<div id="readability-page-1">25 年开年以来，AI 发展如火如荼，DeepSeek R1、OpenAI CUA、Manus 等重要创新层出不穷，眼花缭乱。 这里我将最近一个月以来的思考总结一下，对 25 年 AI 发展趋势做几点预判。 <h2>（1）Manus：Agent 元年的一次抢跑</h2> Manus 推出之后，我们第一时间拿到了体验账号，进行了充分的体验测评。 先说结论：虽然 Manus 目前还有种种不足，但它的产品设计思路创意满满，值得我们给予充分的肯定。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/79fb6768-fca7-40dd-a839-8076ab31c01d.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="481" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/79fb6768-fca7-40dd-a839-8076ab31c01d.png"/> Manus 的核心架构基于 “虚拟机 + 多 Agent 协同” 模式，通过整合多个底层大模型（如 GPT-4、Claude 3 等）的 API，实现任务的动态分配与模型调用。 Manus 突破了传统 AI 助手仅生成建议的局限，实现了从 “需求输入” 到 “成果交付” 的端到端闭环。 Manus 提出 “Less Structure, More Intelligence” 的交互理念，通过无代码化的自然语言接口降低用户使用门槛。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/2aafe43a-4103-44a8-bd1a-02ccef58b4f0.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="411" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/2aafe43a-4103-44a8-bd1a-02ccef58b4f0.png"/> 与此同时，Manus 使用一个外置的 markdown 文件来管理 Agent 的任务规划，并且将阶段性的工作成果存储为独立文件，这也是一个非常有趣的创新点。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/396eb33e-6fa0-4c2e-ac08-328c914d6b4f.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="480" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/396eb33e-6fa0-4c2e-ac08-328c914d6b4f.png"/> <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/bf786700-6898-4503-ac6c-3c6d33e89ef0.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="480" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/bf786700-6898-4503-ac6c-3c6d33e89ef0.png"/> <h2>（2）Manus 的不足与缺陷</h2> Manus 在 MultiAgent 的道路上提供了一种非常有趣的思路，但现在依然存在一些显而易见的不足之处。 首先是 “幻觉累加” 的问题。 Agent 的本质是多次大模型问答的串并联。如果单次大模型问答的准确率是 90%，串联 10 次的话，最终 Agent 回答准确的概率是 0.9^10，只有 1/3 左右了。 在下面的案例中，Manus 的任务是针对某上市公司进行财务数据分析。Manus 很聪明的 import 了 data_api 模块，准备从雅虎提供的接口中调取财务数据。 但是在 process_financial_data 函数中，manus 竟然把 revenue、gross_profit 等数据直接 “硬编码” 到了代码中，让人猝不及防。而且经过验证，这里的数据有部分是错误的。 如果原始数据出错了，那么后续无论分析得多么深入、图表做得多么 fancy 都失去了意义。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/8f77e1a0-b2ae-4fdf-be4e-ddf67f631aac.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="496" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/8f77e1a0-b2ae-4fdf-be4e-ddf67f631aac.png"/> Manus 的第二个问题是可供大模型调用的工具不足。 下面这个例子中，Manus 的任务是写一篇关于 “小米 Su7” 的市场分析报告 PPT。 Manus 完美的拆分了任务，并且检索了大量新闻，但是最后它无法生成一份 PPT，因为它无法调用 Office 软件。 目前 Manus 输出的内容形式多为纯文本或者网页，还无法和人类工作流进行完美融合。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/b3d8e530-2c63-4244-bb0a-6dd0b5fc878a.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="504" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/b3d8e530-2c63-4244-bb0a-6dd0b5fc878a.png"/> Manus 遇到的第三个挑战是小院高墙的互联网生态。 互联网上有很多优质信息是存放在 “围栏” 中的。 比如当我们让 Manus 去分析比较市面上所有 AI 智能眼镜的性价比时，它聪明的找到了对应商品的淘宝网页。 但是当 Manus 想要打开具体产品页面获取价格性能等详细信息时，淘宝判定它为机器人，并拒绝了 Manus 的访问。 无独有偶，当我们让 Manus 为一家非上市公司进行出具商业分析报告时，Manus 为了获取公司的最新融资进展，访问了 CrunchBase 数据库。 但是 Manus 的访问被 CrunchBase 判定为机器人，随后被无情的拒绝了。 互联网看似公开透明，实则存在大量类似小院高墙的情况，优质信息往往就存放在这些高墙之内，Manus 无法直接获取，这无疑阻碍了 Manus 的工作效果。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/bd17ade9-4496-4e2a-89b6-668e681a5800.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="498" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/bd17ade9-4496-4e2a-89b6-668e681a5800.png"/> 尽管有着种种问题和挑战，Manus 依然给大家描绘了 MultiAgent 的巨大前景，打响了 Agent 元年的第一枪，值得我们给予充分的肯定。 在 Manus 占据大家视野的同时，海外 AI 大厂究竟做了哪些技术储备呢？ <h2>（3）OpenAI CUA：一个会自主操作电脑的 Agent</h2> 在今年的 1 月底，OpenAI 发布了由其新模型 CUA（Computer-Using Agent）驱动的 AI 智能体 Operator。 CUA 模型融合了 GPT-4o 的视觉能力和通过强化学习实现的高级推理能力，能够将任务分解为多步骤计划，并在遇到挑战时进行在我调整和纠正。 简而言之，CUA 就是一个会操作电脑的 Agent，它的运作原理非常直白且简洁，如下图所示。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a36a258f-9361-400e-90fa-076273c24622.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="503" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a36a258f-9361-400e-90fa-076273c24622.png"/> 首先，CUA 会同时接受两种模态的输入：其一是文本指令，其二是屏幕截图。 CUA 会同时处理这两种信息，并且生成一系列动作指令，比如 “点击屏幕上坐标为 (300,200) 的点，并且输入 XXX，按回车”。 电脑接受到指令并完成操作后，会将新的屏幕截图与新的任务指令返回给 CUA，如此循环往复，直到获得最终答案。 那么 CUA 目前操作电脑的能力达到了怎样的水平呢？ 根据 OpenAI 的官方测评，CUA 在操作电脑和操作浏览器这两个场景上，相比上一代 SOTA 都有了巨大的性能提升。 但是相比人类而言，依然有着较大的差距。换句话来说，目前顶级的 Agent 依然没有办法像一个成年人一样正确的操作电脑，但我相信这个现状在今年内就会发生质变。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/606db4b3-a313-47c5-917c-a5910c8c4467.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="498" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/606db4b3-a313-47c5-917c-a5910c8c4467.png"/> <h2>（4）Anthropic MCP：AI 时代下的 TCP/IP 协议</h2> 刚才在分析 Manus 的缺陷时，提到了 “工具不足” 的问题。 Anthropic 显然也意识到了这个问题，并在去年年底推出了 MCP 来从根源上解决这个问题。 MCP 的全称是 Model Context Protocol，它定义了应用程序和 AI 模型之间交换上下文信息的方式，这使得开发者能够以一致的方式将各种数据源、工具和功能连接到 AI 模型。 MCP 之于 AI，有点类似于 TCP/IP 之于互联网。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/ccd5e6e5-fe1c-478f-b777-d58dc50ea19b.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="504" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/ccd5e6e5-fe1c-478f-b777-d58dc50ea19b.png"/> MCP 有三个重要特点： 当前越来越多的工具及服务开始接入 MCP，呈现愈演愈烈之势，包括 Google Maps、PGSQL、ClickHouse（OLAP 数据库）、Atlassian、Stripe 等等。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/6c0601fe-2b91-4a82-a3e2-5d4cb01a83ce.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="502" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/6c0601fe-2b91-4a82-a3e2-5d4cb01a83ce.png"/> <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a0d733fc-25c3-40b4-a457-daa789be872b.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="499" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/a0d733fc-25c3-40b4-a457-daa789be872b.png"/> 在 Smithery 平台上你可以轻松查找不同功能对应的工具及服务。随着越来越多的 Server 接入 MCP 协议，未来 AI 能够直接调用的工具将呈现指数级增长，这能从根源上打开 Agent 能力的天花板。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/dd8343db-862d-4888-8824-4db09522771c.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="500" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/dd8343db-862d-4888-8824-4db09522771c.png"/> <h2>（5）2025 年 AI 发展新趋势：后训练、RL、MultiAgent</h2> 这里我结合最近几个月以来的观察和思考，总结一下 25 年 AI 发展的几点重要趋势。 第一，预训练即将终结，后训练成为重点。 这其实已经是行业共识。去年年底时，Ilya 在 NeurIPS 大会上提到一个重要观点：数据是 AI 时代的化石燃料，因为我们人类只有一个互联网。 与此同时，在今年 DeepSeek R1 的论文中，提到了后训练将成为大模型训练管线中的重要组成部分。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/9b38d90a-f309-45d5-968f-8c2f989c7c3c.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="493" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/9b38d90a-f309-45d5-968f-8c2f989c7c3c.png"/> 第二，针对后训练而言，强化学习将成为主流，监督学习的重要性逐渐下降。 DeepSeek R1 带来最重要的启发是：纯粹的 RL 可能是通向 AGI 的正确路径。 随着 TTS 的增加，大模型会自我涌现出复杂的推理行为，而无需刻意引导。 如下边右图所示，横轴是大模型 RL 的迭代步数，纵轴是单次问答的 token 长度。我们可以看到，随着大模型 RL 步数的增加，大模型会自主的从 “快思考” 变成 “慢思考”，从最开始每次回答 100 个 token，到最后每次回答接近 10000 个 token。 DeepSeek 团队将这种现象称为 “self-evolution”，并认为它是 “the emergence of sophisticated behaviors”。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/71eee1c3-0cca-4481-8c0d-d252b632bf09.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="496" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/71eee1c3-0cca-4481-8c0d-d252b632bf09.png"/> 具体是哪些复杂行为的涌现呢？DeepSeek 也给出了答案，比如：self-verfication, reflection 等。 这个发现对于我们来说有着重要的启发。未来监督学习在 AI 训练中究竟应该扮演怎样的角色？监督学习是否反而限制了 AI 解决问题的能力？ 是否不应该让 AI 通过模仿人类的思维方式来获得智能，而是让 AI 发展出更加原生的智能？ 这些问题，都有待整个 AI 行业通过实践来给出答案。 第三，MutiAgent 是确定性的大趋势。 如果将 AI 和人脑进行类比的话，大模型就像是人脑中的 “前额叶”。 众所周知，前额叶主要负责高级认知功能，比如注意力的分配、思考推理、决策等。 但是仅仅有前额叶，大脑是无法处理复杂任务的。我们需要有颞叶来进行听觉信号的解析，需要顶叶进行阅读和算术，需要小脑来进行运动协调，需要海马体来进行记忆索引。 MultiAgent 的定义恰恰就是让多个不同的模型之间互相协调，从单独的 “前额叶” 走向 “完整的大脑”，从而处理更加复杂的现实任务。 在这个蓝图中，MCP 就起到了非常重要的作用：协调统一大模型与各工具之间的数据通信接口。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/93d9099f-4ddc-4bd7-925f-154591b01fe4.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="900" height="499" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/93d9099f-4ddc-4bd7-925f-154591b01fe4.png"/> <h2>（6）结语：抓好扶手，未来已来！</h2> 2025 年是 AI Agent 元年，Manus 的出现打响了第一炮。 无论是 OpenAI 的 CUA 还是 Anthropic 的 MCP 都指向了一个共同的未来，未来 2 年 AI 的发展速度将非常陡峭。 抓好扶手，未来已来！ 本文作者：费斌杰，来源：Alpha Engineer，原文标题：《【深度】从 Manus 到 MCP：25 年 AI 的三大新趋势》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。</div>

深度求索

DXYZ

OpenAI

本文总结了过去 25 年 AI 发展的三大新趋势，重点介绍了 Manus 的创新与不足。Manus 基于 “虚拟机 + 多 Agent 协同” 模式，突破了传统 AI 助手的局限，实现了从需求输入到成果交付的闭环。尽管其设计理念 “Less Structure, More Intelligence” 降低了用户门槛，但仍存在 “幻觉累加” 问题，影响了多次问答的准确性。

- 2025 年 AI 发展迅速，Manus、CUA、MCP 等创新层出不穷。  
- Manus 通过多 Agent 协同实现任务动态分配，但存在数据准确性和工具不足问题。  
- CUA 和 MCP 代表未来 AI 发展方向，强调后训练和 MultiAgent 的重要性。  