Manus，刚刚悄悄发布了自己的 2.0 宣言

10 月 26 日，Manus 联合创始人、产品合伙人张涛（网名 HideCloud）最近在自己的公众号「潜云思绪」写了一篇长文，标题叫《用 Manus 改造 Manus》。

文章开头是一个让他印象很深的画面。他给工程师提了几条需求和 Bug，过一会儿去看进展，发现对方电脑上开着一排 Codex 和 Manus 的 Session。随便点开一个，输入就是他刚在 Slack 上发的需求原文，一字未改。

更让他意外的是，这位工程师当时同时在处理十几、二十个需求。在今天的 Manus，这已经是常态。

Manus 内部做了一个叫 Manus-mono 的统一代码入口，配上一本写给 AI 看的说明书，让 AI 能看到跨仓库的全局。一个需求，一个人就能写完所有端。移动端团队一直只有 7 个人，同时负责 2 个产品、4 个 App，进度和网页版基本同步。

所有产品经理都向 Manus 提交过代码，大约一半能独立把需求做到上线。有的产品经理交出来的需求，已经从文档变成了一段视频。

市场团队有了一位「数字同事」，会自己安排工作、主动提醒项目进度，还会跨团队去把功能细节问清楚。

9 月，公司的 AI 开销人均超过 1 万美元，少数人一个月就用掉七八万美元。张涛专门用一节回应了外界的质疑。

文章发出的时间点也很微妙。9 月底，Manus 发布了 2.0 版本和个人智能体应用 Cue；10 月初，母公司蝴蝶效应宣布完成超过 5 亿美元的新一轮融资，同时在北京开出 17 个岗位。

放在这个节点上看，这篇文章更像是 Manus 团队进入 2.0 时代的一份宣言。它讲的是组织如何利用 AI 进化，透露出来的却是这家公司的产品方向、成本逻辑和用人标准。

如果你把文章里的内部实践和 Manus 2.0 的功能列表放在一起，会发现它们几乎能一一对上。

市场团队的数字同事用内部网站觉得不顺手，可以通过一个反馈接口直接提需求，需求一进来就自动触发 Manus 的开发任务。这背后用的是 2.0 的 Automations，收到一条外部通知，就自动开始一个任务。

产品经理用视频代替需求文档，靠的是 2.0 大幅加强的视频能力，既能用图像生成视频，也能用代码做动画。做语音转文字功能的那位产品经理，故事很典型。她先让 Manus 测试了十多个模型，选定一个接入，再按现有设计规范做 Demo，让 Manus 把用户可能遇到的场景逐一生成图片，一张张检查修改，最后把 Demo 剪成视频。方案清楚了，她干脆把功能写完，网页端和桌面端的界面都出自她手。

同事做的 Slack 机器人运行在云电脑上。非研发同事想知道某个功能怎么实现、文案在哪、有没有上线，不必先打听归谁管，直接问它就行。这对应的是 2.0 里可以 7×24 小时常驻的云电脑。

还有一些功能目前只在内部用。比如同一项目的成员默认能看到彼此的 Session，工程师和 AI 做完大部分工作，产品经理可以进到同一个 Session 里，接着调间距、样式和文案。

张涛在文末写得很直接，这些是 Manus 接下来要做好的事，「我们会先自己试，再交到用户手里」。

「吃自己的狗粮」这个说法在软件行业流传了几十年。一般认为它源自 1988 年微软高管 Paul Maritz 的一封内部邮件，标题就叫「Eating our own Dogfood」，要求员工多用自家产品。后来更有名的例子是 Slack，它最早是游戏公司 Tiny Speck 开发《Glitch》时自用的沟通工具，游戏没做起来，工具反倒成了主业。

Manus 走的是另一个方向。产品先有了，再把公司内部怎么用它写出来，当作产品最好的样板间。对一家卖通用 Agent 的公司来说，没有什么演示比「我们整个公司都这么干活」更有说服力。

过去一年，个人 Agent 已经成了大公司的标配。Anthropic 有 Cowork，Meta 的 Muse 上线不久就登上美区 App Store 免费榜第一，腾讯 WorkBuddy 在国内 PC 端办公智能体里月访问量突破 2000 万。「给每个人配一个替你干活的 AI」，正在变成所有人都在做的事。

第一条，Session 本身会成为多人协作的工作对象，一个人提出问题，设计师出方案，工程师实现，产品经理接着运营，都在同一个 Session 里推进。

第三条是 Agent 进入公司的系统和知识库之后，能主动找到人没想到的解法。

这和 Cue 的思路相通。Cue 给每个 Agent 配了独立的邮箱、电话号码、钱包和电脑。CEO 肖弘发布时说，这样一个「东西」也许可以称之为「人」，接下来「是不是应该有个很多人和 Bot 的群」。Cue 把这个想法放进了个人生活，文章里的数字同事，则是它在公司里的样子。

很多同事会同时找它，所以它只在一个「工作台」Session 里和大家对话，具体任务再拆给其他 Session 并行完成。Slack 消息很多，它会先判断和自己有没有关系，有关系的再分成「要打断手上的事」和「做完再处理」两类。张涛特别提到，这套规则是 AI 在开发过程中自己设计的。

有一次，同事们在 Slack 里讨论两个项目，一时记不清其中一个到了哪个阶段。没人 @ 它，它主动提醒，「B 还在测试阶段，要不要等 A 的结果出来再看 B？」产品团队上线 3D 模型生成和骨骼绑定之后，它又主动跑去问适用条件，弄清楚骨骼绑定目前支持鱼、蛇、四足动物等七类物体，之后对外介绍就能讲得准确。

当单人 Agent 变成标配，通用 Agent 的下一块地盘，大概就在团队协作这一层。Manus 先把自己的公司变成了试验场。

文章里最受争议的数字，是 9 月人均超过 1 万美元的 AI 开销。张涛月初在朋友圈提过一次，引来不少「花得太过分」的质疑，这次他正面给了三条理由。

第一条，这笔钱买的是时间和注意力。团队一大，沟通成本就高，AI 省下的是每个人的注意力，让每个人对自己负责的事有更完整的掌控。

第二条，贵是因为用最好的模型，这是了解 AI 能力边界的核心方法。他举了代码审核机器人的例子。负责研发效率的同事说，最近半年没听说过因为合入有问题的代码导致线上故障，而 AI 编程普及之后，公司每天的代码提交量「非常夸张」。这位同事觉得，这可能是公司最划算的一笔支出。

第三条最有意思。越来越多开发工作在 Manus Studio 上完成，Studio 是 Manus 自己的产品，内部烧掉的每一个 Token，都会变成看清 Token 浪费在哪里的数据。产品改进了，浪费减少，成本下降，用户也跟着受益。

这条逻辑把一笔成本讲成了研发投入。张涛的判断是，今天每月 1 万美元换来的工作方式，两年后可能只需要几百美元。

换个角度看，这笔账也照出了应用层 Agent 公司共同的处境。文章开头那位工程师屏幕上开着的，除了 Manus，还有 OpenAI 的 Codex。Manus 的研发离不开最顶级的模型，而提供这些模型的公司，自己也在做 Agent 产品。