鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

全网首个爆料Manus裁员消息的人,如何看待其彻底撤出中国一事?

编程导航
编程导航
2025-07-13 12:30
阅读 98
编程导航
2025-07-13 12:30
阅读 98

7月8日笔者独家获悉,年初爆火的AI Agent公司Manus(北京蝴蝶效应科技有限公司)近期对国内进行大规模裁员,120名员工中,除40余名核心技术人员迁往新加坡总部,其余皆被裁员,并且将总部从中国迁至新加坡。

作为全网首个发布Manus裁员消息的人,笔者万万没有想到,这一消息最终会引发如此广泛的讨论。

过去五天里,数亿人次在多个社交平台及 AI 行业圈进行热议。彭博社(Bloomberg)、The information等多家外媒也对此事进行报道。

事实上,凭借“全球首个通用AI智能体”产品惊艳亮相仅不到四个月,如今,Manus公司不仅选择大规模裁员,而且将微博、小红书等国内社交平台清空,官网屏蔽一切中国IP访问“Manus在你所在的地区不可用”,并全面删除与阿里的合作承诺。

这家AI Agent新贵最终以最极端的方式“宣告”其下一步的计划:毅然离开中国,Manus将成为一家新加坡公司。

复盘整个事件,Manus最终“塌房”并陷入国内舆论旋涡的点在于,“昙花一现”的Manus并不像DeepSeek一样覆盖国外、国内市场,而是在中美AI博弈之下,以及字节、百度等大厂都在发力AI Agent之际转向海外,这让更多人产生疑虑和不解。

针对国内裁员一事,7月8日,Manus方面向笔者作出媒体统一回应:“基于公司自身经营效率考量,我们决定对部分业务团队进行调整。公司将继续专注核心业务发展,提升整体运营效率。”

Manus联合创始人兼CEO肖弘也在即刻平台表示,想要在全球化的市场里做好产品,有很多不是来自业务本身和用户价值本身的烦恼,偶尔也会想起上大学时的偶像发饭否的那句话“多少艰苦不可告人”。但这一切是值得的。一方面因为旅程本身就有很多开心的、让自己和团队成长的事情。另外一方面,如果最后有不错的结果,证明作为中国出生的创始人,也能在新的环境下做好全球化的产品,那就太好了。

笔者了解到,随着硅谷投资机构Benchmark的资金支持,Manus未来最大发展目标可能是美国市场,从而脱离国内AI市场,打造成一款面向海外市场的通用AI Agent公司——肖弘口中的“全球化”。

曾10万元一个邀请码的公司,如今选择撤出中国

简单介绍一下Manus,该公司由33岁的中国创业者肖弘于2022年创立,曾推出主攻海外市场的AI浏览器插件Monica。

Manus公司主要有两个工商主体:北京蝴蝶效应科技有限公司,以及北京红色蝴蝶科技有限公司,后者最终实际控制权在开曼群岛。

其中,天眼查显示,北京蝴蝶效应科技有限公司成立于2022年4月20日,目前法定代表人为肖弘;而Manus背后另一个主体Butterfly Effect (Hong Kong) Limited于2023年成立于中国香港,对北京红色蝴蝶科技有限公司拥有100%的实际控制权,目前法定代表人为冯琼花。变更记录显示,肖弘于2023年3月退出该公司股东。

利用Butterfly Effect (Hong Kong) Limited,Manus还于2023年8月在新加坡注册Butterfly Effect,两者均由开曼群岛的同名实体全资控股,办公地点位于新加坡桥北路附近。

今年3月,Manus团队对外发布同名的AI Agent(智能体)平台,将其称为“全球首款通用智能体产品”,一夜爆火。而Manus的“横空出世”让不少用户惊呼神奇,使用者只需要给Manus一个简单的指令,它就能自动完成复杂的任务,不仅提供建议或答案,还能直接交付完整任务成果,利用对话实现筛选简历、研究房产、分析股票等,并在GAIA基准测试中取得了SOTA成绩,引发广泛关注。

然而,由于当时大家需要内测邀请码才能体验Manus,因此,一度在社交平台上掀起“求邀请码”的热潮,闲鱼等二手交易平台上,Manus内测码甚至“炒到”10万元一个,并登上了微博热搜。

事实上,Manus的团队并没有为其自研大模型。在基础模型方面,据Manus联合创始人兼首席科学家季逸超在X平台上透露,Manus使用了Claude和不同的基于阿里千问大模型(Qwen)的微调模型。

3月11日,Manus宣布将与阿里通义千问团队达成战略合作,称双方将在国产模型和算力平台上实现Manus的全部功能,“尽快将Manus的创新体验带给广大中文用户”。

5月13日,Manus宣布在海外开放注册,所有用户一次性获得1000积分奖励,每天可免费获得300积分以执行一项任务。在收费方面,Manus分别提供了每月19美元的基础计划、每月39美元的Plus计划和每月199美元的Pro计划。对于Manus的收费计划,许多网友认为其价格较高。

有外媒报道称,Manus背后的公司蝴蝶效应在由美国风险投资公司Benchmark领投的一轮融资中筹集了7500万美元(约合人民币5.4亿元),估值达到5亿美元(约36亿元)。不过,这项投资正在接受美国财政部的审查。

Manus AI创始人和部分投资人还讨论过,将中国业务和国际业务完全分开的可能性,近期完成B轮融资后,该公司计划将资金用于开拓新市场,包括美国、日本和中东地区。

随后,张涛在新加坡Super AI活动上表示,公司已将总部迁至新加坡。他指出,Manus代表着下一个ChatGPT时刻。虽然ChatGPT定义了人类如何与大模型互动,但这不是最终形式,主要是限制了大模型的真正潜力,最终人类需要使用的大模型能够比99%的人类更聪明。此外,张涛还宣布Manus与微软达成合作。

 左二是Manus联合创始人、CEO肖弘,左三是微软CEO纳德拉,右一是Manus产品负责人张涛

最终,不出意料的是,Manus团队选择撤出中国。

今年5月,其三位联合创始人Red Xiao(肖弘)、Peak Ji(季逸超)和Tao Zhang(张涛)以及其他高管已从中国迁至新加坡,该公司最近还在加州圣马特奥和东京开设了办事处。6月,张涛宣布,Manus总部从中国迁至新加坡。

到了今年7月,Manus终于进行“动刀”裁员。搜狐科技近期来到Manus位于北京海淀区的办公区,发现该区域仅剩十几人在工作。

多位前Manus员工对外表示,他们接到通知非常临时,入职几个月如今却被通知优化,需要重新再找工作。

而同时,Manus在新加坡进行招聘。笔者独家获悉,Manus近期已经在新加坡本地招聘,岗位包括AI工程师、数据科学家、软件开发经理等,薪资在每月8000美元-16000美元,约合人民币11万元/月,年薪超过130万元。

Manus的海外社交平台X上的账号依旧保持更新,该账号显示位置为“新加坡”。据悉,目前Manus高管们正在全球巡回,已抵达旧金山、巴黎、尼泊尔、摩洛哥和斯洛伐克等地,与开发者们进行交流。

如何看待Manus彻底撤出中国?

“如果我们希望 Manus 长期存在,只有一个可能性:成为世界级的公司。”肖弘曾于6月12日在其即刻账号上写道。

正如肖弘所讲,一开始Manus团队就是希望建立全球化,而非在国内这种“内卷”环境中生长。有行业人士对笔者表示,海外对于AI Agent的关注度和技术落地速度,远比国内更快、需求更多。

至于Manus将总部迁入新加坡的原因,主要有两种声音:一是,Manus拿到硅谷顶级风投Benchmark领投新一轮融资后,由于中美AI投资有所限制,促使Manus将总部迁入海外;二是中美AI竞争加剧的大背景下。

盈理律师事务所合伙人夏洛克在文中指出,由于Manus作为一家中国AI企业,接受美国投资机构Benchmark的投资,可能撞上了Reverse CFIUS规定的限制禁区,再加上其影响较大,目前正在接受美国监管部门的调查。而Reverse CFIUS的监管核心是“限制美国资本和高端技术流向中国AI行业等关键领域”,但为了防止过度阻碍常规AI技术流动,因此在禁令之中对高端AI技术设置了一定门槛——包括是否涉及“开发”AI系统,批量生产前的任何阶段,包括设计、实质性修改等,以及其模型“训练计算量”是否达到更高量级——只有同时达到这两个门槛才会触发禁令管制。

夏洛克认为,从最坏的情况来考虑,若像Manus这样仅 “调用” 其他AI大模型的行为,都被要求合并计算底层第三方大模型的计算量,进而被纳入 Reverse CFIUS 的管辖范围,企业未来的发展路径将面临严峻挑战。而当前市场上,大量 AI 创业公司的核心模式正是“调用”第三方大模型,甚至在此基础上进行 “微调”,一旦这类模式被Reverse CFIUS纳入监管,将直接导致双币基金或美元基金无法对其投资,众多企业的融资渠道可能因此遭受重创。

因此,夏洛克强调,随着美国管制法案与禁令的落地,Manus这一“选边站”的典型案例,或许会成为越来越多企业必须直面的现实问题,也必然是中国企业与投资机构紧盯美国 AI 投资限制政策的核心关注点。

事实上,无论是Manus,还是不断自救的国内AI Agent明星公司澜码科技,他们都属于个例,AI Agent技术路线发展仍然是大势所趋,只是在于,国内AI Agent智能体如何商业化是一个严峻课题。

据CB Insights数据显示,2024年,AI Agent初创公司共完成投融资38亿美元,同比(2023年)增长了3倍。同时,所有大型科技公司都已开始开发AI代理或为其提供工具,应用于金融服务和保险、医疗保健、工业等领域。

全球1276家估值超10亿美元的科技独角兽公司当中,2025年新增了53家独角兽公司。而每五家新晋独角兽公司中就有一家是AI Agent智能体公司,包括Hippocratic AI(医疗保健)、Cyberhaven(数据安全)和Parloa(客户支持)等12家公司正在研发AI Agent技术。

实际上,AI 智能体可以用最少的干预帮助客户完成复杂的任务。2024年第四季度,很多企业财报电话会议上 AI Agent的提及量环比增长了 4 倍。CB insights预计本季度,AI 代理的提及量有望再次翻番。

CB Insights认为,当前模型成本以每12个月下降约10倍的速度正在下降,而开源和闭源模型之间的性能差距正在缩小,这为发力 AI Agent智能体应用创造了条件,目前OpenAI、Anthropic、微软、谷歌、字节(扣子)、百度等国内外企业都在发力AI Agent技术,通过推理、记忆、工具使用、规划等方式实现AI智能体落地。

该机构预测,随着AI能力提升,预计会有更多初创公司进军自动驾驶领域。推理能力和记忆能力的提升将带来更复杂的决策、适应能力和任务执行能力。

IDC最新报告指出,中国企业AI智能体(Agent)应用虽仍处于追赶全球的阶段,34%受访企业开展测试验证,30%进入“加大投入+采购培训”阶段。但在技术成熟度、成本优化与行业接受度的三重拐点叠加下,已突破实验室场景,在金融、制造、零售等流程标准化程度高的领域形成规模化落地。

IDC预计到2028年,中国企业级Agent应用市场规模估计将超过270亿美元,并将呈现多模态能力融合处理跨系统任务、具身智能渗透物理场景、多智能体协作网络实现全流程自动化三大核心特征。

IDC中国人工智能与自动化高级分析师杨雯表示,2025年企业级AI技术的核心价值在于通过跨工具链协同实现复杂任务自主执行,推动企业从流程提效向决策智能化跃迁。当前AI Agent与生成式AI呈现不同发展路径——前者需突破跨系统数据安全与动态任务编排难题,后者则要解决内容生产“规模化与个性化”的矛盾。优先从高价值场景切入,如AI Agent聚焦供应链优化、客户服务,生成式AI深耕内容创意与精准投放,结合自有数据与厂商技术构建“数据-模型-应用”闭环,在智能化转型中抢占先机。

总结来看,Manus走向海外已经成为必然,希望其能到海外大放异彩。而从国内来看,AI Agent智能体技术前景广阔,但落地依然需要很长时间。(本文首发于钛媒体App,作者|林志佳,编辑|盖虹达)

原文链接: 全网首个爆料Manus裁员消息的人,如何看待其彻底撤出中国一事?
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230