Manus 邀请码秒过？我的 Manus 初体验
初探Manus AI Agent：通用AI助手的真实边界在哪？
Manus的热度终于降下来了，申请的邀请码也顺利到手，于是有了这次正经的初体验。严格来说，这是第一次真正上手使用这类Agent AI产品——之前看过Devin AI的Demo，也长期在用Cursor，但这些Agent基本都集中在编程领域。Manus官方给自己的定位是通用的AI Agent产品，具体的边界到底在哪，只有用了才知道。
初次上手：与Devin AI、Cursor的异同
左下角的“知识”按钮，本质上是记忆功能。之前用Monica时也见过类似设计——可能团队认为这能提升模型的使用体验。但实际用下来会发现一个矛盾：每次提问的问题往往不同，频繁调用同一份记忆，回复的准确性反而打了折扣。“记忆”这个功能确实诱人，但眼下几乎没有产品能把相关体验做到位。
核心设计：把Agent的工作流程透明化
产品的完成度相当高，能感觉到Manus的产品经理从一开始就做了精心设计。最关键的设计思路，就是让整个Agent的工作过程完全可见——浏览了什么网页、执行了什么命令、遇到了什么错误、又是如何解决的，整个工作流的步骤异常清晰。右侧有个“Manus的电脑”窗口，可以直接看到Agent在虚拟机里的操作；网页既可以在虚拟机内打开，也可以在自己的浏览器上新建标签页查看。
为什么这么做？这得从AI应用的体验说起。DeepSeek R1作为推理模型，发布时热度远超OpenAI的O1，一个重要原因就是团队把模型的思考过程展示给了用户——整个思维链、中间的推理、时而出现的“aha moment”，都让推理过程变得更加具象。正是这种具象化，与传统Chatbot的一问一答形成了巨大的体验差异。
Manus显然也希望做出同样的差异化体验，因此展示了Agent思考和执行的完整过程，甚至保留了整个过程的可回放视频。这样即使没有亲自使用产品的人，也能完整感受整个流程。下方还有一个进度条，可以随时跳到Agent思考和执行的任意时间切片。
痛点：任务执行成功率与需求理解问题
产品体验是一方面，不好的地方也正如之前所料——任务执行的成功率显然不高。第一个任务基本上可以说是失败的。尽管整体执行路径没有大错，需求是希望收集一些相关网站并用一个网页展示出来，结果一开始需求就被理解错了。
这里有个关键差异：ChatGPT的Deep Research在收到需求后会先反问，目的是对要求进行更详细和准确的梳理；而Manus在输入完指令按下回车后就直接开始干活了——到底有没有理解需求？任务目标是否达成了共识？最后发现，从开始就有个需求理解错了，运行到一半就对整个任务的成功不抱希望了。
让Agent一收到命令就开始干活，初衷当然是为了真正解放人类的双手——毕竟对话框一开始就提示，Agent干活时用户可以离开。但后续类似产品还是应该提供step-by-step的选项，基于每一步的结果允许用户做补充，或者对中间结果进行选择和丢弃。模型的长链条推理是整个使用过程中最主要的成本来源，如果能在错误发生时及时停止，不仅能提升用户体验，还能大幅降低产品成本。
否则AI Agent很容易陷入“一步错，步步错”的困境。这种情景很可能源于大语言模型的幻觉——就像有时模型会重复吐字，又或者DeepSeek R1聊到量子力学、黑暗森林法则时就开始放飞自我。
至于任务的执行时间，当然是因任务而异，但这其实是最不需要担心的——随着技术发展，速度体验的提升是可以预期的。
