Meta花了20億美元買Manus，Elon Musk給Cursor開了600億美元的收購選項(xiàng)。這兩個(gè)數(shù)字公布之后，中文互聯(lián)網(wǎng)上最常見的反應(yīng)可以歸結(jié)為兩句話：第一，這倆不都是套殼嗎？底層用的是別人的模型，有什么了不起。第二，Zuckerberg和Musk這是沖動(dòng)消費(fèi)，一個(gè)是"Meta已經(jīng)錯(cuò)過了AI所以高價(jià)買進(jìn)"，一個(gè)是"Musk就是什么熱買什么"。

這種判斷的潛臺(tái)詞是：Manus和Cursor本身沒什么特別的，和市面上一大堆AI agent工具、AI編程工具沒有本質(zhì)區(qū)別，只是營(yíng)銷做得好、時(shí)機(jī)趕得巧。

這篇文章想說的是，這個(gè)判斷錯(cuò)了。不是小錯(cuò)，是方向性的錯(cuò)。Manus和Cursor在各自領(lǐng)域里的認(rèn)知水平，領(lǐng)先了行業(yè)至少一個(gè)身位，而且這個(gè)認(rèn)知領(lǐng)先有具體的技術(shù)路線和競(jìng)品對(duì)比可以驗(yàn)證。Meta和SpaceX/xAI的出價(jià)不是沖動(dòng)，是對(duì)這種認(rèn)知領(lǐng)先的定價(jià)。

Manus：從第一性原理出發(fā)

Manus從2025年3月發(fā)布起就伴隨爭(zhēng)議。最常見的批評(píng)是套殼：它不訓(xùn)練自己的模型，用的是Claude和Qwen，只是在外面包了一層agent調(diào)度框架。MIT博士秦增益的評(píng)論代表了一類觀點(diǎn)：這是一個(gè)很好的產(chǎn)品，但并不是一項(xiàng)技術(shù)突破。

要理解Manus做對(duì)了什么，最有效的方式是把它和同期的競(jìng)品放在一起看。

認(rèn)知差異一：不搞角色扮演

2023年到2025年初，多數(shù)multi-agent系統(tǒng)的設(shè)計(jì)思路是照搬人類組織架構(gòu)。MetaGPT是這類思路的典型代表：它把LLM agent分成產(chǎn)品經(jīng)理、架構(gòu)師、項(xiàng)目經(jīng)理、工程師、QA五個(gè)角色，每個(gè)角色有固定的職責(zé)和工作流，按照人類軟件公司的流程串行執(zhí)行。這就是所謂的hat wearing。

這種設(shè)計(jì)的問題出在起點(diǎn)。人類社會(huì)之所以需要專業(yè)分工，是因?yàn)橐粋€(gè)人的能力帶寬有限，需要花十幾年訓(xùn)練才能成為一個(gè)資深的產(chǎn)品經(jīng)理或資深的工程師。分工是對(duì)人類認(rèn)知局限性的補(bǔ)償。但LLM不是這樣。任何一個(gè)LLM off the shelf就是一個(gè)generalist，它懂所有領(lǐng)域的知識(shí)。在prompt里告訴它"你是一個(gè)資深的software engineer"，這句話除了限制它的能力以外沒有任何意義。

從第一性原理出發(fā)想這件事，結(jié)論完全不同：不應(yīng)該讓多個(gè)agent各自扮演一個(gè)人類角色然后串行協(xié)作，而應(yīng)該讓每個(gè)agent都保持generalist的完整能力，只在任務(wù)層面做分割。Manus的wide research機(jī)制就是這個(gè)思路的產(chǎn)品化。它的主planner agent把用戶請(qǐng)求拆成若干獨(dú)立子任務(wù)，然后為每個(gè)子任務(wù)啟動(dòng)一個(gè)獨(dú)立的、完整能力的Manus實(shí)例，每個(gè)實(shí)例有自己獨(dú)立的context window，在云端虛擬機(jī)沙盒里自主執(zhí)行。沒有"產(chǎn)品經(jīng)理agent"或"工程師agent"這樣的角色標(biāo)簽，每個(gè)sub-agent都能規(guī)劃、執(zhí)行和驗(yàn)證。

這不是UI層面的差別，也不是產(chǎn)品策略層面的差別，是對(duì)LLM本質(zhì)的理解不同。MetaGPT從人類組織架構(gòu)出發(fā)設(shè)計(jì)系統(tǒng)，Manus從LLM的能力特征出發(fā)設(shè)計(jì)系統(tǒng)。后者對(duì)了，前者錯(cuò)了。這個(gè)判斷在2025年3月是少數(shù)派，到2026年已經(jīng)成為行業(yè)共識(shí)：OpenAI的Codex用Plan/Spec Mode（planner分析請(qǐng)求，executor在沙盒里執(zhí)行），Anthropic的Claude Code用orchestrator-worker（lead agent制定計(jì)劃，sub-agent并行執(zhí)行），Cursor用Planner-Worker-Judge。所有頭部玩家都收斂到了按功能分工（規(guī)劃、執(zhí)行、評(píng)估）的架構(gòu)，沒有一家在給agent戴人類職業(yè)的帽子。

Manus在產(chǎn)品層面的判斷也體現(xiàn)了同樣的認(rèn)知水平。2025年3月，在多數(shù)agent產(chǎn)品還在垂直領(lǐng)域里各做各的時(shí)候（調(diào)研的只能調(diào)研，生成的只能生成），Manus是第一個(gè)把端到端鏈路打通的產(chǎn)品，從自主搜索到代碼生成到數(shù)據(jù)可視化一條線走完。這件事今天已經(jīng)是agent產(chǎn)品的標(biāo)配，但在當(dāng)時(shí)是少數(shù)派判斷。我在那一周寫過一篇分析，討論了Agentic AI在工具、數(shù)據(jù)和智能三個(gè)維度上的復(fù)利效應(yīng)，Manus是當(dāng)時(shí)唯一一個(gè)把這三層復(fù)利都做出來的產(chǎn)品。

認(rèn)知差異二：User Generated Software的創(chuàng)建和分發(fā)

軟件行業(yè)有一個(gè)長(zhǎng)期存在的供需錯(cuò)配：專業(yè)軟件公司生產(chǎn)的產(chǎn)品滿足的是頭部需求，大量長(zhǎng)尾需求沒有人管。這和媒體行業(yè)在YouTube出現(xiàn)之前的狀態(tài)類似：電視臺(tái)滿足頭部?jī)?nèi)容需求，長(zhǎng)尾的內(nèi)容創(chuàng)作需求被忽略，直到User Generated Content平臺(tái)出現(xiàn)。

Manus敏銳地判斷了這一點(diǎn)，并且在產(chǎn)品層面做了一個(gè)當(dāng)時(shí)看起來不太常規(guī)的決定：讓用戶能把Manus生成的應(yīng)用直接部署和分發(fā)。用戶描述一個(gè)需求，Manus自動(dòng)生成前端、后端、數(shù)據(jù)庫，然后一鍵部署到云端，返回一個(gè)可分享的鏈接。這件事做到這一步已經(jīng)超過了同期的多數(shù)agent產(chǎn)品。但Manus還做了一層：它提供了API，讓部署出去的應(yīng)用能夠調(diào)用Manus自身的AI能力。換句話說，用戶不光能用AI生成軟件，生成出來的軟件本身還能繼續(xù)使用AI。

這個(gè)判斷在當(dāng)時(shí)不是顯而易見的。2025年3月，多數(shù)AI agent產(chǎn)品把自己定位為"幫你完成一個(gè)任務(wù)的工具"，產(chǎn)出物是報(bào)告、代碼或幻燈片，用完就結(jié)束。Manus的定位是"幫你創(chuàng)建一個(gè)可以持續(xù)運(yùn)行和分發(fā)的軟件產(chǎn)品"，而且這個(gè)產(chǎn)品自帶智能。這是兩種完全不同的產(chǎn)品邏輯。前者把AI當(dāng)作一次性的生產(chǎn)力工具，后者把AI當(dāng)作User Generated Software的基礎(chǔ)設(shè)施。

市場(chǎng)反應(yīng)驗(yàn)證了這個(gè)判斷。Manus的waitlist在公開演示后突破了200萬，那次演示中最讓用戶興奮的不只是AI能做調(diào)研和寫代碼，而是它能一鍵把成品部署出去，變成一個(gè)真正可用的在線產(chǎn)品。到2025年底，vibe coding和AI app builder已經(jīng)成為一個(gè)47億美元的市場(chǎng)，Manus是最早把"創(chuàng)建加部署加智能注入"這條完整鏈路做出來的產(chǎn)品之一。

這個(gè)設(shè)計(jì)選擇背后的認(rèn)知水平，體現(xiàn)在它對(duì)整條價(jià)值鏈的完整性判斷上。多數(shù)競(jìng)品停留在生成這一步，Manus一直想到了分發(fā)和持續(xù)運(yùn)行。這和第一個(gè)認(rèn)知差異（不做hat wearing）指向同一個(gè)根源：這個(gè)團(tuán)隊(duì)從第一性原理出發(fā)思考問題，而不是沿著現(xiàn)有產(chǎn)品形態(tài)做增量?jī)?yōu)化。

結(jié)果和回應(yīng)

商業(yè)回報(bào)直接反映了這些認(rèn)知：8個(gè)月做到$100M ARR，處理量147萬億token，創(chuàng)建超過8000萬臺(tái)虛擬計(jì)算機(jī)。GAIA Level 3基準(zhǔn)測(cè)試57.7%的成績(jī)，領(lǐng)先OpenAI Deep Research的47.6%。

兩個(gè)常見的追問需要回應(yīng)。

第一，"agent產(chǎn)品已經(jīng)滿大街了，Manus是上一代的產(chǎn)品形態(tài)，對(duì)Meta沒有直接用途。"這個(gè)說法有一半是對(duì)的。Manus代表的是云端沙盒agent形態(tài)，而2026年的主流方向已經(jīng)轉(zhuǎn)向了Claude Code、OpenClaw這類本地終端agent和Amazon Q這類企業(yè)級(jí)集成agent。從產(chǎn)品代際來看，Manus的形態(tài)確實(shí)不是最新的。但收購的邏輯從來不是買最新一代的產(chǎn)品。Meta買的是這支團(tuán)隊(duì)的認(rèn)知水平、工程能力、用戶基礎(chǔ)和基礎(chǔ)設(shè)施積累。產(chǎn)品形態(tài)可以迭代，團(tuán)隊(duì)對(duì)agent AI的理解和實(shí)踐經(jīng)驗(yàn)不會(huì)因?yàn)樾乱淮a(chǎn)品出現(xiàn)就過期。Meta在2026年2月已經(jīng)把Manus的agent能力整合進(jìn)了Ads Manager的工作流，這說明Manus的技術(shù)資產(chǎn)在Meta的產(chǎn)品體系里找到了實(shí)際的著陸點(diǎn)。

Manus團(tuán)隊(duì)在2025年7月發(fā)表的context engineering博文是一個(gè)更直接的證據(jù)。這篇文章的信息密度極高，從中可以直接看到Manus團(tuán)隊(duì)對(duì)agentic AI的理解領(lǐng)先行業(yè)一個(gè)身位。它提出的三條核心原則（keep prefix stable、make context append-only、mask tools don't remove them）后來被整個(gè)harness engineering領(lǐng)域廣泛引用和采納。更重要的是，這篇文章在開頭就回答了一個(gè)關(guān)鍵的技術(shù)路線問題：是應(yīng)該基于開源模型訓(xùn)練一個(gè)端到端的agentic model，還是應(yīng)該在frontier model的in-context learning能力之上構(gòu)建agent？Manus選了后者，并且用產(chǎn)品結(jié)果證明了這條路線的可行性。這個(gè)判斷在2025年中不是共識(shí)，到2026年已經(jīng)成為行業(yè)的主流做法。一篇技術(shù)博文能做到這種程度的前瞻性和影響力，本身就是團(tuán)隊(duì)認(rèn)知水平的證明。

第二，"Manus從頭到尾就是套殼，沒有技術(shù)含量。"2026年4月發(fā)改委動(dòng)用了《外商投資安全審查辦法》五年來的第一次"禁止加撤銷"來叫停這筆收購。如果Manus真的只是一個(gè)沒有核心技術(shù)的套殼產(chǎn)品，監(jiān)管沒有理由用最強(qiáng)檔位的法律工具來保護(hù)它。監(jiān)管認(rèn)定這家公司的核心團(tuán)隊(duì)、研發(fā)能力、訓(xùn)練數(shù)據(jù)和IP構(gòu)成需要保護(hù)的國(guó)家安全資產(chǎn)。這份認(rèn)定的分量，比任何技術(shù)評(píng)測(cè)或媒體爭(zhēng)論都重。

Cursor：唯一自己訓(xùn)練模型的第三方選手

Cursor面對(duì)的套殼質(zhì)疑和Manus類似：底層用的是別人的模型，自己只做了一個(gè)編輯器。但Cursor做了一個(gè)同賽道的競(jìng)品都沒有做的判斷，并且圍繞這個(gè)判斷建立了完整的技術(shù)壁壘。

認(rèn)知差異一：判斷自訓(xùn)模型是產(chǎn)品的必要條件，然后把它做出來了

編程agent的核心循環(huán)是高頻的工具調(diào)用：讀文件、寫代碼、跑命令，每一輪都有延遲，累積起來直接決定產(chǎn)品體驗(yàn)。Cursor團(tuán)隊(duì)很早就判斷，在這個(gè)場(chǎng)景下，依賴外部frontier model的API在速度和成本上都無法做到讓開發(fā)者滿意的交互體驗(yàn)，自訓(xùn)模型是產(chǎn)品層面繞不過去的一步。Cursor官方博客的原話是，他們的目標(biāo)是訓(xùn)練出一個(gè)能支撐交互式使用的最聰明的模型，讓開發(fā)者保持在編程的flow里。

這里可能會(huì)有一個(gè)疑問：前面說Manus用外部模型API是正確判斷，怎么到Cursor這里自訓(xùn)模型反而成了必要條件？區(qū)別在于兩個(gè)領(lǐng)域的核心約束不同。Manus所在的通用agent領(lǐng)域，核心差異化在agent架構(gòu)和context engineering這一層，底層模型的能力差異被agent框架吸收了。編程領(lǐng)域不一樣，延遲和成本直接決定產(chǎn)品可用性。兩者的共同點(diǎn)恰恰是：都從自己領(lǐng)域的實(shí)際約束出發(fā)做了正確的build vs. buy判斷。

認(rèn)準(zhǔn)了這個(gè)方向之后，Cursor把它做出來了，而且產(chǎn)品體驗(yàn)驗(yàn)證了這個(gè)判斷。Composer 1發(fā)布之后，我在大量項(xiàng)目中用它替代了Sonnet 4.5。體感上，大概90%的日常編程任務(wù)（改bug、寫CRUD、重構(gòu)、加功能），Composer 1和Sonnet 4.5的完成質(zhì)量沒有明顯差別。日常編程中真正需要rocket science級(jí)別推理的場(chǎng)景占比很小，多數(shù)時(shí)候是體力活，模型之間的能力差距體現(xiàn)不出來。但速度優(yōu)勢(shì)是碾壓式的：同一個(gè)任務(wù)，Sonnet 4.5要等一兩分鐘，Composer 1幾秒到十幾秒就回來了。質(zhì)量差不多，速度快數(shù)倍，這在高頻使用場(chǎng)景下帶來的體驗(yàn)差異是巨大的。這正是Cursor一開始做出的那個(gè)判斷：編程領(lǐng)域的產(chǎn)品體驗(yàn)瓶頸在模型的速度和成本，不在能力上限。

做法上，Cursor沒有從零預(yù)訓(xùn)練一個(gè)模型，而是拿開源的MoE底座，在模擬Cursor生產(chǎn)環(huán)境的agent harness里做大規(guī)模RL post-training，訓(xùn)練模型的工具調(diào)用決策和響應(yīng)效率。

這里有一個(gè)常見的質(zhì)疑：這不就是fine-tuning嗎？

從Composer 1到2的五個(gè)月演進(jìn)回答了這個(gè)問題。Cursor的訓(xùn)練鏈路經(jīng)歷了三次迭代，每一次都不是簡(jiǎn)單的調(diào)參，而是訓(xùn)練方法論本身的升級(jí)。1和1.5階段的路線是純RL：拿開源底座做大規(guī)模后訓(xùn)練。到Composer 1.5，RL的計(jì)算量擴(kuò)大了20倍，后訓(xùn)練消耗的算力甚至超過了底座預(yù)訓(xùn)練本身，同時(shí)引入了thinking tokens（自適應(yīng)推理深度）和self-summarization（長(zhǎng)上下文自動(dòng)壓縮）兩個(gè)新訓(xùn)練行為。但他們發(fā)現(xiàn)RL-only路線的邊際收益在遞減：CursorBench從1到1.5只提升了6.2分，算力卻投入了20倍。

到Composer 2，Cursor做了一個(gè)關(guān)鍵的方法論轉(zhuǎn)向：在RL之前加入continued pretraining，改變RL探索的起點(diǎn)質(zhì)量。底座換成了Kimi K2.5（Moonshot官方已確認(rèn)），先做繼續(xù)預(yù)訓(xùn)練再做RL，結(jié)果CursorBench一口氣提升了17.1分。Composer 2的技術(shù)報(bào)告說得很明確：它在推理成本顯著低于同級(jí)別模型的前提下達(dá)到了Pareto最優(yōu)。換句話說，Cursor的post-training鏈路做到的不是在底座上加一層fine-tune然后性能打折，而是在壓縮成本和延遲的同時(shí)保持了可比的編程能力。

這個(gè)方法論的自我修正有學(xué)術(shù)上的支撐。ICML 2025的研究（SFT Memorizes, RL Generalizes）和Moonshot自己的Kimi K2技術(shù)報(bào)告都指向同一個(gè)方向：預(yù)訓(xùn)練建立先驗(yàn)，RL在先驗(yàn)上做高效探索，continued pretraining改變的是起點(diǎn)質(zhì)量。Cursor團(tuán)隊(duì)在Composer 2之前就獨(dú)立發(fā)現(xiàn)了這一點(diǎn)并落地到產(chǎn)品里。

回過頭來看競(jìng)品的選擇。AI編程工具領(lǐng)域里創(chuàng)業(yè)公司很多：Cline是開源的VS Code插件，接各種第三方模型API；Windsurf（原Codeium）也自訓(xùn)模型，但路線不同，它走的是通用編程能力路線，沒有針對(duì)高頻工具調(diào)用場(chǎng)景做專門優(yōu)化；GitHub Copilot背靠OpenAI，但直到2025年底還在用現(xiàn)成的GPT-4和Claude模型，沒有自己的post-training鏈路。Cursor是唯一一個(gè)在第三方AI編程工具里把自訓(xùn)模型做出來并且驗(yàn)證成功的。

認(rèn)知差異二：Harness Engineering落地到產(chǎn)品

Cursor在harness engineering上的投入是另一個(gè)被低估的壁壘。Composer 2的技術(shù)報(bào)告詳細(xì)描述了他們的訓(xùn)練方法：用真實(shí)的Cursor生產(chǎn)環(huán)境作為訓(xùn)練場(chǎng)景，讓模型在真實(shí)的工具調(diào)用循環(huán)中學(xué)習(xí)決策。

這和傳統(tǒng)的SFT（supervised fine-tuning）有本質(zhì)區(qū)別。SFT是讓模型模仿人類的示范，而RL是讓模型在環(huán)境中試錯(cuò)并優(yōu)化獎(jiǎng)勵(lì)函數(shù)。Cursor的訓(xùn)練數(shù)據(jù)不是人工標(biāo)注的"正確操作序列"，而是模型在模擬環(huán)境中自主探索產(chǎn)生的軌跡，通過結(jié)果反饋（任務(wù)是否完成、代碼是否正確）來優(yōu)化策略。

這種方法論的優(yōu)勢(shì)在于：模型學(xué)到的不是"人類通常會(huì)怎么做"，而是"在這個(gè)具體場(chǎng)景下什么做法最有效"。對(duì)于編程這種結(jié)果導(dǎo)向的任務(wù)，后者明顯更優(yōu)。

Cursor還做了另一件競(jìng)品沒做的事：把harness engineering的成果反哺到產(chǎn)品體驗(yàn)。Composer 2的"智能上下文感知"功能，能夠自動(dòng)識(shí)別代碼庫中的相關(guān)文件和依賴關(guān)系，不需要用戶手動(dòng)指定。這個(gè)功能背后就是harness訓(xùn)練中學(xué)到的代碼結(jié)構(gòu)理解能力。

回應(yīng)套殼論

說Cursor"只是套殼"的人，通常指的是它用的不是自己的底座模型。但如果仔細(xì)看它的技術(shù)棧，會(huì)發(fā)現(xiàn)它做了幾乎所有能做的東西：自訓(xùn)模型（雖然不是從零預(yù)訓(xùn)練）、自研harness、自研RL訓(xùn)練鏈路、自研上下文管理系統(tǒng)。唯一"外包"的是底座模型的預(yù)訓(xùn)練，而這恰恰是build vs. buy判斷后的理性選擇——預(yù)訓(xùn)練一個(gè)MoE底座的成本是數(shù)十億美元級(jí)別，不是創(chuàng)業(yè)公司能承受的。

更重要的是，Cursor證明了這個(gè)路線的可行性：通過post-training和harness engineering，可以在開源底座之上構(gòu)建出體驗(yàn)優(yōu)于frontier model API的產(chǎn)品。這個(gè)判斷本身就有極高的認(rèn)知價(jià)值，而且已經(jīng)被產(chǎn)品結(jié)果驗(yàn)證。

共同的模式

Manus和Cursor雖然處于不同領(lǐng)域，但展現(xiàn)了相同的認(rèn)知模式：

第一，都從第一性原理出發(fā)思考問題，而不是沿著現(xiàn)有產(chǎn)品形態(tài)做增量?jī)?yōu)化。Manus重新思考了multi-agent系統(tǒng)的設(shè)計(jì)范式，Cursor重新思考了編程工具的模型需求。

第二，都做出了和當(dāng)時(shí)主流判斷不同的選擇，并且用產(chǎn)品結(jié)果證明了自己是對(duì)的。Manus在2025年3月選擇不做hat wearing，Cursor在2024年選擇自訓(xùn)模型，當(dāng)時(shí)都不是共識(shí)。

第三，都建立了可驗(yàn)證的技術(shù)壁壘。Manus的壁壘在agent架構(gòu)和context engineering，Cursor的壁壘在post-training和harness engineering。這些壁壘不是營(yíng)銷話術(shù)，有具體的技術(shù)實(shí)現(xiàn)和benchmark結(jié)果支撐。

第四，都獲得了超額的商業(yè)回報(bào)。Manus 8個(gè)月做到$100M ARR，Cursor在AI編程工具領(lǐng)域占據(jù)了領(lǐng)先位置。這些回報(bào)是對(duì)認(rèn)知領(lǐng)先的定價(jià)。

Meta和SpaceX/xAI的收購出價(jià)，本質(zhì)上是對(duì)這種認(rèn)知水平的認(rèn)可。產(chǎn)品形態(tài)可以迭代，團(tuán)隊(duì)的理解和實(shí)踐經(jīng)驗(yàn)是更難復(fù)制的資產(chǎn)。從這個(gè)角度看，20億美元和600億美元不是沖動(dòng)消費(fèi)，而是對(duì)稀缺資源的合理定價(jià)。

對(duì)于那些還在說"套殼"的人，也許需要重新理解什么是真正的技術(shù)壁壘。在AI這個(gè)快速演進(jìn)的領(lǐng)域，能夠做出正確判斷并且把它做出來，本身就是最高的技術(shù)能力。