Manus底层模型选择背后的考量：Manus迅速走红后信息纷杂。其背后主要采用Claude（aPi）和后训练的阿里Qwen，而非DeepSeek。这是因为DeepSeek虽推理能力强，但在Functioncalling、多模态、长上下文方面表现欠佳，而这些特性对Manus这类自动化Agent产品至关重要。Functioncalling能实现多样任务，长上下文支持复杂任务，多模态让Agent具备更多能力，其中长上下文驱动的长链规划能力尤为关键。
给Manus灵感的Devin：Devin是ai编程领域的自动化Agent产品，具有异步、有云端虚拟机、能随时打断并积累知识等特征，Manus从中获得灵感。Devin产品定义超前，超越诸多同类产品理念。Monica团队借鉴其优势并将其落地，值得其他团队反思。
AI时代的“安迪比尔定律”与“杰文斯悖论”：Agent对token消耗呈指数增长，符合AI时代的“安迪比尔定律”，即LLM厂商降低token生成成本，Agent会增加token消耗量，且AI领域该定律速度更快。同时，Manus发展遵循“杰文斯悖论”，资源使用效率提高会增加总消耗。从长远看，国内Agent发展有成本优势。
大厂复制Manus的难度：很多人认为大厂能快速复制Manus，但实际难度较大。原因在于Monica团队复合经验丰富，对不同模型和浏览器产品熟悉，且关注海外进展；对产品需求理解深刻，产品有诸多实用巧思；团队敏捷性高，扁平团队利于快速迭代产品，大厂短时间难以组建此类团队。
Manus的融资可能性：尽管大厂入局不易，但一定会参与Agent领域竞争。Devin估值达20亿美金，而Monica团队大概率未达此级别，资金相对不足。为应对竞争，Manus可能会进行大规模融资，此次出圈也将提供有利融资环境。
如何评价Manus的表现：评价Manus表现可从三个维度。一是GAIA的Benchmark分数显示其在基准线以上；二是高分不代表个人实际使用体验好，实测中Manus表现有差异；三是要理解其边界，目前处于轻度缝合怪阶段，任务成功率受底层模型影响，且其价格因素也需纳入评估，最终表现有待市场检验。
