Manus 和 2025 年 AI 超预期发展的几个领域

2025 年已进入第 3 个月，AI 行业的迭代速度仍在加速。DeepSeek 从模型到应用带来的 AI 普及，在国人心中已然成为类似 AI 的代名词，就像 ChatGPT 在海外一样。

而今年 AI 的发展，有些领域比大部分人预期的要快，一些领域可能比之前预想的要慢不少。前几天 Latent Space 的 Shawn Wang（@swyx）在 X 上分享称，今年 AI 领域发展比预期快很多的有 8 个领域：

1. Deep Research
2. RL Strikes Back in Agents
3. Inner loop dev Agents (Cursor, Windsurf)
4. Low code Agents (Bolt, Lovable)
5. Voice customer support (Sierra, Decagon)
6. AI outbound sales (11x)
7. News agents
8. MCP as industry standard

这里语音客服、AI 销售延续了去年的发展，而第三和第四都可以说是 AI 编程这块。同样他还分享了几个发展不及预期的 5 个领域：

1. Email agents. Superhuman AI missed mark. then again ~everyone else who has tried has pivoted
2. Scheduling agents. ChatGPT tasks shouldve been 1 year ago
3. Wearables. Bee still only GA wearable, weird
4. Issue to PR outer loop dev agents (incl Devin)
5. Realtime voice to voice . demos well, not ready for business use or even really sustained consumer use.

就我的感受来看，比预期快很多的典型领域主要有两个：一个是 AI 编程，另一个是 Deep Research（Think）。这两个领域不仅在应用层面掀起了激烈竞争，还带到了模型层，让其成为模型最核心的一个底层能力。

AI 编程这块不用说，Cursor、Bolt.new 以及 Lovable 在 ARR 这块的快速增长，已经掀起了个人和小团队开发产品的浪潮《2 个人 1 年 1000 万美金 ARR 没融资，小团队+AI 是未来》，仅 Lovable 这一个平台，其 CEO 称现在平台上每天有 3 万个产品被创建出来，这感觉已经将编程做产品变成像是开公众号写文章一样简单了，大大降低了创作门槛。

AI 编程快速发展带来的变革，可能仍会超出很多人的预期。根据华尔街日报最近的报道，越来越多的大型传统企业已经通过 AI 编程改变了公司内部的软件开发流程，比方说 Uber 通过内部的编程助手，帮助缩短约 30% 的代码审查周期；Google CEO Sundar Pichai 透露公司超过 25% 的新代码由 AI 生成；Coach 母公司已通过 GitHub Copilot 实现10-20% 的效率提升；Atlassian 使用 AI 编码助手的开发者完成任务速度提升了 55%。 

作为这波 AI 编程最大的受益者之一，Supabase 的 CEO 前两天分享说，Supabase 网站的流量已经超过了 MongoDB。

而 Deep Research（Think）和 AI 编程不太一样，它直接从大模型自己的应用迅速流行开来，现在每个大模型的产品几乎都添加了单独的 Deep Research（Think）模式，并将这种能力快速延展到了应用层。结合多 AI Agent 的协同，正在带来巨大价值。

Monica 团队昨晚发布的首个通用 AI Agent Manus，在我看来就是 Deep Research 的延伸叠加多 Agent 协作完成一个更复杂的任务，并交付一个更加完整的方案。有点结合了目前 Deep Research（更好更完整的实现过程）和 AI 编程（交付更好的解决方案而非一个答案）两个趋势的感觉。

从目前的体验来看，确实还是挺惊艳的，惊艳的点在于它帮我们真实实现了非常复杂的一些任务，而且交互的结果超出了大部分人的期待。这里的期待不是之前问一个问题得到一个更好的答案，而是问一个问题它交付了一套方案。

就像 AI 编程类产品给我带来的感受一样，一句话就帮我做出了一个经过它深思熟虑设计可以基本使用的产品。而且在产品的交互体验上，做到了让最小白的用户也能快速上手。

在此之前，Genspark 推出的 Deep Research 和它比较类似，如果你使用过就会发现，它也是分成多个步骤来实现，仅仅是信息源这块，它有时候会搜索几十上百个，只不过其应用场景主要是研究，最后形成的是一个比较完整的研究报告，这个能力让我已经很少用 Perplexity 了。

Bolt 和 Lovable 这类 AI 编程产品我感觉也差不多逻辑，只不过主要用在了编程这块。另外像国内团队 MGX 做的 AI 编程产品 mgx.dev 在展现形式上让多 Agent 协作更加形象，它直接将做产品的过程分配给了一个虚拟的 Agent 团队，团队里有负责人、架构师、产品经理、工程师和数据分析师，从接到任务开始它会像真实的团队协作那样分解任务和执行任务，一旦上一个任务完成了下一个任务就会自动分配到流程里的下一个角色 Agent。

在增长这块，MGX 目前可能是国内美元 ARR 增速最快的一个产品。而 Manus 则将它们做了更多延伸，一个方面是上面提到的 Deep Research 的过程和结果做了更长链条的延伸，比方说研究报告出来后还可以做成一个网页的形式来展示，网页里还有各种互动的图表；另一方面就是领域的延展，不再限定于某一个单独的场景，这是其声称 General AI Agent 定位的核心逻辑。

通用化是一个非常有想象空间的事情，不过我觉得挑战也在这里。我们都说术业有专攻，AI 时代通过 Agent 的协同是否能打破这种优势，我还是比较怀疑的，特别是对于企业级需求，这不仅有技术层面的挑战，可能还有资源和数据安全方面的挑战。

但从 Monica 这个产品本身的发展路径以及跟创始人肖弘的多次交流来看，Manus 似乎延续了他们在 Monica 这个产品的逻辑：All In One。只不过 Monica 是通过一个个功能模块来实现各个场景 All In One 在一个产品上，Manus 现在希望通过一个入口来实现多种需求的 All In One。

不管如何，相信 Manus 会给今年的 Agent 行业带来一些新的探索。而在海外，单一领域的 Agent 和平台化 Agent 都发展挺快，最近一个做合规领域 Agent 的 AI 产品已经估值 4 亿美金了，而另一个面向企业级的 AI Agent 平台，仅一年时间，现在客户使用其平台搭建的 Agent 每月活跃量已经超过了 5000 万，其做法是