Manus 決定出售前最後訪談：AI 沒有蠻荒期，因為沒新平臺
移動互聯網的蠻荒期來自硬件換代，桌面到手機讓巨頭和個人開發者眾生平等；AI 技術突破更大，卻沒有出現全新平臺，所以巨頭、創業公司、個人開發者反應一樣快，蠻荒期不存在。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
AI 沒有蠻荒期，因為沒新平臺
季超把移動互聯網的機會歸因於硬件媒介換代：桌面到手機，BAT 和海外大廠跟個人開發者一樣眾生平等，誰都在試，所以有一段蠻荒期。他認為 AI 雖然技術突破更大，但沒有出現一個全新的平臺，結果巨頭、創業公司、個人開發者反應一樣快、動作一樣乾脆，蠻荒期不存在。這個判斷直接解釋了他後來為什麼不做模型、只做應用。
— 季超GPT-3 讓他當場決定賣掉公司
Maggie 團隊從 2014 年底做到 2018 年，自研兩個約 0.3B 的模型，從預訓練做起，還自己解決 16K 長上下文。拿到 GPT-3 early access 後，他隨便寫了個 prompt，發現對方跟他們自訓的端到端模型五五開。他意識到：雖然現在很貴，但它是通解。此前 NLP 圈做信息抽取、機器翻譯、客服系統的人涇渭分明，GPT-3 把這條心摁死了。他的第一反應是趕緊賣掉公司。
— 季超搜索引擎不是技術問題，是數據源問題
Maggie 從爬蟲到索引全部自建，沒用任何第三方搜索，他稱那是自己工程能力的巔峰。但結論是：再做一個新搜索引擎不看好，因為很多數據源跟 Google 已經形成互利互惠的可循環關係，攪局者無法重複 Google 過去二十年積累數據源這件事。他由此總結產品失敗的兩個原因——技術和非技術，以及「早一步是先驅，早十步是先裂」。
— 季超瀏覽器插件是絕佳的觀察窗口
他選 Monica 的理由不是產品形態，而是觀測無偏：它不改變用戶習慣，用戶仍在用 Gmail、看 YouTube，軌跡沒被強行改。更關鍵的是插件按 context 分發功能——視頻理解只在看 YouTube 時出現，改寫只在 Gmail 或 Google Docs 裡出現，消解了功能疊加帶來的複雜度爆炸。他引用 GitHub 那句話：Everything added dilutes Everything else。插件甚至不算產品形態，是一個空的 container、空的畫布。
— 季超發一款不酷的產品會把你拖進自證循環
放棄 AI 瀏覽器後他給出的判斷：如果一個產品做完你自己覺得不太酷，就別發——你本該是最喜歡它的人，你都不喜歡，怎麼奢望用戶喜歡。更實際的理由是機會成本：負責任的團隊發了產品就要持續維護，會進入自證循環，錯過明明更有價值的新機會。但他也留了分歧面：如果別的團隊已經把瀏覽器做到自己滿意的程度，進入自證循環是對的，沿著那條路可能長出完全不同的產品形態。
— 季超Cursor 暴露了編程是通用能力
讓團隊轉向 Manus 的觀察是：公司裡運營同事用 Cursor 寫博客，數據分析同事用它做分析和可視化。Cursor 本來是最專業的 IDE 形態，卻湧進大量非目標用戶。他們站在同事身後看：左邊是代碼，右邊是跟 AI 聊天的窗口，不會寫代碼的人靠對話讓 AI 以代碼為媒介完成非編碼任務。結論是編程不是垂直能力，是解決通用任務的媒介；Cursor 的形態對他們不是最優——應該跑在雲上、代碼不該是主要呈現、面向 prosumer 而非專業工程師。
— 季超Manus 一月就做完了，故意壓到三月發
Manus 從 2024 年 9 月底開始做，到 2025 年 1 月中基本做完，但季超決定不馬上發。當時能拿到的最好模型是 Claude 3.5 Sonnet V2，初步具備 agentic 能力但缺乏真正的 reasoning。他聽到 rumor 說兩個月後會有一次模型發布，於是選擇多花一個半月打磨產品，把發布時間跟下一次模型迭代對齊，讓產品發布一瞬間享受最大的代際提升、吃到模型溢出。
— 季超Monica 的 1200 萬 ARR 讓他們敢豪賭
做瀏覽器燒的錢不多，投入人力也就十幾個人。當時 Monica 已有接近 12 個 million、即 1200 萬美金的 ARR，而且是盈利產品。他強調口徑：ARR 是 MRR 乘以 12，不能把一個月內獲得的年付算進當月，內部只看 Stripe 和移動端的 MRR 數據，否則有太多種方法把數字造大，那是自己騙自己。正因為有正向現金流產品，做第二曲線時才能既大膽又理智。
— 季超agent 的 input/output 比例是 100:1 到 1000:1
chatbot 時代做成本估算，input 和 output 的 token 比例一般按 3:1 算——因為 transformer 裡 input 是 prefilling，可並行、compute bound，output 是 decoding，bandwidth bound，定價差很多。但在 Manus 這樣的 agent 中，input 跟 output 的比例是 100:1 到 1000:1，取決於 task type。output 長度差不多的情況下，input 長度就是幾十倍甚至上百倍的差距。這解釋了為什麼 2025 年初沒人預料到 token 消耗量會指數級增長——輸入輸出比例變了。
— 張濤200k 以上的 context 已經不重要了
他提了一個暴論：比起更長的 context，更重要的是讓模型具備 compaction awareness，也就是對壓縮這件事的意識。如果上下文長度無限單調遞增，即使有 kv cache 讓延遲和成本較低，它仍然是一個增長的過程，不值得。更重要的應該是讓模型知道「我現在 context 已經很長了」，能不能把一些信息 offload 到文件系統裡，就像人把記憶整理成文檔放進 Notion，下次知道什麼時候去拿回來。模型要能明白這段東西不是憑空消失了，是被壓縮了。
— 張濤reasoning model 平移到 agent 場景效果反而下降
把為解決競賽編程或數學而設計的 reasoning model 直接平移到 agent 場景，效果是下降的：instruction following 能力下降，出現幻覺和幻覺攻擊調用的概率提升。正確的做法是 interleave thinking——按 ReAct 的框架，獲得一個 observation 之後不要立即預測下一個 action，而是做一段相對短暫的中間 reasoning，想想之前做了這些事、下一步該做什麼。而不是像 O 系列模型解數學題那樣，用戶給了很短的問題，譁就想了幾千個 token 全在腦內。
— 張濤Remote Labor Index 上 Manus 是 SOTA，完成率 2.5%
scale.ai 發布了一個新 benchmark 叫 RLI（remote labor index，遠程勞動力指標），Manus 是 SOTA 第一名，戰勝了 Claude、Gemini 這些競爭對手。評判標準是：這個 AI 系統完成的工作，能否讓一個現實的客戶願意為之付款，且無法區分是人類還是 AI 完成的。但完成率只有 2.5%，離百分百很遠。他看中這個 benchmark 是因為它契合通用 agent 的衡量指標——能完成多少遠程工作者能完成的事。樂觀一點，也許到 26 年能刷到 20、30。
— 張濤不要把人因為生而為人的限制搬給 agent
很多做 agent 的公司有慣性思維，要讓 multi agent 系統分為 designer、programmer、manager 這些角色。他認為這不對：人類社會會有分工，是因為哪個人都不太全能，組織架構下大量信息在通信之間損失了，合作中增加了很多摩擦。而模型是比人更加全能的東西，應該充分利用模型的優勢，不要生搬硬套人帶來的這套約束。做通用 agent 是在做一個能完成人做的事情的系統，但不該用人的分工或特化去要求模型。
— 張濤邀請碼不是營銷，是雲廠商說放開會掛
發布前跟所有云廠商和 inference provider 聊完，驚訝地發現世界上能夠在第二天立即到位的算力比想像中少太多。所有使用的雲和模型廠商都沒法提供這個量，Cloud 說你們千萬別放開，你如果放開我們會掛。所以唯一的選擇就是控量，控量的方法就是邀請碼。他承認有更好的做法，比如定向邀請而不是明確的碼。後來不到一個月就把邀請碼去掉了。他直接說：如果我們在三月份發布的時候，如果沒有任何付費宣傳我死全家。
— 張濤大規模個性化不必走參數更新
他判斷 mass personalization 不一定要用 online learning 或參數化方式完成——給每個用戶掛一套不可複用的參數（如 multi-lora 方案）反而拉低推理效率，因為降成本、降 latency 靠的是規模效應。真正值得區分的是「持續學習」和「在線學習」：只有當任務的理想分布隨時間改變時（他舉金融市場，今天的正確答案不一定是明天的正確答案），在線學習才有價值。現在很多所謂 online learning 的實踐，本質只是 on policy 的數據收集加週期性優化，任務本身沒有動態性，很快會把 benchmark 打透，沒有持續提升空間。
他給 agentic 模型的四條建議
第一，與其無限擴展 context window，不如讓模型學會 compaction awareness——意識到自己的上下文可能被壓縮，並知道如何向文件系統 offload 和 retrieve。第二，reasoning 的優化目標不要做成純「缸中之腦」，要考慮結合 observation，即 TIR（Tool Integrated Reasoning），這跟完全靠 RLVR 去解競賽編程和數學是兩條路。第三，交互模式：chatbot 場景是用戶與模型交替執行、你等我我等你，而 Manus 剛出來時讓人新奇的是 agent 持續工作時用戶可以隨時插嘴——改目標、補信息甚至終結它，很多模型還沒掌握這種異步交互。第四，error resilience：真實環境裡錯誤是常態，最好的模型應該永遠能找到另一條路去嘗試，這需要專門訓練。
從 CBA 打到 NBA 的自我定位
他把這次創業描述為第一次充分參與全球競爭，內部開玩笑說是「從 CBA 打到了 NBA」。即便 Manus 現在可能已經 100 個 millionaire（他原話如此），橫向看各行各業的頭部選手，又覺得自己不算什麼，可能只是 NBA 的平均水平。成本結構也完全不同：移動互聯網時代看得到 IGA 行為、邊際成本很低，現在從 Manus 上線第一天起基本就是幾十萬美金、幾十萬美金在燒，上來就是挺重資產的投入。
技術對產品有一票否決權
產品和模型誰話語權更大？他的回答是技術服務於產品，但技術對很多事有一票否決權：產品可能有一些非常誘人的快糙猛做法，比如是否放棄純沙箱這個想法改用快速 fix，這種情況無論他還是技術都會站出來直接阻止。他明確反對投票這個概念，認為投票是在異化團隊——大家會為自己的觀點服務，應該看著目標而不是投票的手段，目標一致就一定能達成共識。討論中沒有人強勢，但會期待 Red 來做最終拍板；討論的價值不是討論出結果，而是提供更多 alternatives。
Manus 最大的隱憂是失去特色
從外看，他心裡的最大隱憂是 Manus 失去特色；從內看，最害怕的是 Manus 變得複雜。他引用 GitHub 那句話——每增加一個功能，都在吸食所有別的東西——所以希望 Manus 保持克制走下去，但又不能因為剋制而影響持續增長。至於會不會死於競爭，他認為 Manus 更大的可能性不是因為競爭而輸掉，而是失去獨有的價值之後用戶離開，那也算競爭，所以答案是：Manus 有可能因為競爭而死掉。
楊樂坤離開 Meta 是積極信號
他認為楊樂坤在業界是值得尊敬的泰斗，但在一家商業機構內做這樣的角色自有其痛苦之處，能找到自由空間去做研究挺好，同時也給 Meta 解放了很多思想負擔，Meta 可能會投入到一些更樸素且有快速成效的工作中。談到田淵棟，他特別推崇 latent reasoning 方向：RLVR 本質上是增加模型在 pass@1 下的穩定性，讓一次推理達到正確答案的概率更高，但模型能否解題仍取決於基座質量——非 RLVR 模型多次採樣大概率也能採出正確軌跡，這說明 RLVR 接近於用搜索方式解決問題，而採樣這一步本身就帶來了塌縮；latent reasoning 不做這次 sample，可以在近乎平行的維度同時考慮多種可能性，reasoning 效率更高，還能解決用戶視角下 latency 高的問題。
原話 · 已逐字校驗
但是創業就是這樣 你早一步就先裂 對吧 早一步是先驅 早十步就是先裂
但創業就是這樣，你早一步就先裂，對吧。早一步是先驅，早十步就是先裂。
季超23:12
如果一個產品做完 你覺得不太酷就別發 你都覺得不酷 沒人會覺得酷
如果一個產品做完，你覺得不太酷就別發。你都覺得不酷，沒人會覺得酷。
季超1:04:30
agent chatbot的最大區別是什麼 就是chatbot這整個系統裡只有兩個元素 人用戶以及模型 你們兩個之間以往復的形式去交互 但其實agent有一個第三個元素 是環境或者叫run time
agent 和 chatbot 最大的區別是什麼？chatbot 這整個系統裡只有兩個元素：人（用戶）以及模型，你們兩個之間以往復的形式交互。但其實 agent 有第三個元素，是環境，或者叫 runtime。
季超1:17:38
就像我有一部分 記憶就像人一樣 我這個東西 不用腦子裡一直裝著 人的記憶其實挺差的 就是我的工作內存很差 但是我會知道 這個事我可以整理成一個文檔 放在我的notion裡頭 我下次我知道 我該什麼時候去拿回來
就像我有一部分記憶，就像人一樣，這個東西不用腦子裡一直裝著。人的記憶其實挺差的，我的工作內存很差，但是我會知道，這個事我可以整理成一個文檔，放在我的 Notion 裡頭，我下次知道該什麼時候去拿回來。
張濤1:36:46
實際上模型是比人更加全能的一個東西 所以你應該充分利用模型的優勢 而不要生搬硬套人帶來這套約束
實際上模型是比人更加全能的一個東西，所以你應該充分利用模型的優勢，而不要生搬硬套人帶來的這套約束。
張濤1:52:53
如果我們在三月份發布的時候 如果沒有任何付費宣傳我死全家
如果我們在三月份發布的時候，如果沒有任何付費宣傳，我死全家。
張濤2:17:05
討論的價值我覺得不是說討論出一個結果 而是說更多人提供出更多的方案
討論的價值我覺得不是說討論出一個結果，而是說更多人提供出更多的方案。
Manus更大的可能性 不是因為競爭而輸掉 而是因為
Manus 更大的可能性，不是因為競爭而輸掉，而是因為……
數字與實體
| Manus 當前 ARR | 超過 1 億美金 | 1:13:36 |
| Manus 的 input/output token 比例 | 100:1 到 1000:1 | 1:31:42 |
| chatbot 的 input/output token 比例 | 3:1 | 1:31:42 |
| Manus 在 Remote Labor Index 上的完成率 | 2.5% | 1:45:51 |
| Manus 1.5 平均體感提速 | 3 到 5 倍 | 2:29:10 |
| Manus 上線首日起的日投入 | 幾十萬美金 | 3:00:29 |
| Manus 的 millionaire 數量 | 100 個 | 3:00:29 |
| 公司規模 | 100 人 | 3:04:33 |
| 此前帶過的最大團隊規模 | 10 人左右 | 3:04:33 |
術語
- compaction awareness壓縮意識
- 模型意識到自己的上下文可能被壓縮，並知道如何向文件系統 offload 和 retrieve。
- Remote Labor Index遠程勞動力指標
- scale.ai 發布的 benchmark，衡量 AI 完成遠程工作者任務、且客戶願意付款的比例。
- TIR工具集成推理
- Tool Integrated Reasoning，reasoning 結合 observation，而非純靠 RLVR 解數學題。
- RLVR可驗證獎勵強化學習
- 用可驗證的獎勵信號做強化學習，本質是增加模型在 pass@1 下的穩定性。
- latent reasoning隱空間推理
- 不做採樣，在近乎平行的維度同時考慮多種可能性，reasoning 效率更高。
收聽指南
正在做 AI 應用或 agent 的創業者、投資人和工程師，尤其是關心通用 agent 技術路線、成本結構和產品取捨的人。
3:18:45 之後關於楊樂坤、田淵棟和 latent reasoning 的閒聊，信息密度較低。