当科技巨头们还在为训练更大参数的AI模型投入巨额资金时，一家名为Manus的公司却凭借“不造模型”的策略，在2026年初被meta以20亿美元的天价收购。这一反常操作引发了AI行业的广泛关注：在模型参数竞赛愈演愈烈的当下，Manus究竟凭什么脱颖而出？
当前AI领域的主流叙事是“模型至上”——从OpenAI到初创企业，几乎所有玩家都在比拼模型规模。但Manus选择了一条截然不同的道路：放弃自主研发模型，转而专注于构建一套“模型使用体系”。这种策略看似冒险，实则精准切中了行业痛点：现有大模型虽能生成高质量文本，却在处理复杂任务时频繁“掉链子”，核心问题在于缺乏有效的执行框架。
Manus的解决方案聚焦于“上下文工程”。通过优化KV-Cache缓存机制，采用“前缀稳定”“只增不减”等策略，其推理成本较传统方案降低90%。更关键的是，通过主动复述机制防止模型“遗忘”，配合多智能体架构突破上下文窗口限制，形成了一套完整的任务执行闭环。这些技术积累使Manus在GAIA基准测试中超越OpenAI同层次模型，其147万亿个Token的执行数据成为meta收购的核心资产。
在产品层面，Manus彻底重构了用户与AI的交互模式。传统聊天机器人仅能提供建议，而Manus直接承担“任务交付者”角色。当用户提出“下周末东京五日游，预算两万，侧重动漫和美食”的需求时，系统会自动完成航班比价、酒店预订、门票购买等全流程操作，最终交付包含电子票据的完整行程单。所有操作均在沙箱环境中执行，确保数据安全与系统稳定。
这种“省心”体验精准击中了高净值人群的需求。Manus将目标用户锁定为Prosumer群体——那些时间成本高昂、愿意为效率付费的专业消费者。通过“错误保留”学习机制和验证智能体的对抗测试，系统持续优化鲁棒性，确保任务交付的确定性。这种以用户需求为核心的产品思维，与单纯追求交互花哨的AI产品形成鲜明对比。
Manus的崛起预示着AI行业进入新阶段。当模型开源和API普及成为趋势，技术壁垒逐渐弱化，真正的竞争焦点转向“技术落地能力”。上下文工程、成本控制、沙箱环境等看似“非性感”的技术积累，正在构建新的护城河。这种转变也印证了一个趋势：AI创新不再局限于模型研发，应用层的深度优化同样能创造巨大价值。
