「Agent 可能是『對齊』的問題，而不是基礎(chǔ)模型能力的問題」

作者：宛辰

去年獲得最多精神養(yǎng)分的創(chuàng)業(yè)故事，來自 Dify 創(chuàng)始人張路宇。

第一次見到他是在 2023 年「西溪論道」活動上，現(xiàn)場一眾星光熠熠的名字中，張路宇三個字并不起眼。2024 年再次見到，Dify 已經(jīng)是另一個故事了——一位沒有光鮮背景的創(chuàng)業(yè)者，愣是在所有人都問商業(yè)模式的質(zhì)疑聲中，做出了全球最成功的 AI 開源產(chǎn)品之一。

一年的時間里在這家公司上發(fā)生的，比如意外在「因循守舊、易守難攻」的日本市場大受歡迎等故事，讓我進一步理解「創(chuàng)業(yè)」。多的是意外，更需要運氣，最終是要有本事在持續(xù)變化與事與愿違中摸出一條道路。

現(xiàn)在，相似的故事發(fā)生在另一位備受關(guān)注的創(chuàng)業(yè)者——Manus.im 肖弘和他的團隊身上。

4 個月前，肖弘提過一個困惑，「團隊擅長從 0 到 1，抓機會的能力很強，一旦開始 1 到 N，狀態(tài)就沒有那么好」。

在他過往的經(jīng)歷中，創(chuàng)業(yè)項目大都獲得了相對穩(wěn)定、可觀的營收，上一家公司也被成功收購。2023 年，他的新公司「蝴蝶效應(yīng)」更是以一款瀏覽器插件 Monica.im，在百模大戰(zhàn)的 AI 敘事中錯位競爭，成為增長最快、產(chǎn)品體驗極佳的 AI 應(yīng)用之一?？瓷先?，他是一路很順的創(chuàng)業(yè)者。做到這些事情，也才 32 歲。

但實際上，他并沒有太多爽感。在肖弘看來，所謂「連續(xù)退出創(chuàng)業(yè)者」、所謂不斷從 0 到 1 的爽感，像是圍城——從 0 到 1 抓機會的能力很強、很爽，但是反過來，也擔心會不會又需要再來一次。

2024 年，行業(yè)人士認為，像 Monica.im 這樣帶有記憶功能的 AI 助手，會面臨來自比如豆包這樣的強勁對手的壓力，做起來并不會像 2023 年那樣容易。Monica.im 有一個很好的從 0 到 1，但未必能沖擊 1 到 N。

而他之所以會困惑，也是因為「團隊接下來真的要做更難的事情、天花板更高的事情」，探索能夠跨越 1 到 N 的事情。

更早之前，很多關(guān)注 Monica.im 的聲音都假定這件「更難、天花板更高的事」是指傳了很久、但團隊遲遲未發(fā)布的 AI 瀏覽器。

現(xiàn)在看，確實，猜錯了。

這段更難的探索其實是：放棄已經(jīng)達到發(fā)布狀態(tài)的AI瀏覽器、尋找下一個「ChatGPT 時刻」的 AI 產(chǎn)品、找到了通用型 agent 這個目標、做出了最新發(fā)布的 Manus.im。

Manus 是什么程度的創(chuàng)新、未來能做到什么水平，現(xiàn)在已經(jīng)是一聊就炸了的話題。但值得看的，依舊是在「事與愿違」中找到的方向和找到方向的過程。Manus.im 未必就能讓這支團隊做成 1 到 N 的事情，甚至未必會復(fù)刻 Monica.im 的勢頭，但就像這家公司的名字——「蝴蝶效應(yīng)」，許多小的動作和決定無意間對未來竟有深遠的影響，「Connect the Dots」，明天的路會藏在今天的經(jīng)歷里。

01 Manus 的獨特產(chǎn)品體驗，源自做「AI 瀏覽器」的教訓(xùn)

去年中下旬以來，「蝴蝶效應(yīng)」團隊做 AI 瀏覽器成為行業(yè)「半公開」的秘密。正式對外亮相的產(chǎn)品，是引發(fā)失控般關(guān)注度的 Manus。

如果你親自上手體驗過 Manus，或者看過演示視頻，你會感覺到它和聊天機器人或一些類 agent 應(yīng)用相比，有一個明顯的不同：Manus 可以異步、并行執(zhí)行任務(wù)。

當你打開比如豆包、Kimi 或者類 Computer Use 等應(yīng)用，向它發(fā)一個問題，你要等它回復(fù)完。否則在它回復(fù)或者做任務(wù)的過程中跟它說話，上一段回復(fù)/任務(wù)就中斷了，你和它只能是 A-B-A-B 接力式的對話。

但是，在 Manus.im 里，盡管看著還是聊天機器人的產(chǎn)品形態(tài)，你卻可以提出比如 20 個問題讓它同步執(zhí)行任務(wù)。一旁的你可以在電腦上做其他任何事情，看視頻、寫文檔、打游戲等等，都不耽誤它工作。一旦這些任務(wù)有完成的或者執(zhí)行過程遇到問題，Manus 可以通知你。如果在執(zhí)行任務(wù)中途，你看到它的思考出現(xiàn)了偏差，也可以隨時在對話框補充提示詞，它會帶著新的上下文接著思考和執(zhí)行任務(wù)。

體驗是異步的、可以并行的，確實像有了一支可以幫你干活的真人實習生團隊。

事實上，Manus 對異步體驗的產(chǎn)品架構(gòu)設(shè)計，源自團隊在上一個未公開的產(chǎn)品——AI 瀏覽器中學到的一課。同時這也是團隊投入了很大精力、但在去年 10 月決定終止做瀏覽器的原因。

The Browser Company 于 2024 年 10 月 25 日宣布停止對 Arc 瀏覽器的新功能開發(fā)，決定將資源轉(zhuǎn)移到一款新瀏覽器 Dia 上，旨在打造一個更簡潔、更易用的 AI 瀏覽器。｜來源：Arc 官網(wǎng)

「在 AI 瀏覽器里，AI 在不斷打斷用戶?！挂驗樗菫閱斡脩粼O(shè)計的場景，AI 用了，你就用不了了，當 AI 開始工作，你只能看著 AI 工作，很難上手?？粗?AI 搶走了你的鼠標、電腦，你不僅不敢搶過來，而且還怕一不小心碰到鍵盤、鼠標導(dǎo)致它的整個流程崩掉需要再來一次。

這讓團隊做出兩個判斷：

1. 直接用電腦去做 Computer Use，短時間內(nèi)不太可行。

2. AI應(yīng)該用瀏覽器，但不是在你的瀏覽器里用，它應(yīng)該有自己的瀏覽器，這個瀏覽器最好在云端，最后把結(jié)果反饋給你。

在和騰訊科技張小珺的采訪對話中，肖弘提到團隊在總結(jié)從 Jasper 到 ChatGPT 到 Monica 到 Cursor 到 Devin 的產(chǎn)品形態(tài)時，發(fā)現(xiàn)「人類程序員」Devin 就很符合這個異步體驗的架構(gòu)。

它不像用 Windsurf 時，有時要讓你確認你的電腦要不要裝這個庫；或者它執(zhí)行一個命令行操作，讓你填 yes or no，因為它可能真會把你的電腦搞壞，或者是某個東西沖突——它讓你填「yes」才能到執(zhí)行下一步，但要甩鍋。

所以在 Manus 團隊看來，「Chatbot 應(yīng)該在云上有個電腦，把它寫的代碼、要通過瀏覽器查的東西都在那臺電腦上執(zhí)行。因為是虛擬服務(wù)器，壞了無所謂，可以再來一臺。它甚至可以在當前任務(wù)執(zhí)行完之后釋放掉那個服務(wù)器。」

值得注意的是，相比 Devin 選擇了垂直領(lǐng)域、硬核的工程師，Manus 團隊則選擇了通用型、消費級的 AI 助手，有 Web，也會有 App。它是一個可以根據(jù)指令，調(diào)用工具、完成與工作與生活中的各類任務(wù)的一款通用型 AI 助手，未來也會以一個消費級可負擔得起的價格交付任務(wù)結(jié)果。

02 Less Structure，More Intelligence

有了明確的思路和目標，下一步就是實現(xiàn)這個想法。Manus 到底是怎么做到的？

在其產(chǎn)品合伙人張濤看來，這需要給大模型配一臺電腦，同時也給它配系統(tǒng)權(quán)限（接入代碼倉庫、專業(yè)數(shù)據(jù)查詢網(wǎng)站等私有 API），并給予一定的培訓(xùn)。

這樣一來，AI 可以自己用這臺電腦打開瀏覽器，做動作去調(diào)度工具，再根據(jù)工具產(chǎn)生的反饋觀察它的動作對真實世界造成的影響，再思考下一步，再做動作，再觀察……這是 AI 在探索和調(diào)研中完成任務(wù)的過程。期間，Manus 也會在你的「調(diào)教」下越來越懂你的要求，未來即便你沒有清晰定義需求，它也可以根據(jù)一個個任務(wù)中沉淀下來的知識「揣摩圣意」。

華為天才少年、Logenic AI 創(chuàng)始人李博杰認為 Manus 有一眼不同于其他產(chǎn)品的厲害之處：以極客程序員的方式解決問題。｜圖片來源：微信截圖

Manus 產(chǎn)品的理念，在其團隊的產(chǎn)品實踐過程中逐漸明確：即 Less Structure、More Intelligence（更少的結(jié)構(gòu)，更多的智能）。

這也是讓 Manus 團隊產(chǎn)生一個個「A-Ha，Wait！」（驚呆了）的時刻。舉個例子，這是今年 1 月在團隊發(fā)生的一幕：

當讓 Manus 試著做 GAIA 測試集上的一個題目：「在一個類似國家地理風格的 Youtube 視頻鏈接里，各種企鵝們來來回回走出又進來畫面，讓 Manus 數(shù)一幀畫面里面同時出現(xiàn)最多種企鵝時，是有幾種？」

然后，神奇的事情發(fā)生了。

Manus 先是打開這個視頻鏈接，接著做的第一個動作是「Press K」，接著挨個截圖記錄哪一幀出現(xiàn)了哪種企鵝后，最后得出最多的一幀畫面有 3 種企鵝。Manus 接下來要回去檢查，它的下一個動作是「Press 3」……。最后檢查后給出答案就是 3。

作為建造 Manus 背后的人，理應(yīng)很了解它的能力邊界，但對團隊來說，真實情況是「總有驚喜發(fā)生」。意外的不僅是 Manus 做對了題目，而且，用了多年電腦和 Youtube 的人類朋友可能都不一定清楚，鍵盤上「K」「3」這些按鍵是什么？

看著有些恍惚的眼前一幕，團隊跟著 Manus 做了一遍，鍵盤上的「K」是暫停鍵，可以讓 Manus 暫停后挨個截圖記錄哪一幀出現(xiàn)了哪種企鵝后；「3」也是一個快捷鍵，從 0 到 9 分別代表進度條的 0% 到 90%，3 是進度條的 30%，可以精確定位到那個視頻的那一秒鐘，然后告訴人類這個畫面有幾種企鵝。

「這個過程跟傳統(tǒng)意義上的 Chatbot 不一樣。第一，它能看 YouTube 的畫面，而不是看字幕。第二，我們甚至發(fā)現(xiàn)它在用 YouTube 快捷鍵，非常震驚，它回答出來了這個問題?！剐ず朐诖饲膀v訊科技的采訪中也提到了這一幕。

突然就發(fā)現(xiàn)，Manus 不僅在編程上比人擅長，就連在人們天天使用的 Web、App 上，Manus 的知識量也遠超想象，作為一個全知全能的 AI，它可以在任何工具里了解所有途徑和手段，然后選擇最優(yōu)的方法。

這讓團隊再一次感受到了「Less Structure，More intelligence」——盡量減少人工對 AI 的限制，讓 AI 通過自己的進化來發(fā)揮作用，而不是教它怎么做。

在 Manus 官網(wǎng)的最底部，悄悄呈現(xiàn)了 Manus 背后最重要的發(fā)現(xiàn)：「Less Structure，More intelligence」。｜截圖來源：Manus

這是「蝴蝶效應(yīng)」聯(lián)合創(chuàng)始人、首席科學家 Peak 在 Manus 產(chǎn)品上線當天，對 Manus 產(chǎn)品背后最重要的第一性原理——「Less Structure，More intelligence」作出的闡述和延展思考：

當你的數(shù)據(jù)足夠優(yōu)質(zhì)、模型足夠智能、架構(gòu)足夠靈活、工程足夠扎實，那么 Computer Use、Deep Research、Coding Agent 等概念就從產(chǎn)品特性變?yōu)榱俗匀挥楷F(xiàn)的能力。

回歸第一性原理也讓我們對產(chǎn)品形態(tài)有了全新的思考：· AI 瀏覽器不是在瀏覽器里加 AI，而是做給 AI 用的瀏覽器；

· AI 搜索不是從索引召回再總結(jié)，而是讓 AI 以用戶的權(quán)限去獲取信息；
· 操作 GUI 不是搶奪用戶設(shè)備的控制權(quán)，而是讓 AI 有自己的虛擬機；
· 編寫代碼不是最終目的，而是解決各種問題的通用媒介；
· 生成網(wǎng)站的難點不是搭建框架，而是讓內(nèi)容言之有物；
· Attention 不是 all you need，解放用戶的 attention 才能重新定義 DAU；
· ···

一次次「Less Structure，More intelligence」的發(fā)現(xiàn)與實踐，Manus 產(chǎn)生了超出期待的效果，包括在 GAIA benchmark 中的 pass@1 分數(shù)超過了 OpenAI Deep Research 在 cons@64 下的成績；同時，在內(nèi)部測試中，Manus 也能夠直接覆蓋 Y Combinator W25 中 76% 的專用 agent 產(chǎn)品的場景。

03「Agent 可能是『對齊』的問題，而不是基礎(chǔ)模型能力的問題」

現(xiàn)在，這些洞察的含金量正在更大的范圍內(nèi)引起討論：

Hugging Face 創(chuàng)始人、CEO Clement Delangue 在 X 平臺提出 Peak 的發(fā)現(xiàn)值得思考：智能體的能力不是卡在基座模型上，而是像 GPT-3 與 InstructGPT（ChatGPT）的差別一樣，是對齊的問題。一些開源基礎(chǔ)模型被簡單訓(xùn)練成「無論問題的復(fù)雜程度如何，都能在一個輪次中回答完所有問題」，但這是聊天機器人場景中的要求，只需要對智能體的路徑做一些后訓(xùn)練，就能立即帶來巨大的不同。｜截圖來源：X

Manus 并未引入 MCP（《模型上下文協(xié)議》），而是讓 AI 能夠自己寫代碼去調(diào)用 API，來勝任各種各樣長尾任務(wù)。｜截圖來源：X

在過去幾天對 Manus 的討論中，聽到最多的一個問題是：「通用的AIAgent」行不行得通，邊界在哪里？

在 Peak 看來，因為人與世界的交互其實非常標準，有眼睛、手、耳朵，如果把 action space（行動空間）定義好，就應(yīng)該能把一個 agent 嵌入到一個本來由人來進行的一個環(huán)節(jié)中。

既然人能夠使用各種工具來完成垂直領(lǐng)域很深的操作，那么如果一個 agent 本身具有足夠好的知識，經(jīng)過了適當?shù)呐嘤?xùn)，又有很好的一個與世界交互的界面，它應(yīng)該能像人一樣工作，甚至可以讓這個 agent 用某個 SaaS 產(chǎn)品。比如在 Manus.im 官網(wǎng)呈現(xiàn)的一個找房子的案例，其實就是讓 AI 用一個房地產(chǎn)領(lǐng)域?qū)Ｓ玫?SaaS 產(chǎn)品工作。

他認為，應(yīng)該定義清楚的是 agent 使用工具的邊界，而不是它為哪群人服務(wù)。Manus 不是在模擬一個干具體事的一個人，不是比如按照研發(fā)、產(chǎn)品經(jīng)理等劃分的角色智能體；而是在模擬一個能干事的人、是模擬一個實習生是怎么工作的。

Manus 的多智能體系統(tǒng)（Multi-agent system），指的是規(guī)劃（Planning）和執(zhí)行（Execution）的分離。

在執(zhí)行器（Executor）上，Manus 采用了在編程、以及長程規(guī)劃和逐步解決問題的能力暫時領(lǐng)先的 Claude，也在用 Qwen 的一系列模型做后訓(xùn)練。

昨天，Manus 也與阿里通義千問達成戰(zhàn)略合作，致力于在國產(chǎn)模型和算力平臺上實現(xiàn) Manus 的全部功能。｜圖片來源：Manus

在規(guī)劃器（Planner）的部分，Manus 則做了很多工作。

由于目前市面上的貨架 API 或者說模型，本質(zhì)上是為聊天機器人的場景做對齊的，在訓(xùn)練的時候，無論用戶提了一個多么復(fù)雜的問題，其訓(xùn)練的優(yōu)化目標都是在一個回復(fù)里把用戶的問題回答清楚，但這其實跟 agent 所需要的 planning 完全相反。

所以如果把市面上現(xiàn)有的模型直接用在 agent 場景，并沒有「對齊」，這個模型永遠會急功近利地在一輪對話內(nèi)給出一個「稀里糊涂」的結(jié)果，就像很多 bullet point 總結(jié)。

「對齊方式會應(yīng)該不一樣，我們團隊認為，需要不同數(shù)據(jù)去專門做對齊」，肖弘說。

去年 10 月，Peak 在知乎也記錄過一個嘗試復(fù)現(xiàn) OpenAI o1 興趣項目——Steiner 開源模型的進展與失敗，實際上這個項目恰是在做 Manus 規(guī)劃器部分 step by step planning（一步步規(guī)劃）的預(yù)研。

總體上，Manus 是在模擬一個做事的人，這是團隊對 Manus 作為通用型 AI 助手的產(chǎn)品定義。至于對其邊界的思考，團隊大概率也仍在探索中，需要更多的用戶使用案例。

在 Manus 發(fā)布前放出的騰訊科技采訪中，肖弘其實已經(jīng)提到了對 Manus 通用性所在的初步思考，「一個很核心問題，或者說產(chǎn)品經(jīng)理很重要的一個職責，是控制好用戶預(yù)期。假定它能干世界上所有事，比如：我要怎么賺 100 萬美金？這本來就不是應(yīng)該由一個 Agent 去執(zhí)行的事情。但如果我們能夠給出更多更具體的例子，讓大家的預(yù)期更合理，大家會用起來更順暢?！?/p>

04「殼有殼的用」，最懂殼的團隊

2 月 27 號凌晨，Manus 產(chǎn)品合伙人張濤和首席科學家季逸超（Peak）看到 Manus.im 打榜成績出來的一瞬間，兩位都落淚了。Manus 在 GAIA Benchmark 上的成績超過 OpenAI 的 Deep Research，而且以 OpenAI 打榜時 1/10 左右的成本（2 美元/任務(wù)）做到了這個意外的成績。

圖片來源：Manus.im

幾十人的團隊，在 agent 達成全行業(yè)共識的競爭態(tài)勢之時，成為第一波做出通用 agent 產(chǎn)品的團隊之一，在產(chǎn)品工程、前端交互體驗上，也有獨特性。

做成事情的正反饋，勝過所有。對創(chuàng)業(yè)團隊來說，沒有比這更好的激勵了。但在這之前，Manus 是怎么發(fā)生的？為什么是這個團隊做出來的？

「今天的模型能力是能夠完成一些復(fù)雜、多步才能搞定的任務(wù)。只是沒有這樣的產(chǎn)品，所以大家感受不到?！?/strong>肖弘在此前騰訊科技的采訪中提到的洞察可以用來理解這一問題。