Manus

Manus 是由张涛（hidecloud）联合创立团队开发的通用自主 AI Agent（智能体）平台与系统。该系统聚焦于复杂长程任务的端到端自动化执行，具备浏览器沙箱控制、代码编写与执行、跨应用协同以及多设备管理能力。

在 2026 年迭代至 Manus 2.0 后，系统进一步演化出 Automations（外部事件触发任务）、Manus Studio、Video Editor（代码驱动动画与图生视频能力）及云端/本地混合执行机制。在工程与组织层面，Manus 团队坚持“吃自己的狗粮（Dogfooding）”理念，通过持续使用自研 Agent 改造产研、市场与管理工作流，沉淀出以 Manus-mono 统一脚手架、全栈构建者（Builder）、多人协同会话（Multi-Human Collaborative Session） 和 数字同事（Digital Coworker） 为代表的企业 AI 原生转型实践。

研发基础设施：Manus-mono（Mono 架构）

在传统多端产研模式中，前后端与移动端分工割裂，协作最大损耗发生于跨角色的人工对齐与联调。当引入 Agent 辅助开发后，分散在各个独立代码仓库中的架构使得 Agent 无法在单一上下文窗口内洞悉全局系统逻辑。

为此，Manus 团队构建了名为 Manus-mono（下称 Mono） 的工程架构。Mono 并非强行将全部异构业务仓库物理合并为一个巨型单体仓库，而是构建了一个面向 Agent 的统一入口与说明书：

flowchart TB
    subgraph Traditional["不用 Mono：5 人 + 5 个独立上下文 Agent"]
        direction TB
        P1["产品经理"] --> A1["智能体 (独立上下文)"] --> D1["需求文档"]
        P2["设计师"] --> A2["智能体 (独立上下文)"] --> D2["设计稿"]
        P3["前端工程师"] --> A3["智能体 (独立上下文)"] --> D3["前端代码"]
        P4["后端工程师"] --> A4["智能体 (独立上下文)"] --> D4["后端代码"]
        P5["移动端工程师"] --> A5["智能体 (独立上下文)"] --> D5["移动端代码"]
        D1 & D2 & D3 & D4 & D5 --> Handoff["跨团队人工交接与联调损耗"]
        Handoff --> Flow1["工作流：需求 > 设计 > 开发 > 集成 > 测试 > 运维发布"]
    end

    subgraph WithMono["使用 Mono：1 名构建者 + 1 个共享上下文 Agent"]
        direction TB
        B["构建者 (Builder)"] --> SharedA["智能体 (共享上下文)"]
        SharedA --> MonoBox["Manus-mono (统一知识入口与说明书)\n• 仓库地图\n• 开发规范\n• 界面规范\n• 发布流程\n• 线上调试"]
        MonoBox --> T1["需求文档"]
        MonoBox --> T2["设计规范"]
        MonoBox --> T3["前端代码库"]
        MonoBox --> T4["后端代码库"]
        MonoBox --> T5["移动端代码库"]
        MonoBox --> Flow2["工作流：提需求 > 全栈构建 > 本地验证 > 审批后上线"]
    end

Mono 的核心设计与演进经历了五个递进阶段：

全局视野与并行开发：Mono 为 Agent 补齐跨仓库的业务拓扑知识，配合 Agent Worktree（Agent 工作树）在物理文件系统层隔离分支，支持单个工程师并行推进十几个需求。
本地秒级全栈验证：将完整的 Manus 运行环境本地化。传统推送到测试环境需等待 5 到 10 分钟，本地化后 Agent 验证修改仅需数秒，大幅缩减反馈回路。
受控线上排障：在严格权限控制下，Mono 对接生产遥测、日志和异常监控，使 Agent 能自主检索线上 Bug 上下文。
自动化发布流水线：将部署流程标准化并赋能 Agent 执行，但发布审批权坚守在人类工程师手中。
端到端自动化验证：Agent 使用测试账号驱动无头浏览器和手机模拟器模拟真实用户交互，执行全链路功能检查并逐步录屏，作为验收凭据。

依托 Mono，团队实现了“一个需求由一个人走通所有端”。例如其移动端团队仅维持 7 人规模，便能同时支撑 2 款产品共 4 个移动应用的研发，且发布节奏与 Web 端保持完全同步。

组织范式重塑：从 In the Loop 到 On the Loop

在深度 Agent 化之前，团队的典型状态是 Human in the loop——AI 完成 70% 到 80% 的初稿，人类工程师手动补齐剩余逻辑并承担胶水对接工作。随着 Agent 综合能力突破临界点，Manus 转向 Human on the loop：

职责位移：AI 承担从代码检索、编写、端到端测试到发布准备的全流程；人类从一线手工执行中抽离，转为为 AI 设立规则与边界、在关键节点进行质量裁决，并为最终交付结果承担法律与业务责任。
构建者（Builder）文化与岗位模糊化：打破传统专业分工壁垒。团队约 50% 的产品经理能够独立交付需求并上线代码，全部产品经理均曾向生产仓库提交代码，设计师亦开始编写代码。
视频作为新需求（PRV，Product Requirements Video）：利用 Manus 2.0 的视频生成与代码动画能力，产品经理交付的需求不再是易产生歧义的文本 PRD 或静态设计稿，而是一段包含真实交互场景、UI 表现、极端分支与实现逻辑的完整演示视频，显著消除研发链条中的优先级错位与理解衰减。

多人协同会话（Multi-Human Collaborative Session）

在 Manus 内部，会话（Session）脱离了“单人向单个机器人提问”的孤立工具属性，演变为承载跨角色端到端任务的多人协作工作画布：

sequenceDiagram
    autonumber
    actor Dev as 工程师
    actor PM as 产品经理
    actor Des as 设计师
    participant S as Manus 2.0 共享 Session

    Dev->>S: 发起需求：“在定价页添加年付选项。更新网页应用、计费 API 和结账流程。”
    Note over S: Agent 执行 1 分 35 秒，梳理 API 与结账，触发业务决策卡点
    S-->>Dev: 暂停并提出决策卡点：“接入定价前需确认年付方案折扣：八五折 / 八折 / 赠送两个月？”
    PM->>S: 进入同一 Session 直接回复：“八折”
    Note over S: Agent 执行 3 分 30 秒，完成打折逻辑，全部测试通过
    S-->>PM: 汇报：“年付方案已打八折，测试均已通过。”
    Des->>S: 进入同一 Session 提出 UI 细节：“让切换开关与方案卡片风格一致，间距设为 12px。”
    Note over S: Agent 执行 50 秒，完成样式与间距调整，生成预览
    S-->>Des: 汇报：“切换开关已调整，预览可审阅。”

这一多人协同会话机制带来了两项关键组织变化：

零交接损耗：不同角色直接在同一上下文内与 Agent 交替互动，无需在 Slack 或会议中重复同步背景信息。
减少被打断的损耗：团队形成“事务性问题先问 AI、看项目进度直接打开 Session”的共识，大幅降低了传统矩阵式组织中因频繁临时打断带来的专注力碎片化。

数字同事（Digital Coworker）与自改进闭环

在市场营销与商务运营中，Manus 将内部业务系统封装为 Agent 工具集合，构建了深度嵌入日常工作流的“数字同事”：

工作台会话（Workbench Session）与注意力隔离：数字同事通过单一常驻工作台与人类团队沟通，将耗时密集的具体抓取、分析与投放操作派发至后台独立 Session 并行执行，避免核心决策上下文被低层执行噪音污染（参见 Context Engineering（上下文工程）的上下文隔离原则）。
Slack 注意力分级过滤：自主接入企业通信频道，自动甄别消息相关度，区分“需立即中断当前任务响应”与“可在当前任务完成后异步批处理”的消息。
增量策略学习与长期记忆：支持人类负责人直接转发讨论并附带指令（如“学一下”），数字同事据此动态调优知识库；同时维持长期业务目标记忆，主动介入项目纠偏（例如在讨论中提醒“B 方案尚在测试阶段，建议先等待 A 方案数据”）。
自动化自改进闭环（Self-improving Loop）：当现有内部工具无法满足业务需求时，数字同事可通过 API 直接向系统提交工程需求。该需求通过 Manus 2.0 Automations 自动触发新一轮开发任务，由 Agent 自主扩展自身能力并部署上线。

Token 经济学与质量防护

根据 Manus 联合创始人张涛披露的数据，2026 年 9 月 Manus 全员月人均 AI 算力开销超过 10,000 美元（极少数重度工程师单人月消耗达 7 至 8 万美元）。团队对此支出的经济学与工程逻辑归纳为三点：

购买时间与认知注意力：算力开支的实质是购买人类团队的专注力与组织敏捷度，使个人能够以极小的心智负担同时推进十几个高杠杆事项。
顶模探针与事故阻断：自建的代码审查机器人接入业界最强前沿模型进行全量代码审查，对支付、计费等核心敏感模块施加专有规则。半年内，在日常提交量爆炸式增长的背景下，团队未发生一起由 AI 生成代码合入导致的线上故障（详见 Agentic Code Review（智能体代码审查））。
Dogfooding 反哺降本：自研团队是产品最苛刻的真实用户，内部高频使用能够迅速定位 Manus Studio 与执行链条中的 Token 浪费瓶颈，驱动底层调度算法与缓存优化，最终将降本成果传递给终端用户。