为什么 Manus 必须出海？国产大模型的“文科生困境”与 AI Agent 商业化

概览

本期围绕 Manus 被 Meta/Facebook 收购这一事件展开，先回顾它从发布、邀请码营销、离开国内社交与服务环境，到最终被收购的几次出圈节点。节目重点不是复述融资新闻，而是讨论 Manus 作为 AI Agent 产品到底有什么真实价值，以及为什么“卖得及时”。

讨论进一步转向国产大模型的能力边界。主持人把国内模型在写作、风格理解、复杂调研上的短板概括为“文科生困境”：在监管、安全对齐和语料处理影响下，模型更擅长公文、代码、明确任务，却难以完成需要泛化、语感和开放语料支撑的任务。

节目后半段把 Manus 出海放进更大的产业环境里分析：国内互联网生态封闭、超级 App 不开放、数据抓取风险高、付费意愿弱；海外市场则在 API、浏览器操作、营销自动化和付费方面更适合 AI Agent 落地。最后，几位主播讨论了个人和企业如何使用 AI：它会降低试错成本，但不是万能主驾，更像副驾驶和业务加速器。

分段落总结

[00:09] 开场与收购事件背景

[事实] 本期是“科技乱炖”在 2026 年的新年第一期，主持人提到上一期年终总结刚录完，行业内就发生了新的 AI 大事。

[事实] 节目称成立时间很短的 AI 公司 Manus 被高价收购，引发了很多非 IT 行业朋友的关注和询问。

[事实] 主持人请来技术从业者残月参与，希望从技术和应用角度补充对 Manus 及 AI Agent 的判断。

[02:04] Manus 的几次出圈

[事实] 节目回忆 Manus 在 2025 年春季左右发布，和 DeepSeek 的出圈时间相近，发布方式包括视频宣发和邀请码机制。

[事实] 主持人称 Manus 早期产品“惊艳”，邀请码难拿，外界还曾试图通过提示词绕过机制，询问其内部代码或实现方式。

[事实] Manus 第二次出圈来自其清空国内社交账号、核心人员去新加坡、国内服务访问受限等变化；节目中这些信息带有外界猜测色彩。

[事实] 节目称 Manus 后来被 Meta/Facebook 收购，并把它列为 Meta 收购史上靠前的大交易；具体金额在转录稿中无法精确确认。

[07:11] 营销打法与产品验证

[事实] 残月认为 Manus 一开始最受关注的是营销，包括邀请码在闲鱼上被炒高价，以及视频先行的发布方式。

[事实] 节目提到 Manus 团队前身做过 CRM 或营销系统，因此可能更熟悉增长和市场验证。

[推测] Manus 的早期打法更像硅谷式 MVP：先做出可演示产品和传播事件，测试市场需求，再继续打磨产品。

[08:32] SEO 与外贸场景中的真实使用

[事实] 残月称自己在海外 SEO 和外贸相关社群中看到有人使用 Manus 做营销数据分析。

[事实] 这些用户会用 Manus 查看竞争对手关键词、网站数据、广告投放数据，并结合海外 SEO 工具和本地浏览器登录态完成操作。

[事实] Manus 的本地沙箱或本地浏览器调用能力，被认为可以解决登录态和爬虫阻断问题。

[事实] 节目举例说，Manus 可以分析竞品关键词，生成 SEO 文章、广告素材和投放计划，形成较完整的营销工作流。

[11:48] Agent 的价值不只是单点功能

[事实] 主持人总结，Manus 的价值不是单纯做 PPT、生图或调用某个模型，而是把任务拆解、编排并调度多个能力完成一整套流程。

[事实] 残月认为图像、PPT 等功能只是展示能力，真正的产品价值在于围绕目标任务组织工作路径。

[推测] Manus 的护城河更可能来自任务流程设计、工具连接、执行稳定性和场景打磨，而不是某一个底层模型能力。

[13:23] 卖得及时与竞争压力

[事实] 节目提到 OpenAI、Google、国内大模型厂商以及智谱等产品都在做类似的任务自动化、广告素材生成和 Agent 工作流。

[事实] 主持人提出疑问：如果大家都能做任务编排，Manus 的优势会不会被快速抹平。

[事实] 节目中有人认为 Manus “卖得太及时”，因为再晚可能面临大模型厂商和开源方案的直接竞争。

[推测] Manus 在竞争格局尚未完全收敛前被收购，可能降低了独立公司被巨头能力覆盖的风险。

[14:32] 技术积累与 Meta 的需求

[事实] 节目提到 Manus 可能已有自有模型版本，以及用于任务代理、路由或编排的小模型。

[事实] 残月认为 Meta 过去开源了不少模型，但缺少成熟的上层应用承接模型能力。

[推测] Meta 收购 Manus 可能不是单纯买模型，而是买一个可直接承载模型发布、应用落地和商业化的上层产品。

[16:42] Meta 买得值不值

[事实] 主持人讨论 Meta 收购 Manus 是否类似百度当年收购 91，都是从自身平台数据和分发判断出发。

[事实] 节目提出，Meta 可能能从自身广告、平台或调用数据中看到 Manus 相关 Agent 使用量，而外部无法看到这些数据。

[事实] 主持人也承认，数据能证明当前热度，但不一定能判断趋势，尤其 AI 市场早期不确定性很强。

[推测] 如果 Manus 在 Meta 生态相关的 Agent 调用中占比较高，那么收购逻辑会更容易成立。

[21:49] 类似产品与任务编排的未来

[事实] 节目提到 OpenManus、纳米 AI 等类似产品，也有本地浏览器操作、任务规划和超级智能体功能。

[事实] 几位主播认为，这类产品的基本方向大家都能做，差异更多在打磨时间、执行成功率和效率。

[事实] 他们讨论了大模型能力提升后，是否会吞掉应用层任务编排的问题，并类比 ChatBI、RAG 和代码编辑工具。

[推测] 大模型会让一些工程编排需求变少，但在成本、性能、上下文长度和复杂任务上，工程优化仍会长期存在。

[26:02] 出海潮与注册海外公司

[事实] 节目称 Manus 消失于国内网络并出海后，引发了一些 AI 创业公司考虑把公司原生注册在新加坡或海外。

[事实] 主持人提到某孵化器负责人担心入驻公司都效仿 Manus 出海，影响本地政府指标和任务。

[推测] Manus 的案例可能成为国内 AI 创业者评估融资、合规和市场选择时的重要参照，但并不意味着每家公司都能复制。

[27:00] 国产大模型的“文科生困境”

[事实] 主持人长期测试国内外大模型，尤其对比文本推理、写作和代码能力。

[事实] 他认为国内模型在代码、小项目和明确任务上表现不错，但在写作风格、深度调研、语感和复杂表达上明显弱于 Gemini 等海外模型。

[事实] 主持人把这种现象称为“中国文科生”困境：输入和训练环境受限制后，泛化能力和开放表达能力会下降。

[推测] 这个判断带有强烈主观测试色彩，但它解释了为什么 Manus 这类需要营销、写作、调研和任务规划的产品更依赖海外模型。

[30:58] 提示词工程正在变化

[事实] 残月认为，早期模型需要很长提示词和人设设定，现在更强的模型可以用更短提示词理解任务。

[事实] 节目讨论“提示词工程是否还需要”，认为更先进模型能把用户简短表达展开成更完整的语义空间。

[事实] 主持人尝试把 Gemini 总结出的《华尔街日报》风格描述交给国内模型，但认为输出仍缺乏语感。

[推测] 国内模型问题可能不只是提示词不足，而是模型内部对风格、语料和开放表达的理解能力不够。

[36:14] 安全、训练与对齐的影响

[事实] 残月解释，大模型基座训练数据量很大，安全问题不一定完全发生在初始训练阶段，也可能来自后续 SFT 和价值观对齐。

[事实] 节目讨论了输入语料安全、输出安全层、DPO 对齐等环节如何改变模型回答方式。

[事实] 主持人认为国内模型在外交、政策等问题上常给出类似官方话术的回答。

[推测] 安全和对齐会让模型更稳妥，但也可能牺牲一部分开放推理、语义关联和表达多样性。

[40:00] Manus 为什么必须出海

[事实] 主持人认为，如果 Manus 留在国内，为合规可能必须接入国内模型，而国内模型未必能达到产品需要的泛化和执行效果。

[事实] 节目提到 Manus 的场景包括 SEO、营销分析、广告计划等，这些任务需要较强的开放信息理解和风格生成能力。

[事实] 主持人还指出 Manus 主要不是做内容生成，而是做操作、抓取、汇总和执行。

[推测] Manus 出海既是融资和监管选择，也是产品能力、模型可用性和目标市场匹配的选择。

[41:14] 国内互联网生态对 Agent 不友好

[事实] 节目认为，中国市场存在两个核心问题：很多数据抓不到或抓取有风险，以及超级 App 生态封闭不开放。

[事实] 主持人举例说，微信联系人、支付宝、12306、公众号、小红书等场景都很难让 Agent 顺畅操作。

[事实] 节目还提到国内用户付费意愿弱，进一步限制 AI Agent 的商业化空间。

[事实] 相比之下，海外市场有更多 API、网页操作空间和付费可能性，更适合 Manus 这类产品。

[44:52] 手机 Agent 与 App 利益冲突

[事实] 节目提到豆包手机的 AI 助手被微信限制，以及某些手机系统无法继续总结微信内容的例子。

[事实] 残月提出一种可能：手机系统是一个 Agent，各个 App 自己也开放 Agent，通过多 Agent 协作完成任务。

[事实] 主持人指出，App 不愿被系统级 Agent 变成“通道”，因为这会减少停留时长、广告曝光和商业转化。

[推测] Agent 时代的核心冲突之一，是用户效率与平台商业利益之间的冲突。

[49:21] 新的中心化与新的中间商

[事实] 主持人回顾互联网从“信息高速公路”“去中介化”到淘宝、京东等新平台中介的过程。

[事实] 节目认为 AI Agent 和大模型平台也可能成为新的中间商，重新掌握流量、推荐和交易入口。

[事实] 主持人担心未来用户不知道模型是否真的比价、是否偏向某个平台或商品。

[推测] 如果系统级 Agent 完全打通各类 App，财富和控制力可能进一步集中到操作系统或大模型平台手里。

[51:40] Agent 产品的稳定性难题

[事实] 主持人指出，Agent 开发厂商面临一个问题：模型一更新，原有提示词、调用流程和系统设计可能都要重写。

[事实] 2B 客户需要稳定交付，而大模型输出和能力变化会让交付变得不确定。

[事实] 节目提到目前缺少像传统软件中间件那样隔离变化的成熟层，导致开发者直接暴露在模型变化中。

[推测] Agent 在企业市场要规模化落地，可能需要更标准化的接口、评测、版本管理和工程治理。

[55:31] AI 热潮后的回归

[事实] 主持人预测 2026 年 2B 市场会出现一部分“非 AI”系统回归，尤其是数据治理、大数据和传统软件能力重新被重视。

[事实] 他认为没有数字化底座，AI 很难真正发挥作用，因此数据治理反而会再次变得有价值。

[事实] 残月把大模型定位为 copilot，也就是副驾驶，而不是主驾驶。

[推测] AI 行业可能正在从过高期待回落到真实价值区间，企业会重新区分哪些任务该用 AI、哪些任务该用确定性系统。

[58:28] 普通人应该先用起来

[事实] 节目认为 AI 仍会继续渗透到各个行业，即使某些场景已经出现回流。

[事实] 主持人建议普通人先把 AI 用起来，但也承认如果一个人还在为温饱发愁，AI 未必立刻帮得上太多。

[事实] 主持人提到自己最近大量使用 AI 写代码，但会查看代码、做测试，确认是否有幻觉或错误。

[推测] 对普通用户来说，AI 的价值不是替代所有能力，而是让已有知识、判断和执行力放大。

[60:02] 从想法到 MVP 的周期变短

[事实] 主持人认为 AI 让“想法、验证、产品、赚钱”的路径变得更快。

[事实] 他提到非技术人员也可以用 AI 重写公司官网，或把想法快速落地成 MVP。

[事实] 另一位主播补充，赚钱变快的同时，倒闭和失败也会变快，因为所有人的试错成本都下降了。

[推测] AI 降低了创造门槛，但不会自动提高商业质量；会赚钱、懂用户和懂业务的人可能更占优势。

[63:03] 低门槛会带来更多垃圾项目

[事实] 主持人用建站工具和早期个人网站类比，认为工具普及后，好网站会增加，垃圾网站也会大量增加。

[事实] 节目认为更多人能够尝试产品，意味着机会更多，但平均质量未必提高。

[事实] 主持人提到代码量变大后，AI 生成项目也会出现失控和技术债问题。

[推测] AI 创业的核心门槛可能从“能不能写出来”转向“能不能持续维护、找到需求并赚钱”。

[64:17] 人和 AI 之间仍需要中介角色

[事实] 主持人提到有朋友希望做一个“AI 老板”，帮助自己把点子拆成任务并推动执行。

[事实] 其他主播认为，如果人自己分不清任务，AI 也不一定能可靠分清。

[事实] 节目提出，未来可能仍需要懂 AI 边界、懂业务流程、能把真实需求翻译成 AI 可执行任务的人。

[推测] 这个角色不是传统提示词工程师，而更像业务、产品、流程和 AI 能力之间的翻译者。

[66:40] AI 操作官、低代码与 VBA 工程师

[事实] 主持人把未来懂 AI 工作流的人，与过去企业里的低代码平台操作员、VBA 工程师进行类比。

[事实] 残月认为这种角色和低代码平台使用者本质接近，只是工具从拖拽平台变成了 AI 或 Agent 平台。

[事实] 节目认为这类人要懂企业业务流程，也要懂 AI 能力边界和工具操作。

[推测] 这类角色在早期可能被高估，长期价值则取决于是否真正理解业务，而不是只会操作工具。

[70:06] 培训、认证与高估周期

[事实] 节目调侃可以给“首席粘贴官”或 AI 操作角色发证、开培训班。

[事实] 主持人把这种现象类比 MCSE、CCIE 等技术认证在特定时期被高估、后来回归平常的过程。

[事实] 节目认为新技术早期容易出现培训和认证红利，但热度下降后证书价值会回归。

[推测] AI 工具培训短期可能有市场，但真正长期稀缺的是解决实际问题的能力。

[72:11] AI 写代码与问答工具的边界

[事实] 主持人认为在自己复杂工作中，很多时候 AI 写代码不如自己先规划、自己实现来得直接。

[事实] 他认为豆包、元宝等国内工具适合作为“做题家”式助手：明确问题、明确答案时比较有用。

[事实] 对没有明确答案、需要创造性或深度分析的问题，国内模型容易输出套话。

[推测] 用户需要按任务类型选择模型和工具，而不是指望一个 AI 解决全部问题。

[73:17] 把 AI 当同事而不是超人

[事实] 主持人现在会先让 AI 帮忙规划，检查自己有没有遗漏，并明确要求 AI 不要顺着他说。

[事实] 他推荐语音输入法，认为用语音把想法快速丢给 AI，可以像和同事沟通一样降低输入成本。

[事实] 节目提到大模型语音输入可以整理口语、重排语序，再变成文字。

[推测] AI 最实用的日常形态，可能是低摩擦的讨论、规划、补盲和草稿生成，而不是一次性完成复杂成品。

[75:49] 海外大模型代理服务广告

[事实] 节目后段介绍了一个海外大模型 API 代理服务，称其提供国内可用的 API 端点。

[事实] 主持人称该服务支持 Gemini、Claude、OpenAI 等海外模型，也支持一些国产模型。

[事实] 节目介绍该服务有统一余额池、人民币或美元支付、可开发票、听友九折等特点。

[推测] 这个广告与前文“国内使用海外模型不稳定、限额低、网络成本高”的痛点相呼应。

[80:20] 服务使用方式与适合人群

[事实] 主持人说明听友可以通过节目 Show Note 链接填写手机号、获取折扣码，再扫码联系销售开通。

[事实] 该服务目前部分流程仍需人工处理，不是完全自动开通。

[事实] 主持人认为它更适合开发者、B 端用户或大量调用大模型的人，普通尝鲜用户需要谨慎。

[推测] 这类中转服务的主要价值不是便宜本身，而是统一接入、稳定性、发票和模型切换便利。

[82:43] 收束

[事实] 节目最后回到 Manus、AI Agent、国产模型与工具使用的讨论，并以小广告收尾。

[事实] 主持人表示本期“科技乱炖”到此结束，感谢听众收听。

播客点评/总结

这期的价值在于把 Manus 收购事件从“谁赚了多少钱”的新闻层，拆到产品、模型、市场和生态四个层面。尤其是把 AI Agent 的场景落到海外 SEO、广告投放、浏览器操作和工作流闭环上，比单纯讨论“智能体概念”更具体。

节目最有辨识度的观点是“国产大模型的文科生困境”。这个说法尖锐且带有主观测试色彩，但它把监管、安全对齐、语料开放性、风格理解和产品出海之间的关系串了起来，能帮助听众理解为什么一个 AI Agent 产品不只是选择市场，也是在选择可用的模型环境。

局限也很明显：节目中不少公司动态、收购金额、团队去向和市场数据来自主持人转述或行业猜测，转录稿没有提供可核验来源；关于国内外模型能力的比较也主要基于个人使用体验，不是系统评测。因此相关判断适合当作行业观察，而不是确定结论。

[推测] 本期适合关注 AI Agent、国产大模型、AI 出海、企业软件和 AI 工具落地的人听；如果只想获得一条简短新闻，信息会显得发散，但如果关心“为什么 Manus 这类产品在国内难做、在海外更有机会”，这期讨论有较高参考价值。