Manus 的 PMF 密碼：AI Agent 賽道真正爭奪的是什麼？
整理版優先睇
Manus 靠執行型任務跑出 PMF，AI Agent 賽道爭奪嘅係人類可被外包嘅經濟效用總量
呢篇文章係分析 Manus 被 Meta 收購之後，點解佢喺 AI Agent 賽道突圍而出。作者指出，Manus 嘅 PMF 唔係靠通用能力，而係精準食住「不做唔得、自己做太攰、請人又唔划算」嘅執行型任務。文章對比咗 Manus 同 ChatGPT 嘅角色：ChatGPT 負責認知層（諗清楚），Manus 負責執行層（做出嚟），兩者係分工而唔係替代。
四類核心用戶包括：當「比請人平」嘅企業主、跑固定工作流嘅自動化極客、跨過技術門檻嘅創造者、同埋當積分係學費嘅狂熱學習者。不過，文章亦點出一個結構矛盾——Credits 焦慮：用戶願意為結果畀錢，但按過程計費令佢哋唔敢交大任務。
最後，文章提出核心洞察：AI 賽道爭奪嘅唔係 token 消耗量，而係人類可被外包嘅經濟效用總量。Manus 食住 Share of Tasks 同 Share of Outputs，但 Share of Decisions 仍然係 ChatGPT 嘅地盤。剩餘機會在於垂直 Agent、AI+人類服務同 Copilot。
- Manus 嘅 PMF 集中喺執行型任務：目標明確、路徑可預期、人類唔想持續介入。
- 同 ChatGPT 嘅關係係分工：ChatGPT 做認知層（諗），Manus 做執行層（做）。
- 四類核心用戶：算賬型企業主、自動化極客、跨界創造者、狂熱學習者。
- Credits 焦慮係結構矛盾：按過程計費抑制用戶交託大任務，需要心理成本上限。
- AI 賽道真正爭奪嘅係人類可被外包嘅經濟效用總量，唔係 token 消耗量。
Manus 解決緊咩問題？執行型任務嘅 PMF
文章指出，Manus 最穩固嘅價值區間係「不做唔得、自己做太攰、請人又唔划算」嘅任務。呢啲任務目標明確、路徑可預期，但執行過程冗長瑣碎，人類唔願持續介入。
高頻場景主要集中在四類：調研與信息整理、文件與內容產出、數據獲取與處理、軟件與系統構建。
- 1 調研與信息整理：抓取多網站信息、生成結構化報告，人工整理成本極高。
- 2 文件與內容產出：PPT、Excel、PDF 等多格式輸出，排版拆頁太繁瑣。
- 3 數據獲取與處理：爬取、清洗、合併、計算，自己做耗時間，僱人唔划算。
- 4 軟件與系統構建：搭網站、做小工具、寫腳本，有想法但缺技術能力。
Manus vs ChatGPT：認知層 vs 執行層
用戶評論反覆出現一個判斷：ChatGPT 係認知層產品，Manus 係執行層產品。兩者喺用戶心智中承擔完全唔同角色。
ChatGPT 核心定位係思考、解釋、規劃；Manus 係執行、交付、跑完流程。
- 任務託管：ChatGPT 需要用戶實時監督，Manus 可離線執行完整流程。
- 文件處理：ChatGPT 限於窗口內文本理解；Manus 支援跨格式工作流（PDF→Excel→PPT）。
- 系統權限：ChatGPT 受平台約束；Manus 可 SSH 連接服務器、部署系統。
四類核心用戶，各有唔同動機
第一類：當「比請人平」嘅企業主，直接同 Fiverr 或初級員工對比成本，容忍結果不完美，只要 ROI 成立。
- 第二類：跑固定工作流嘅自動化極客，關注「長期穩定性」同「唔會掉鏈子」。
- 第三類：本來唔會寫 code 但做出咗嘢嘅跨界創造者，得到跨越技術門檻嘅成就感。
- 第四類：將積分當學費嘅狂熱學習者，對積分消耗冇心理上限，當成同 AI 共同成長。
呢班用戶嘅存在證明咗 Manus 嘅 PMF 唔止一個羣體，而係跨唔同需求嘅執行層平台。
被忽視嘅問題：Credits 焦慮
用戶評論反覆出現對積分消耗嘅不安。結構性矛盾在於：Agent 嘅價值來自交付結果，但計費發生喺執行過程，成本同結果強烈解耦。
典型心理：我願意為結果付錢，但我不敢為過程放手。
呢個意味住 Agent 嘅天花板唔只取決於能力，仲取決於用戶能否預期成本上限。按 token/credits 計費必然製造焦慮，抑制用戶交託更大更複雜嘅任務。
AI Agent 賽道真正爭奪嘅係咩？
文章提出一個類比：移動互聯網爭奪用戶時間，而呢一代 AI 爭奪嘅係人類可被外包嘅經濟效用總量——即係現實世界裏面有幾多任務，人類願意授權畀 AI 執行。
Manus 食住 Share of Tasks（執行型任務首選）同 Share of Outputs（文件級交付），但 Share of Decisions（決策參與）仲係 ChatGPT 嘅地盤。
- Vertical Agent（垂直領域專家）：深度嵌入法律、財税、醫療等行業，爭奪決策權。
- AI + 人類服務（可信交付）：AI 規模化執行，人類承擔責任兜底，適合高客單價場景。
- Copilot（認知增強層）：嵌入式助手，成為用戶唔可或缺嘅認知接口。
之前 Meta 以 20-30 億美元收購 Manus，震動整個 AI 圈。
但比起這筆交易本身，更值得關注的是：為什麼 Manus 能在 AI Agent 賽道殺出來？它到底找到了什麼？
這篇文章不聊收購八卦，聊點更本質的東西——Manus 的 PMF（Product Market Fit）是怎麼跑出來的，以及它揭示了 AI Agent 賽道競爭的底層邏輯。
🔍 先搞清楚：Manus 到底在解決什麼問題？
很多人以為 Manus 是個「什麼都能做的通用 Agent」，但真實用戶的行為告訴我們，它最穩固的價值區間其實非常明確：
不做不行，自己做太累，僱人又覺得不划算的任務。
具體來說，高頻場景集中在四類：
| 場景類型 | 典型任務 | 用戶痛點 |
|---|---|---|
| 調研與信息整理 | 抓取多網站信息、生成結構化報告 | 信息源多、過程髒、人工整理成本極高 |
| 文件與內容產出 | PPT、Excel、PDF 等多格式輸出 | 排版、拆頁、素材整理太繁瑣 |
| 數據獲取與處理 | 爬取、清洗、合併、計算數據 | 自己做耗時間，僱人又不划算 |
| 軟件與系統構建 | 搭網站、做小工具、寫腳本 | 有想法但缺技術能力 |
這些任務有個共同特點：目標明確、路徑可預期、執行過程冗長瑣碎、人類不願持續介入。
🆚 Manus vs ChatGPT：執行層 vs 認知層
用戶評論裏反覆出現一個判斷：ChatGPT 是認知層產品，Manus 是執行層產品。
兩者在用戶心智中承擔完全不同的角色：
| 對比維度 | ChatGPT | Manus |
|---|---|---|
| 核心定位 | 思考、解釋、規劃 | 執行、交付、跑完流程 |
| 任務託管 | 需要用戶實時監督 | 可離線執行完整流程 |
| 文件處理 | 窗口內文本理解 | 跨格式工作流（PDF→Excel→PPT） |
| 系統權限 | 受平台約束 | 可 SSH 連接服務器、部署系統 |
| 典型使用 | 打磨 prompt、頭腦風暴 | 把確定的任務跑出結果 |
有意思的是，很多用戶會先用 ChatGPT 把問題想清楚，再用 Manus 把結果跑出來——因為 ChatGPT 便宜，適合高試錯率的認知準備階段；Manus 貴，適合低容錯率的執行階段。
這不是替代關係，而是分工體系。
來看幾條真實用戶評論：
"I use Manus Pro and ChatGPT Agent. Manus is better at doing things solo where Agent relies on you to take over and you have to sit and watch it."
Manus 能獨立跑完，ChatGPT 需要你盯着。
"I use Manus to generate files in different formats. PDF, PPTX, XLS, etc. ChatGPT doesn't do that for me and when it does, it's horrendous."
Manus 能直接輸出文件，ChatGPT 做出來的慘不忍睹。
"Now that GPT5 is Agentic, how does Manus differentiate? Manus can SSH and has a lot more freedom for giving it PAT that GPT5 can't touch."
GPT5 有了 Agent 能力又怎樣？Manus 能 SSH 連服務器，這是 GPT 碰不了的。
👤 誰在為 Manus 付費？四類核心用戶
1️⃣ 把 Manus 當「比僱人便宜」的企業主
這類用戶會直接拿 Manus 和初級員工、外包服務做成本對比：
"Fiverr 上一份寫作指南要 $250，Manus 做同樣的事只要 $12，還做得更好。"
"我們每月只花 200-500 美元在 Manus 上，比僱人便宜太多了。"
他們要的就是「算得過賬」，能容忍結果不完美，只要整體 ROI 成立。
2️⃣ 跑固定工作流的自動化極客
這類用戶用 Manus 處理的不是單次任務，而是可重複執行的流程：
- 每天抓取機票價格寫入表格
- 從 Google Drive 讀取圖片，自動生成 eBay 商品描述
- 定時從多個網站同步數據
他們關注的是「能不能長期跑、會不會掉鏈子」。
3️⃣ 本來不會寫代碼，但做出了東西的人
"我做了 10 年的卡牌遊戲，用 Manus 幾天就推進了好幾年的進度。"
"我是音樂製作人，完全不懂代碼，但用 Manus 做出了配合新專輯的遊戲。"
這類用戶獲得的是跨越技術門檻的成就感，商業目的反而不明顯。
4️⃣ 把積分當學費的狂熱愛好者
"我花了近 10000 積分，感覺像交了一筆在線課程的學費。"
"過去兩個月花了 30 萬積分，換來價值百萬美元的代碼產出，值了。"
這類用戶對積分消耗幾乎沒有心理上限，把整個過程當成「與 AI 共同成長」。
💸 被忽視的問題：Credits 焦慮
用戶評論裏有一個反覆出現的情緒：對積分消耗的不安。
"My first week: I couldn't believe it. Manus actually follows through. Any time after my first week: where did my tokens go? How on earth?"
第一週：太神了！之後：我的積分去哪了？？
"I was trying to develop an app... I easily wasted 2-4k of credits repeating mistakes it made during the coding. The amount of credits wasted really bothers me."
開發一個 App，光是重複修 bug 就燒掉 2000-4000 積分，心疼。
這背後是一個結構性矛盾：
Agent 的價值來自交付結果，但計費卻發生在執行過程。
用戶把目標整體交出去，中間過程不可見、路徑高度不確定，成本與結果強烈解耦。於是出現一種典型心理：我願意為結果付錢，但我不敢為過程放手。
這意味着：Agent 的天花板不僅取決於能力，還取決於用戶能否在心理上預期成本上限。
只要執行路徑高度不確定，按 token/credits 計費就必然製造焦慮，抑制用戶把更大、更復雜的任務交出去。
⚡ 核心洞察：AI Agent 賽道真正爭奪的是什麼？
這裏有個很有意思的類比。
2018 年聯通每月發佈「沃指數」，有個核心指標叫「户均月消耗流量」。當時快手以 634.93MB 大幅領先微信的 520.91MB，蟬聯榜首一年多。隱含結論似乎是——誰更耗流量，誰就是更強的平台。
但站在今天看，這個指標只是成本側的顯性指標，被誤當成了生態權重的本質指標。流量消耗高，只說明運營商賺得更多，卻不代表用戶價值或商業價值。
今天 AI 世界裏的「token 消耗量」，在認知上非常像當年的「户均消耗流量」——同樣顯性，同樣被拿來證明規模和領先地位，但回答的只是「為系統消耗了多少資源」，而不是「為現實世界創造了多少價值」。
兩代技術爭奪的稀缺資源完全不同：
- 移動互聯網：用戶時間 → 誰佔住更多注意力，誰就贏
- 這一代 AI：人類可被外包的經濟效用總量 → 有多少真實工作，人類願意交給 AI
換個更直白的說法：現實世界裏有多少任務，人類願意授權給 AI 執行？這些任務本身值多少錢？
可以按三個維度拆分：
| 份額類型 | 定義 | Manus 的位置 |
|---|---|---|
| Share of Tasks | 多少具體任務默認交給你 | ✅ 執行型任務的首選 |
| Share of Decisions | 多少決策你參與或主導 | ⚠️ 有限，主要靠 ChatGPT |
| Share of Outputs | 最終交付物有多少來自你 | ✅ 強項，文件級交付 |
Manus 吃掉的是 Share of Tasks 和 Share of Outputs，但 Share of Decisions 還是 ChatGPT 的地盤。
這也解釋了為什麼 Meta 願意出 20-30 億收購——Manus 不是在賣模型能力，而是在賣一整套成熟的執行層基礎設施。
🚀 Manus 之外的機會在哪？
Manus 已經跑出 PMF，但它不是 AI Agent 的終局形態。
剩餘的機會可能分化成三個方向：
1️⃣ Vertical Agent（垂直領域專家）
深度嵌入某個高價值行業流程：法律、財税、醫療、金融等。
爭奪的是專業領域的決策權，而不只是執行權。
2️⃣ AI + 人類服務（可信交付）
把 AI 放進真實的服務交付體系，由人類承擔責任與兜底，AI 提供規模化執行。
適合高客單價、高責任場景。
3️⃣ Copilot（認知增強層）
持續嵌入人類工作過程，不替代人，而是成為判斷與執行之間的增強層。
長期價值在於成為用戶不可或缺的認知接口。
💡 關鍵總結
| 要點 | 說明 |
|---|---|
| Manus 的 PMF | 不做不行、自己做太累、僱人不划算的執行型任務 |
| 與 ChatGPT 的關係 | 不是替代，是分工：認知層 vs 執行層 |
| 核心用戶 | 算賬型企業主、自動化極客、跨界創造者、狂熱學習者 |
| AI 賽道的穩態約束 | 人類可被外包的經濟效用總量 |
| 剩餘機會 | 垂直 Agent、AI+人類服務、Copilot |
🤔 寫在最後
Manus 被 Meta 收購，不是故事的結束，而是 AI Agent 賽道正式進入「執行層競爭」的信號。
以後我們評價一個 AI 產品，可能不再問「它有多聰明」，而是問：
它能替人類做多少真實工作？這些工作值多少錢？
這才是這一代 AI 真正爭奪的東西。
📚 信息來源：
- 萬字解析 Manus 的 PMF 和 AI Agent 賽道競爭的穩態約束
- Meta acquires Singapore-based AI agent firm Manus
- 2025年末全球 AI 行業流量報告