读Manus爆火的背后，Agentic AI产品如何构筑持久的竞争优势？

⸻

在 Manus 之前，AI Agent 主要是两个方面，一为调研，二为代码。两者之间缺乏协作，若调研为输入，则代码为输出。Manus 成为两者之间的桥梁，让输入与输出的流程打通。

⸻

Agentic AI相比于传统AI，一个鲜明的特征是它在多个维度上都具有复利效应（Compound Effect）。

在Agentic AI产品中，能使用的工具的数量从6个到8个所带来的产品体验变化，要远远大于从2个到4个所带来的变化。这是因为AI所使用的工具之间是可以相互组合、相互促进的。

即使不论它做的其他创新，即使我们只看它把Deep Research和Cursor这两种产品并在一起，这个单纯的工具数量的增长，立刻就让它完成了很多以前的产品实现不了的场景。

⸻

Agentic AI 在数据方面还具备知识的复利效应。当一个 AI 面对同一个对象（客户、业务、功能、需求…），可以随着时间推移，可以自我积累、组织和外化知识。AI 从原始的知识库中发掘、提炼、总结，形成对自己友好的文档（知识）体系。

这要求 AI 拥有很强的记忆性。而这种记忆性是如何解决的呢？作者还提出了以文档为驱动的 AI Agentic，以外部知识库的方式，提升 AI 的记忆能力。和作者说的一样，这需要一个外部记忆系统了解决。但目前 Manus 应该还完全解决这个问题，它只是解决了多 AI Agent 协作之间的共享工作记忆的问题，通过 todo.md 来解决。

⸻

数据的积累也有组合的复利效应。有更多的历史数据和总结出来的文档，AI就能通过对比和思考，形成更多的洞察。从某种程度上来说，这是一个把传统的知识系统变成一个AI友好（AI Friendly）的知识系统的过程。AI friendly不是一个非黑即白的二元状态，而是一个需要时间去沉淀和发展的东西。我甚至愿意把它和人与自然的共同进化（co-evolution）来类比。一方面，AI会从原始的知识库中进行挖掘、提炼和积累。另一方面，用户在使用AI的过程中也会越来越体会到，如果我们把各种数据让AI能轻松获取，对自己的工作而言也大有裨益。

目前业界已经推动 LLM.txt 这一个协议，或者标准，令网站的内容可以变得 AI 友好型内容，让 AI 更快、更方便地知道内容是什么。按照作者的观点，则可能是需要一个 AI 友好型的 RAG 系统也说不定。而且，这一套系统，需要拥有自主学习的能力，会逐步迭代，将原始的知识库逐步分类，打上标签，透析关系。而这不是用文本嵌入模型，来分析文本可以做到的。

本身维持这一套知识体系，可能就需要一个单独的 AI 角色去负责。

⸻

Agentic AI还有一个非常有意思的特点，就是智能本身也是有复利的。

作者将 Gemini 和 OpenAI 的 Deep Research 作为对比，认为后者更主动，更懂得自我迭代。——当然我对此持有不同的观点，一个稍微笨一点的 AI，或者说不过度自我演绎的 AI 实际上在解决问题方面，也大有用处。比如说我的朋友，是面向客户提供技术服务，日常有大量数据分析、处理，形成报表。显然，一个自我演绎能力太强的 AI 并不适合这类「笨活」，因为这种 AI 太聪明，懂得通过伪造数据偷懒。所以我觉得这个例子可能不够恰当。

然而，我觉得作者说观点没有错，一个越聪明的 AI，就越懂得理解需求，也懂得运用更有效的工具，和更短的步骤来实现用户的目标。

⸻

工具数量的增多会为信息的处理和积累提供更多出口，比如在项目管理、搜索、文档生成等多个维度留下可以供 AI 学习的数据接口。AI 在分析这些信息的时候，也在不断提升自己的推理和理解能力。这种协同演化的效果在 Manus 中就非常明显。

作者强调，对于 AI Agentic 来说，在不同方面的提升，对于其它方面也存在着复利效应。因为在 Manus 的工作流程中，可以看到智能体会相互参考，相互抄作业的情况。