<div id="readability-page-1">25 年開年以來，AI 發展如火如荼，DeepSeek R1、OpenAI CUA、Manus 等重要創新層出不窮，眼花繚亂。 這裏我將最近一個月以來的思考總結一下，對 25 年 AI 發展趨勢做幾點預判。 <h2>（1）Manus：Agent 元年的一次搶跑</h2> Manus 推出之後，我們第一時間拿到了體驗賬號，進行了充分的體驗測評。 先説結論：雖然 Manus 目前還有種種不足，但它的產品設計思路創意滿滿，值得我們給予充分的肯定。 <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 的核心架構基於 “虛擬機 + 多 Agent 協同” 模式，通過整合多個底層大模型（如 GPT-4、Claude 3 等）的 API，實現任務的動態分配與模型調用。 Manus 突破了傳統 AI 助手僅生成建議的侷限，實現了從 “需求輸入” 到 “成果交付” 的端到端閉環。 Manus 提出 “Less Structure, More Intelligence” 的交互理念，通過無代碼化的自然語言接口降低用户使用門檻。 <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"/> 與此同時，Manus 使用一個外置的 markdown 文件來管理 Agent 的任務規劃，並且將階段性的工作成果存儲為獨立文件，這也是一個非常有趣的創新點。 <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 的不足與缺陷</h2> Manus 在 MultiAgent 的道路上提供了一種非常有趣的思路，但現在依然存在一些顯而易見的不足之處。 首先是 “幻覺累加” 的問題。 Agent 的本質是多次大模型問答的串並聯。如果單次大模型問答的準確率是 90%，串聯 10 次的話，最終 Agent 回答準確的概率是 0.9^10，只有 1/3 左右了。 在下面的案例中，Manus 的任務是針對某上市公司進行財務數據分析。Manus 很聰明的 import 了 data_api 模塊，準備從雅虎提供的接口中調取財務數據。 但是在 process_financial_data 函數中，manus 竟然把 revenue、gross_profit 等數據直接 “硬編碼” 到了代碼中，讓人猝不及防。而且經過驗證，這裏的數據有部分是錯誤的。 如果原始數據出錯了，那麼後續無論分析得多麼深入、圖表做得多麼 fancy 都失去了意義。 <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 的第二個問題是可供大模型調用的工具不足。 下面這個例子中，Manus 的任務是寫一篇關於 “小米 Su7” 的市場分析報告 PPT。 Manus 完美的拆分了任務，並且檢索了大量新聞，但是最後它無法生成一份 PPT，因為它無法調用 Office 軟件。 目前 Manus 輸出的內容形式多為純文本或者網頁，還無法和人類工作流進行完美融合。 <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 遇到的第三個挑戰是小院高牆的互聯網生態。 互聯網上有很多優質信息是存放在 “圍欄” 中的。 比如當我們讓 Manus 去分析比較市面上所有 AI 智能眼鏡的性價比時，它聰明的找到了對應商品的淘寶網頁。 但是當 Manus 想要打開具體產品頁面獲取價格性能等詳細信息時，淘寶判定它為機器人，並拒絕了 Manus 的訪問。 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/1efa7344-5fe6-4382-9823-6c79fad3ea5b.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/1efa7344-5fe6-4382-9823-6c79fad3ea5b.png"/> 無獨有偶，當我們讓 Manus 為一家非上市公司進行出具商業分析報告時，Manus 為了獲取公司的最新融資進展，訪問了 CrunchBase 數據庫。 但是 Manus 的訪問被 CrunchBase 判定為機器人，隨後被無情的拒絕了。 互聯網看似公開透明，實則存在大量類似小院高牆的情況，優質信息往往就存放在這些高牆之內，Manus 無法直接獲取，這無疑阻礙了 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"/> 儘管有着種種問題和挑戰，Manus 依然給大家描繪了 MultiAgent 的巨大前景，打響了 Agent 元年的第一槍，值得我們給予充分的肯定。 在 Manus 佔據大家視野的同時，海外 AI 大廠究竟做了哪些技術儲備呢？ <h2>（3）OpenAI CUA：一個會自主操作電腦的 Agent</h2> 在今年的 1 月底，OpenAI 發佈了由其新模型 CUA（Computer-Using Agent）驅動的 AI 智能體 Operator。 CUA 模型融合了 GPT-4o 的視覺能力和通過強化學習實現的高級推理能力，能夠將任務分解為多步驟計劃，並在遇到挑戰時進行在我調整和糾正。 簡而言之，CUA 就是一個會操作電腦的 Agent，它的運作原理非常直白且簡潔，如下圖所示。 <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 會同時接受兩種模態的輸入：其一是文本指令，其二是屏幕截圖。 CUA 會同時處理這兩種信息，並且生成一系列動作指令，比如 “點擊屏幕上座標為 (300,200) 的點，並且輸入 XXX，按回車”。 電腦接受到指令並完成操作後，會將新的屏幕截圖與新的任務指令返回給 CUA，如此循環往復，直到獲得最終答案。 那麼 CUA 目前操作電腦的能力達到了怎樣的水平呢？ 根據 OpenAI 的官方測評，CUA 在操作電腦和操作瀏覽器這兩個場景上，相比上一代 SOTA 都有了巨大的性能提升。 但是相比人類而言，依然有着較大的差距。換句話來説，目前頂級的 Agent 依然沒有辦法像一個成年人一樣正確的操作電腦，但我相信這個現狀在今年內就會發生質變。 <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 時代下的 TCP/IP 協議</h2> 剛才在分析 Manus 的缺陷時，提到了 “工具不足” 的問題。 Anthropic 顯然也意識到了這個問題，並在去年年底推出了 MCP 來從根源上解決這個問題。 MCP 的全稱是 Model Context Protocol，它定義了應用程序和 AI 模型之間交換上下文信息的方式，這使得開發者能夠以一致的方式將各種數據源、工具和功能連接到 AI 模型。 MCP 之於 AI，有點類似於 TCP/IP 之於互聯網。 <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 有三個重要特點： 當前越來越多的工具及服務開始接入 MCP，呈現愈演愈烈之勢，包括 Google Maps、PGSQL、ClickHouse（OLAP 數據庫）、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 平台上你可以輕鬆查找不同功能對應的工具及服務。隨着越來越多的 Server 接入 MCP 協議，未來 AI 能夠直接調用的工具將呈現指數級增長，這能從根源上打開 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 發展新趨勢：後訓練、RL、MultiAgent</h2> 這裏我結合最近幾個月以來的觀察和思考，總結一下 25 年 AI 發展的幾點重要趨勢。 第一，預訓練即將終結，後訓練成為重點。 這其實已經是行業共識。去年年底時，Ilya 在 NeurIPS 大會上提到一個重要觀點：數據是 AI 時代的化石燃料，因為我們人類只有一個互聯網。 與此同時，在今年 DeepSeek R1 的論文中，提到了後訓練將成為大模型訓練管線中的重要組成部分。 <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，針對後訓練而言，強化學習將成為主流，監督學習的重要性逐漸下降。 DeepSeek R1 帶來最重要的啓發是：純粹的 RL 可能是通向 AGI 的正確路徑。 隨着 TTS 的增加，大模型會自我湧現出複雜的推理行為，而無需刻意引導。 如下邊右圖所示，橫軸是大模型 RL 的迭代步數，縱軸是單次問答的 token 長度。我們可以看到，隨着大模型 RL 步數的增加，大模型會自主的從 “快思考” 變成 “慢思考”，從最開始每次回答 100 個 token，到最後每次回答接近 10000 個 token。 DeepSeek 團隊將這種現象稱為 “self-evolution”，並認為它是 “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"/> 具體是哪些複雜行為的湧現呢？DeepSeek 也給出了答案，比如：self-verfication, reflection 等。 這個發現對於我們來説有着重要的啓發。未來監督學習在 AI 訓練中究竟應該扮演怎樣的角色？監督學習是否反而限制了 AI 解決問題的能力？ 是否不應該讓 AI 通過模仿人類的思維方式來獲得智能，而是讓 AI 發展出更加原生的智能？ 這些問題，都有待整個 AI 行業通過實踐來給出答案。 第三，MutiAgent 是確定性的大趨勢。 如果將 AI 和人腦進行類比的話，大模型就像是人腦中的 “前額葉”。 眾所周知，前額葉主要負責高級認知功能，比如注意力的分配、思考推理、決策等。 但是僅僅有前額葉，大腦是無法處理複雜任務的。我們需要有顳葉來進行聽覺信號的解析，需要頂葉進行閲讀和算術，需要小腦來進行運動協調，需要海馬體來進行記憶索引。 MultiAgent 的定義恰恰就是讓多個不同的模型之間互相協調，從單獨的 “前額葉” 走向 “完整的大腦”，從而處理更加複雜的現實任務。 在這個藍圖中，MCP 就起到了非常重要的作用：協調統一大模型與各工具之間的數據通信接口。 <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）結語：抓好扶手，未來已來！</h2> 2025 年是 AI Agent 元年，Manus 的出現打響了第一炮。 無論是 OpenAI 的 CUA 還是 Anthropic 的 MCP 都指向了一個共同的未來，未來 2 年 AI 的發展速度將非常陡峭。 抓好扶手，未來已來！ 本文作者：費斌傑，來源：Alpha Engineer，原文標題：《【深度】從 Manus 到 MCP：25 年 AI 的三大新趨勢》風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用户特殊的投資目標、財務狀況或需要。用户應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。</div>

深度求索

DXYZ

OpenAI

本文總結了過去 25 年 AI 發展的三大新趨勢，重點介紹了 Manus 的創新與不足。Manus 基於 “虛擬機 + 多 Agent 協同” 模式，突破了傳統 AI 助手的侷限，實現了從需求輸入到成果交付的閉環。儘管其設計理念 “Less Structure, More Intelligence” 降低了用户門檻，但仍存在 “幻覺累加” 問題，影響了多次問答的準確性。

- 2025 年 AI 發展迅速，Manus、CUA、MCP 等創新層出不窮。  
- Manus 通過多 Agent 協同實現任務動態分配，但存在數據準確性和工具不足問題。  
- CUA 和 MCP 代表未來 AI 發展方向，強調後訓練和 MultiAgent 的重要性。  