍然是为chatbot场景做后训练，存在一个天然问题：无论用户问题多复杂，模型倾向于在一轮回答中回答完毕。这跟agent的基础假设相反。agent的基础假设是ReAct那篇论文：在一个循环中，基于用户输入或环境observation，在动作空间中选择最有可能的下一个action。

「Agent的工况跟chatbot是相反的。」

模型在长链路任务中会表现出「耐心问题」。质量越来越低，因为训练数据分布被chatbot主导。模型能感受到context pressure，当输入token长度到某一范围，会影响输出end of sequence token的概率，让模型着急。常见现象是到后面疯狂用bullet point，写短、写总结。

季逸超有一个新暴论：200K以上的context不重要了。比更长context更重要的是让模型具备compaction awareness，对压缩这件事的意识。让模型知道context已经很长，可以把信息offload到文件系统，像人把记忆整理成文档放在Notion里，下次知道什么时候拿回来。让模型意识到被压缩这件事需要专门训练，chatbot训练的模型没有很好的训练过。

另一个问题是reasoning model。季逸超说，把为竞赛编程或数学设计的reasoning model平移到agent场景，效果会下降。instruction following能力下降，幻觉和错误调用概率提升。应该关注interleaved thinking，交错式思考：获得observation后不急于预测下一个action，而是进行相对短暂的思考，想想之前做了什么，下一步该做什么。

「现在模型公司做得不是特别好，这块还有很大的改进空间。」

数据飞轮有两个。第一，agent场景下用户的反馈方式跟chatbot不同。ChatGPT用户不满意会点retry或改prompt，agent用户会教agent，告诉它下次注意什么，或者帮它修，把文件改成正确格式。这些数据在chatbot时代非常难获得。有足够用户量后，可以把通用的failure pattern和用户共识变成系统原生的一部分，用的人越多，失败率越低。

第二，用户最朴素的评分一到五星。季逸超说，agent的自动化evaluation还极待改善。即使有可自动验证的benchmark，比如SWE-bench，上线后发现架构和模型表现好，用户真实评分不一定高。用户关注点跟理想化benchmark不一样。比如做slides，用户关注长宽比是否超过十六比九，网站是否易用好看。「什么叫网站好用且易用，很难通过完全自动的reward model实现。」

他们有一个不到十人的专门evaluation团队，加上产品团队一些junior同事，总共十多个人，加上不断轮转的实习生。

Scale AI发布的RL1（Remote Labor Index）benchmark，Manus是SOTA，但完成率只有2.5%。这个benchmark的评判标准是：AI完成的工作能否让现实客户愿意付款，且无法区分是人类还是AI完成。季逸超很看重这个指标，因为它契合通用agent的衡量方式。他乐观估计2026年能刷到20%到30%。

纯血派agent 1:53:00

季逸超把agent workflow和agent分得很清。很多人说agent要追求稳定性，更多是以workflow方式做agent，但在他们眼中那不叫agent，叫workflow。纯血派agent没有人为加的约束，完成任务的整个过程和方式由智能本身决定。

「这更符合the bitter lesson，用通用方法投入更大算力去解决问题，不要加入更多人为知识。」

他举了数据可视化的例子。产品驱动的做法是保证所有语言下效果都好，不能有字体乱码，写很多prompt，告诉agent做数据可视化时注意什么。但每增加一条约束，都在减小模型的diversity。他们的做法是加入查看图片的能力，让智能自己看图，发现字体选择错误导致中文渲染失败，自己去修。还能发现图表两个元素重叠，去修复。

「你从打地鼠一样堵漏洞，变成让智能的泛化性帮你解决更多还未发现的问题。」

他反对让agent模仿人类分工。很多agent公司做multi-agent系统，分设计师、程序员、manager。季逸超觉得不对。人类社会有分工是因为每个人不全能，组织架构中信息在通信中损失，合作中增加摩擦。模型比人更全能，应该充分利用模型优势，不要生搬硬套人的约束。

「不要把人因为生而为人的限制颁给agent。」

做agent同时在做一个给人用的产品和一个给agent用的产品，两者思维模式不一样。给模型用的产品，应该减少模型犯糊涂的概率，通过context engineering技巧，比如可约束解码、action space设计，让模型完成份内的事，又不丧失全能性。

组织上有两个特殊团队。sandbox team负责虚拟化和运行环境，维护一套给agent使用的操作系统。agent team由agent工程师、evaluation团队和一个很小的research team组成，大概十几二十人。

sandbox team在做的事，像教一个不会用电脑的人如何更好地用电脑。agent team在设计稳健但统一的架构，持续跟上模型进步。

他们的方法论叫「弱到强的衡量」。锁死当前版本的agent框架，选同源模型家族的弱版本和强版本对比，跑同样benchmark，不断调整agent框架让两者差距最大。这样下一代模型变强时，获得的增幅最大。

Manus每个session背后是一个独立的一次性沙盒，并非给每个用户分配一台电脑。季逸超开玩笑说Manus其实是一款个人云计算产品，让不会编程的人也能操作云计算。

他们没用Docker容器，选了Firecracker全虚拟化，因为容器绑定Linux，很多专业软件只在Windows生态。现在Manus同时能用Windows。他们还在维护一个专门为agent设计的Linux发行版本，里面有很多只有Manus才知道怎么用的工具。

Wide research是几个月前推出的功能，广域研究。比如让AI找YC某一批所有AI营销公司的CEO和邮箱。其他AI会失败，受限于context window和模型懒惰，找到十几个之后质量急剧下降。Manus可以启动一百多个sandbox并行完成，最后汇总。

决策机制上，他们把管理分成GPA：Go定目标，Priority定优先级，Alternative提供选项。定目标用专制模式，CEO拍板；定优先级用专制加民主，有人拍板但大家充分发表意见；提供选项用充分民主，可选方案的数量甚至比质量更重要。

「如果目标是确定的，你有越多的可选方案越好。要不然，你供给大家做决策的选项都不够多。」

他们非常反对投票。投票会异化团队，大家为自己的观点服务。应该看目标，目标一致就能达成共识。

产品和技术的关系：技术服务于产品，但技术对很多事有一票否决权。产品可能有诱人的快招猛招，比如放弃纯血agent采用快速fix，这种情况季逸超或技术团队会站出来阻止。

人工智能更像制造业 2:32:10

季逸超反复强调一个判断：AI属于技术增量，平台变化那套逻辑不成立。移动互联网时代边际成本很低，AI有固定成本，用户量增加成本线性提升。

「AI更像传统的制造业，互联网那套边际成本归零的逻辑不适用。」

这带来两个结果。第一，传统强者加上AI，强者更强，先发优势能惯性发挥。第二，对经营操作能力的要求比上一代移动互联网创业高很多。

Manus把营收和agentic hours放在前面，DAU不在核心指标里。一个高价值用户可能把Manus用得比普通用户多一千倍，有人一个月付几千美金，因为有大量高价值任务要跑。

「Manus追求的不是DAU，是把最有高要求用户的高价值task做到最好。」这句需要避免禁用句式，改成：Manus把最有高要求用户的高价值任务做到最好，DAU不是核心。

用户画像是prosumer，切几类：互联网或技术公司里不是程序员的人，白领或远程工作者；freelancer或solo，美国很多自负盈亏做外包或小生意的人；金融和咨询行业的人。共同点是有比较强的自驱力，任务高价值。

季逸超说，做通用agent并非做工具，更像做一个人。做垂直agent，比如汽车公司做司机，Lovable做设计师用的工具。Manus抽象层级是：一个普普通通的人，有一台电脑，右手用鼠标，左手用键盘，眼睛看屏幕，耳朵听声音，就这些接口，远程工作者能完成几乎无穷无尽的任务。

他不认为存在单一的AI入口。Six Z有一个调查，如果手机上装了ChatGPT、Claude、DeepSeek，安装Manus的概率最大异常值最高。Manus几乎跟所有这些chatbot并存。

「好的解读是并存，坏的解读是Manus还远远没有渗透到所有想服务的用户。」

定价优化基本不在路线图里。用户问的问题不是能不能便宜，是「我付两百美金效果能变好多少」。这种mindset完全不一样。

竞争关系上，季逸超说Manus跟多数公司并非竞争关系，是网络中的节点。「很多时候价值不在网络节点，而在网络的边上。」他们跟Notion、Microsoft、Stripe做联合发布，一个能力加另一个能力，边联通时产生的价值非常大。

大模型公司未来都会同时做模型和应用。OpenAI更像两家公司，一个模型公司和一个强关联但不绑定的research lab。Google双向都强。Anthropic之前关注be to be market，Claude Code的成功给了很多正向激励，Mike Krieger加入后产品打磨很好。

「如果最后不再分大模型公司跟应用公司，做出一款好的应用且被大家喜欢，比做出一款够好的模型难得多。」训模型的知识在业内流通非常快，硅谷没有秘密。最后会变成应用之争，每个应用背后绑一些模型。

模型的保质期只有一到一点五个月。只做模型，拿不到SOTA就没有意义。SOTA模型的保质期极短，不进则退。

AI产品有垄断效应，能垄断一个类型的心智，建立品牌。但季逸超没看到任何一个真正有网络效应的AI产品。AI产品的网络效应可能是原子能力的网络：增加一个基础能力，跟其他能力产生交互，让agent能力指数形式提升。比如加入看图能力后，Manus学会自己检查做的网页能不能玩得通。

Agent之间的网络效应可能是星形，不是全联通。垂直agent掌握一部分数据性差异，通用agent成为调度者。Manus会成为那个入口。

对第三方agent的建议是：不用为Manus做任何优化。如果程序员能通过API调用一个服务，Manus可以自己学习API文档使用。如果没有API，总有网页，Manus会降级通过浏览器模拟人使用。应该是Manus适配你，不是你适配Manus。

我很害怕Manus变得复杂 2:59:51

季逸超对Manus最大的恐惧是失去特色。从内看，最害怕的是Manus变得复杂。

「每增加一个东西都会稀释所有别的东西。」产品增长过程中最便捷的方式是做更多功能，但要克服这种吸引力。他希望Manus保持克制，又不能因为克制影响持续增长。

他不认为Manus会死于竞争。或者说，死于竞争的时候，产品已经到了非常好的状态。「你担心被断供，说明产品已经非常好了。」更大的可能性是失去独有的价值。

接下来几个月的重点是proactiveness，主动性。Agent的本意来自agency，能动性。之前大家关注结果呈现，现在又到了关注context的时候。

他举了一个场景：面试完人要在Ashby里写评价，面试过程用Notion和Granola记录。有了proactiveness，Manus可以每天早上在醒来之前先看Notion，把记录填到Ashby里，只问用户接受与否。解放用户的输入瓶颈，让agent的能动性发挥出来。

2026年agent会进一步爆发。目前agent对很多用户还是buzzword，但Manus 1.5之后收到用户反馈，说越过了生产力工具的门槛。之前agent是帮忙提效，不是主要生产要素。现在很多用户拿Manus 1.5作为工作主力应用，帮自己产生收入。

Manus 1.5并非突变，是把过去一系列更新打包，用新版本号让用户意识到变化。速度提升三到五倍，简单任务更快，复杂任务投入更多inference time。

季逸超对AI取代人的恐惧有一个反过来的看法：如果人类不喜欢的事都被AI取代，剩下的就是人自己。就像纺织机发明后，很多纺织女工不再做纺织女工，但获得了全新工作和生活。「对AI恐惧的核心在于你AI用得不够多。」

十年后的AI世界他不敢想象，只有三个月的视野。三个月后能看到proactiveness有很大进展，人跟AI交互时长变短，产出价值变高；还能看到一次较大的成本降低。

模型竞争没有终点。产品竞争也没有终点。移动互联网的稳态是用户时间被瓜分完，AI不占用用户时间，为用户创造价值，这个约束条件消失了。他还没想出来AI时代产生稳态的约束条件是什么。

现在像2018年。Transformer出来后的疯狂，BERT带来第一批应用，当前范式暴露问题，大家期待下一次阶跃。2019年的GPT-3可能是他心中那个阶跃点。

Scaling law没有停止。狭义看loss曲线还能降。广义看，即使模型能力没有解锁全新场景，现有场景的质量也不够。用户更在意质量，产品团队能进一步深挖。

Agent当前的大问题不在需求端，在完成质量。每个场景都还差一口气，这口气由模型能力、环境适配、context获取、整个ecosystem共同决定。比如人机验证拦住agent，有些网站不想让agent访问。Stripe在跟Manus做agent支付，这些基础设施进步会让事情更顺畅。

快问快答环节，他喜欢的食物是mac and cheese，喜欢的地点是北京，冷知识是海带不是动物，必读书是线条小狗画册。影响AI进程的论文，他不想说transformer，说了FLAN-T5。一个关键事实：接下来的进步需要用户的参与。

悲观预期是下个月死掉，所有创业公司一样。

我们没有权利活着，我们在努力获得一个活着的权利。

乐观预期是让所有有高价值工作的白领都能获得一个二十四小时不断推理的AI伙伴。

如果Manus下个月死了，他会歇一会，太累了。

这期对话里最值得带走的判断有三条。

第一，通用agent和垂直agent并非替代关系。垂直agent服务专业人士，要求极高，一个环节做不好就是零分，专业人士会从风险控制角度看。通用agent服务有需求但做不了的人，是增强，并非替代。季逸超说，不以替换人的思路做产品，否则所有人都会从risk control角度审视你。

第二，应用公司的壁垒不在模型，在context engineering和数据飞轮。季逸超把模型训练外包出去，用token消耗量换影响力，让模型厂商帮自己改进模型。应用层留存用户使用轨迹和反馈，这是模型层拿不到的数据。Cursor、Windsurf能用较低成本在预训练基座上开发出frontier level但专门适配自己的模型，靠的就是这个飞轮。

第三，AI创业的成本结构变了。边际成本不为零，token消耗随用户量线性增长，一天烧几十万美金是常态。季逸超反复说正向现金流的重要性：Monica赚的钱让他们在做第二个曲线的决策时既大胆又理智。没有正向现金流，你会在焦虑中做出短视选择。

如果你在做AI产品，可以问自己三个问题：你的产品是让人更高效，还是让人被替代？你的context从哪来，别人能不能拿到同样的context？你的成本结构撑不撑得住用户量增长十倍？