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

Manus“上岸”

编程导航
编程导航
2025-12-30 23:50
阅读 171
编程导航
2025-12-30 23:50
阅读 171

作者 | 黄昱、柴旭晨
编辑 | 周智宇

在被视作“AI Agent元年”的2025年收官之际,全球科技圈都沸腾了。

12月30日,Meta宣布完成对AI Agent初创公司Manus的收购。这家曾因发布通用智能体而在今年3月引爆全球讨论、又因技术路径激进而深陷争议的中国创业公司,最终站到了硅谷最核心的权力中枢之一面前,成为Meta人工智能战略中的关键一环。

Manus创始人肖弘,这位90后连续创业者,也将出任Meta副总裁。

这不仅是Meta成立以来第三大并购,仅次于WhatsApp和Scale AI,更是其在AI竞赛中一次带有“纠偏意味”的重仓押注——当大模型参数竞赛逐渐陷入同质化,巨头开始用真金白银投票给“能真正干活的AI”。

Manus无疑成为了AI大模型浪潮掀起近三年来,最快实现巨额变现的AI产品之一。 

Manus过去一年的命运可谓几经起伏:从“全球首款通用Agent”带来的行业狂热,到“套壳”“不可控”的质疑声浪,再到4月完成7500万美元融资、估值逼近5亿美元,并最终被Meta以数十亿美元快速收入麾下 。 

在这场交易中,Manus获得了进入全球最大AI生态之一的通行证;而Meta,则试图借助其执行型智能体能力,补齐自身在应用层长期缺失的一块拼图,打通整个Meta生态。某种程度而言,这场并购更像是一场双向救赎。

Manus背后站着的投资人,真格基金、腾讯、红杉中国等也将在这场资本盛宴中获得丰厚回报。

一位腾讯云专家工程师对华尔街见闻表示,AI大模型正从模型参数的竞争,演进到应用落地的竞争。也就是从比拼“谁的模型更大”,转向“谁更能解决用户问题”。

AI Agent 战火从年头烧到年尾,如今产品价值落地已然成为AI竞争的焦点。Manus被收购的意义已超越个案本身——它或许标志着一个时代的转折:AI竞争正从模型能力的炫技,走向真实场景中的规模化执行,而创业公司的舞台,也正在迅速向巨头集中。

Meta联姻Manus背后 

作为美股“七巨头”之一,Meta正积极推动自己从“社交媒体公司”转型为“人工智能公司”。

为了扭转在AI竞赛中的颓势,过去一年来,Meta在CEO扎克伯格领导下进入“高强度”战时模式,将争夺“个人超级智能”平台入口视为关键战略目标。

并购已然成为Meta快速赶超的重要武器。今年6月中旬,Meta才以近150亿美元的天价收购Scale AI49%的股份。这不仅是Meta迄今为止最大的外部AI投资,也成为史上最大规模的私营公司融资交易之一。

Scale AI被马克·扎克伯格视为“AI军火库”,几乎为包括谷歌、微软、OpenAI等在内的所有Meta的竞争者提供数据服务。

与此同时,创办了Scale AI 的28岁华裔天才少年Alexandr Wang,卸任Scale AI CEO并加入Meta,出任首席人工智能官(CAIO),主导新设的Meta超级智能实验室(MSL)。如今MSL已是Meta在AI领域的主要推进力量。

扎克伯格大手笔押注Alexandr Wang和Manus的背后,或与Meta在AI竞赛中的略显失落有关。

在由ChatGPT掀起的新一轮AI大浪潮中,Meta早期曾在开源大模型领域一度领跑,登顶最强开源模型王座,然而近年来,尽管投入巨资研发,但Meta内部大模型的研发进度缓慢,今年4月,发布的Llama 4大模型表现也严重不及预期,使其在与谷歌、微软、OpenAI等的竞争中处于追赶位势。

这样的背景下,Meta急需一场变革来扭转在AI领域的不利局面。以“数十亿美元+独立运营”的方式再次吸纳顶尖团队,算是延续了Meta在 AI 时代的“买时间、买能力”策略,与早前引入Scale AI核心团队的打法一致。

有互联网大厂投资部负责人告诉华尔街见闻,Meta需要Manus这样的能自动化完成复杂任务的AI产品来重构用户与平台的交互范式,以及强化生态协同效应,这个收购逻辑也是在意料之中的事。

Alexandr Wang 很快也在社交媒体上官宣Manus 团队已正式加入,并透露100 人团队整体打包。他特别强调,新加坡的Manus 团队在探索当今模型的能力潜力方面处于全球领先地位,致力于构建强大的智能体。

同时,Alexandr Wang还表示,MSL目前正在新加坡疯狂扩招,欢迎简历轰炸。

对于Manus 这样的创业公司而言,在这场竞争激烈的全球AI竞赛中,被巨头收购或许是其最好的归宿。在打响了AI Agent第一枪后,Manus也将进入下一个发展篇章。

Manus CEO 肖弘表示:“携手 Meta 使我们能够在不改变 Manus 运作方式和决策机制的前提下,在更强大、更可持续的基础上发展。我们对Meta与Manus 合作的前景充满期待。”

虽然有消息称,Meta收购Manus 的交易速度非常快,整个谈判过程前后不到十天。但Meta 创始人扎克伯格显然已经考察Manus很久,他告诉肖弘,自己其实是 Manus 的长期用户。

据悉,合并完成后,Manus母公司蝴蝶效应将在公司、团队和产品层面继续保持独立运营,同时与 Meta 旗下核心全球消费级产品进行深度整合。

Meta有 Llama大模型与WhatsApp、Instagram 和 Facebook等社交以及VR/AR生态,但缺乏能自主执行复杂任务的 “杀手级Agent 应用”,Manus 的 “执行者” 能力恰好填补Meta 丰富生态中的重要能力拼图。

未来,Manus 将服务于Meta平台数十亿全球用户和数百万企业,在实际使用场景中端到端执行用户交给的任务,为Meta抢占下一代超级流量入口。

对于整个AI 行业而言,此次Manus被巨头收购无疑是重磅且具标杆性的里程碑事件,

不仅意味着以Manus为代表的通用型 AI Agent的产品价值得到真金白银的认可,也标志全球AI竞赛正从“参数竞赛” 转向 “落地能力”,AI Agen进入规模化落地阶段。

2025年AI Agent元年即将落幕之际,以Manus被Meta收购为起点,不排除更多头部巨头将以并购快速补齐AI应用能力,一场“大模型 + 智能体 + 场景”的生态整合浪潮或将在全球范围兴起,行业进入“巨头收割期”。

 Manus的来时路

肖弘并非今年初才横空出世的硅谷新贵。

他最早在大约9年前就走进了顶级投资机构的视野。真格基金合伙人刘元回忆道,从2016 年的一场黑客松,到2025 年末新年钟声敲响前夕,从“小插件”到 Manus,从夜莺科技到蝴蝶效应,真格基金陪伴肖弘和他的团队走过了整整十年。

1993年生的肖弘是江西吉安人,毕业于华中科技大学软件工程专业,是个连续创业者,最早创立在2015年创办夜莺科技,推出壹伴助手、微伴助手等微信生态工具,后来其出售夜莺科技相关资产,完成财富与经验积累,转向AI赛道。

2022年,AI大模型浪潮兴起前夕,肖弘抓住时机创立Manus的母公司蝴蝶效应,并发布AI浏览器插件 Monica,定位为集成主流大模型的“通识型AI助手”,支持聊天、翻译、文案、作图等,采取“插件全家桶”策略并积极出海。

真正让肖弘和蝴蝶效应一炮而红是Manus。

2025年3月,彼时Sora的热度刚过,市场正在寻找下一个兴奋点。Manus就在此时,打出全球首款通用Agent的旗号登上台前。

与ChatGPT不同,Manus展示的能力是“干活”。在早期的Demo中,官方给出了极其性感的描述:当大模型还在对话框中输出建议时,Manus直接可以通过独立思考和规划付诸实践,在虚拟环境中调用各类工具,编写和执行代码、浏览网页、操作应用等最终交付成果。

Manus无疑开启了 AI Agent时代的序幕,定义了AI 时代或许最重要的 Agent 产品形态。

用肖弘自己的话来说:Manus 的诞生源于两个今天看来再正常不过的 idea,一个是应用和模型会相互牵引,螺旋上升;另一个是AI不应该只能“想”,还应该会“干”。

这种把AI带入现实的产品似乎要重构生产力边界,仿佛Manus就是那个即将终结传统操作系统的天选之子,市场也被瞬间点燃。

由于早期Manus采用了极度饥饿的邀请制,一时间全网都在求的邀请码被炒至上万元。

硅谷和中国的风投机构蜂拥而至。今年4月,蝴蝶效应完成7500万美元B轮融资,由硅谷风投公司Benchmark领投,投后估值被曝增长约5倍,达到近5亿美元。

然而,狂热来得快,去得也快。

进入5月后,随着拿到测试资格的用户增多,口碑开始出现断崖式反转。用户发现,为了完成一个复杂的任务,Manus需要在后台进行多次推理。用户往往盯着屏幕转圈等待5-10分钟,结果只得到一个“任务超时”。

从年中开始,Manus陷入了漫长的沉寂期,团队似乎有意切断了对外的声量,原本活跃的社交媒体账号也停止了更新。在今年7月裁员,团队转移至新加坡之后,外界质疑声四起,更有人嘲讽它只是个PPT。

就在所有人以为Manus将像无数昙花一现的AI创业项目一样悄然退场时,年终的一则重磅消息却让剧情迎来了反转。硅谷科技巨头Meta频频向Manus伸出橄榄枝,这只曾经的“当红炸子鸡”以一种意想不到的方式重回聚光灯下。

在Meta收购前夕,蝴蝶效应寻求融资的估值甚至喊到了20亿美元。从种子轮的1400万美元,到天使轮的5000万美元,再到B轮的5亿美元,直至最终数十亿美元的退出,Manus的估值在短短两三年内完成了百倍级的跃升。

在这场盛宴中,每一位入局者都赚得盆满钵满。

对于Benchmark、红杉中国、腾讯以及真格基金等早期投资人而言,这是一次教科书式的退出。特别是Benchmark,作为B轮领投方,在不到一年的时间里见证了估值的数倍翻番。

如今回看,Manus的发展史其实是两条线索的交织。一条是明线:从年初的技术惊艳,到年中的落地艰难,再到如今被巨头看中,这是一条典型的技术成熟度曲线;另一条则是暗线:从中国的技术团队,到果断出海,这是一条关于生存与野心的商业博弈线。

 

风险提示及免责条款
市场有风险,投资需谨慎。本文不构成个人投资建议,也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资,责任自负。
原文链接: Manus“上岸”
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
🔥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