从7500万美元融资、5亿估值到4个月裁员2/3，Manus的急坠像一记耳光，打醒了“通用Agent万能论”。文章复盘其流量腰斩、ARR虚高、用户吐槽“又慢又贵”的全过程，指出：在LLM幻觉与算力边界未破之前，鼓吹零Workflow的宏大叙事只是泡沫；真正落地的AI必须回到垂直场景、结构化流程和可验证价值。

一觉起来看到一则令人惊讶的消息：Manus裁员了！稍微思考一下，又觉得似乎理所当然，这里先看一条时间线：

3月6日：爆火发布，一码难求，科技圈不眠夜；

5月13日：开放注册；

5月：获得7500万美元融资，估值5亿美元；

6月：总部迁至新加坡，开始”国际化”；

7月8日：回应裁员传闻，”基于经营效率考量”；

随后在一些媒体如投资界看到了具体数字：

Manus目前在中国区的员工总数120人左右，除了四十多名核心技术人员迁往新加坡总部之后，其余员工都将会进行裁员优化，给予N+3或者2N的赔偿。

再对比3月初Manus发布时庆祝的各种员工欢呼视频，还是非常令人唏嘘的…

这里配合来看另一组数字，大家或许会有不一样的感受：根据非凡产研数据显示，Manus在2025年5月的年度经常性收入（ARR）已达到936万美元，增长势头强劲。

与此同时，其竞品Genspark也交出了一份更为激进的成绩单。创始人景锟在X平台上透露，Genspark上线仅一个月，ARR就突破了2200万美元；上线第45天进一步跃升至3600万美元，展现出惊人的爆发力与增长效率。

但无论是Manus还是其竞争对手Genspark，在经历了短期爆发式增长后，用户流量正迅速回落。

根据Similarweb数据，Manus的月访问量在2025年3月达到顶峰（2376万人次），随后逐月回落至2025年5月的1616万，略有反弹至6月的1730万；而Genspark则从3月的440万快速攀升至4月的888万，5月与6月则分别为843万与769万，呈现缓慢下行趋势。

至于原因，前些日子红杉AI峰会已经提出了：这两年AI的机会在垂直领域。

如果非要为Manus类产品数据滑落找原因，我觉得应该从宏观回到微观，这里是几个核心问题：Manus像玩具一样，又慢又不能解决问题，最后还死贵死贵的！

一位用户的评价我觉得非常好：产品想象力已经远超技术能实现的边界，目前主要不是能否想到，而是能否实现，manus类的产品不多的一个原因就是技术还无法实现类似产品。

只不过这里有个点是错的：Manus类产品还真多，但统一都不好用。

虽然如此，Manus类产品依旧留下了很多东西，这里我们先从市场教育和技术预测两个方面进行讨论，首先是市场侧：

CEO的普遍性焦虑

熟悉的同学会知道，我之前是做AI+企业管理方向创业的，其中有一部分工作就是用一套AI工作流低代码平台快速的为企业实现SOP的搭建，后来我创业失败了，核心原因是：中小型企业的老板们并不买单！

因为管理类工具最终无非指向两个点：

第一人效工具，是用于监控团队、监控项目、衡量人效、衡量项目ROI的，这种东西没人喜欢；

第二效率工具，就是用来提升效率的，但所有的效率提升都意味着岗位裁员；

对于公司来说，除非一把手需要+团队确实长时间人力不足，否则很难有管理工具入场的可能，对于老板来说：

你完全可以自主加班解决问题，为什么需要我去买效率工具呢？你们可以自己买效率工具嘛！

大家不要笑，这种情况在中小型公司是非常常见的，你如果让老板选择是让员工加班还是让员工提效，他们大概率会选择加班，这背后有很多的道道，包括文化考虑、包括服从性测试等等…

所以，一般的数字化转型，甚至AI工作流根本“不入老板法眼”，但DeepSeek+Manus组合有些打破了这种格局，原因也很可笑：

中小老板一方面是好奇，另一方面是发现这东西可能可以完全干掉某些人，因为存在永久性减少某些成本的可能，于是他们是愿意给这笔预算的！

在这个基础下，这些连Excel公司都用不利索的公司，居然开始风风火火的上智能体项目了，这其实源于CEO不切实际的期待，也是我做CEO数字分身这个AI管理项目的初衷：让AI真的能辅助老板做思考，也能帮他干活…

于是乎AI工作流，换身皮再次出现在了老板们面前，老板们突然就很热情了，只不过问题依然会进一步发生：这个故事难以闭环！

大家想象一下：Excel都玩不明白的公司，他们有什么核心数据能够支撑AI表现得很好呢？

所以，最终很多急功近利的中小公司的AI落地，最终又是一个互相坑的过程…

垂直领域才是未来

Manus类产品的收缩，不仅是一家明星公司的战略调整，更像是戳破了通用AIAgent（智能体）在当下技术条件下试图“包打天下”的幻想。

CEO们焦虑驱动的短视采购（不做数字化，直接上AI），暴露了他们对AI能力的误解；而技术无法兑现的承诺，最终导致了业务逻辑崩塌。

但这背后，隐藏着一个更根本、也更激烈的技术路线之争：通用端到端Agent（所谓“零Workflow”）与垂直领域结构化Workflow（SOP），谁才是当前更适合AI应用的技术路径？

面对Manus的困境，乐观的通用派（Agent鼓吹者）可能会祭出强化学习之父RichSutton“苦涩的教训”中的观点：算力碾压一切，简单通用的方法终将胜出。

他们憧憬着，如同AlphaGo或GPT-3那样，依靠纯粹的大模型能力和海量数据，就能让Agent自主规划、调用工具、解决一切问题，最终淘汰那些“笨拙”、“僵化”的垂直Workflow应用。

然而，现实世界远比棋盘或文本序列复杂得多。Sutton的理论有其真理内核，但它需要一个关键前提：算力必须作用于能够有效表征真实世界知识的正确架构上。

当前的LLM（大语言模型），其本质是基于海量文本的“词序列条件概率模型”。它学习的是“在特定上下文中，下一个词最可能是什么”，这是一种强大的统计拟合能力，但远非真正的理解与思考。

这种架构在面对复杂、模糊、依赖隐性知识的垂直领域时，存在短期内难以逾越的鸿沟：知识的有损性。

1.数据残缺与表征瓶颈

以医疗为例，真实世界的诊断决策远非教科书上的症状-药物对应图。

医生依赖的是海量无法完全编码的隐性知识：患者的微表情（疼痛忍耐度）、社会经济因素（支付能力、家庭支持）、伦理考量（生命质量vs延长寿命）、跨科室协作的微妙平衡。

这些知识，大部分难以结构化、难以用文字精准描述，自然也无法被LLM充分学习和表征。

GPT-4能在医学考试中取得高分，不代表它能处理临床上的复杂特情，正如通过飞行理论考试不等于能处理空中险情。

2.开放性问题vs.封闭规则

AlphaGo的成功建立在围棋规则完全透明、状态空间有限的基础上。

而Manus试图解决的企业管理、客户服务、乃至更广泛的“通用任务”，其边界是模糊的（不同任务间相互影响）、状态是动态演化的（用户需求瞬息万变）、价值是多元甚至冲突的（效率vs安全vs员工感受）。

这需要元认知能力（反思自身决策的局限）和动态价值权衡，远超当前LLM的“统计拟合”范畴。

3.语言的局限性

更本质的问题是，文字本身只能描述真实世界的30-40%。

大量的感知信息、情境信息、直觉判断无法被有效编码成训练LLM的文本数据。

多模态（图像、声音、传感器数据）是方向，但其融合、理解与有效利用，距离支撑一个“零Workflow”的通用Agent，还有漫长的技术鸿沟需要跨越。

鼓吹在当下就实现“零Workflow”的通用Agent，无异于让一个刚学会认字的孩子拿着医学教科书去看病。

其结果，很可能就是Manus们所经历的：产品表现如玩具，又慢又贵，无法解决实际问题，最终被用户抛弃。

开倒车

Workflow（SOP）的价值需要被重新审视，他甚至被一些激进的Agent鼓吹者污名化为“开倒车”。这不仅是错误的，更可能是一种策略性的“入口之争”。

Workflow的核心价值在于它是对抗当前LLM局限性的“缓冲层”和“稳定器”：

1.确定性

在高风险、高价值的垂直领域（金融风控、医疗诊断、工业控制），预设的Workflow规则和校验节点是避免模型“幻觉”和不可预测行为的最后防线，它确保了输出的可靠性和业务流程的可控性。

想象一下，一个银行信贷审批Agent完全自由发挥，没有基于监管规则和风控模型的Workflow约束，后果不堪设想。

2.工程务实

与其让Agent耗费大量算力和Token进行冗长且可能出错的推理，不如直接调用预先设计好的、经过验证的Workflow来高效完成任务。

这在处理大量重复性、规则性强的任务时，能节省90%以上的资源消耗。

3.领域知识的有效封装

Workflow本质上是人类专家经验和行业最佳实践的结构化封装。

它把那些难以完全教给AI的隐性知识、行业黑话、特定场景的微妙判断，通过流程、规则、工具调用的组合固化下来。

对于“Excel都用不利索”的中小企业，Workflow是它们接入AI能力的现实桥梁，而非障碍。

只不过很多企业连Workflow都梳理不出来，这个其实是个技术活…

4.飞轮系统

Workflow的执行过程会产生大量结构化、高质量的轨迹数据（用户操作、决策节点、结果反馈）。

这些数据是训练和优化基础模型、提升其在特定领域能力的黄金燃料。

没有这些来自真实场景的Workflow数据，通用模型的“垂直进化”将是无源之水。

综上，贬低Workflow，鼓吹在当前技术条件下实现“零Workflow”，要么是脱离实际的技术浪漫主义，要么就是一场精心设计的“入口争夺战”。

如Genspark这样的产品，虽然宣传上高举Agent大旗，但其实际改进策略包括：引入专业数据源、并行搜索、多代理交叉验证、专家审核内容、使用离线Agent确保准确性。

本质上就是在构建一套强大的、隐性的Workflow系统！他们希望用户最终完全依赖其平台，将数据和能力入口牢牢控制在自己手中。

那些鼓吹垂直模型是“开倒车”的论调，往往出自拥有强大通用模型和平台野心的巨头之口。

但要注意的是：我们反对的是脱离当前技术现实、贬低必要工程实践的“零Workflow”激进论调，而非Agent所代表的“更智能、更自主”的未来方向。

务实的技术演进路径应该是：通用模型作协调层，垂直Workflow作执行层，这种我们的工作场景中去年就实现了…

结语

Manus的裁员，是给整个AI行业敲响的一记警钟：Attentionisallyouneed的时代已经过去，靠注意力获得的资源，也会因为无能沉淀流量而很快会的失去。

所以：在技术尚未成熟时，过度炒作“通用智能体”、贬低必要的工程化路径（Workflow），只会催生泡沫，最终伤害用户信任和行业发展。

其次，CEO们的焦虑需要被引导，而非被利用来兜售不切实际的幻想，否则一定会被反噬的…

未来的5-10年，AI落地的关键命题不是“Agent取代Workflow”或“Workflow阻碍Agent”，而是如何做出AI应用爆品的问题，谁成功了我们用谁就行，这里可以直接用脚投票。

总而言之：AI应用重工程，我们要敬畏技术边界，重视数据工程，正视工程难度！Manus的故事可能只是开始，未来的路还长着呢！