瀏覽器中的幽靈：Manus 如何為通用工作革新 AI Agent

瀏覽器中的幽靈：一家新創公司如何重新構想 AI Agent

一切始於一段語音備忘錄。一年前，在一間充滿高階 MacBook 運轉聲與隔夜咖啡氣味的房間裡，四位工程師坐下來，試圖弄清楚為什麼人類歷史上最先進的科技，仍然無法在沒有持續人工協助的情況下訂機票或整理試算表。他們錄下了這場辯論，一場未經修飾的想法交流，而這些內容最終成為 Manus 的藍圖。如今回頭查看那些逐字稿，你可以清楚看見真正 AI Agent 的願景誕生的瞬間——它不是一個只會談論工作的聊天機器人，而是一個真正能夠執行工作的數位實體。

AI Agent 一詞已成為科技產業最喜愛的新流行語，但大多數人仍難以定義它究竟代表什麼。它只是更聰明的 Siri 嗎？還是一段在背景執行的腳本？Manus 的張濤與團隊認為，AI Agent 的意義要深遠得多：它是人類心智的延伸。它是一套能夠在混亂、未經腳本化的開放網路世界中導航的軟體，具備與人類實習生相同程度的自主性與持續性，卻不需要睡眠或醫療保險。

在這篇深度分析中，我們將探討那場奠基性會議中所討論的內在理念與技術障礙。我們會了解團隊如何處理打造「通才」還是「專才」之間的矛盾，為什麼「雲端瀏覽器」是下一個十年的秘密武器，以及智慧經濟學正在如何轉變。這不只是一家新創公司的故事；它是一張通往新時代的藍圖——在那個時代，地球上的每個人都能隨時呼叫專屬的 AI Agent。

從生成式 AI 轉向自主 AI Agent，代表了自圖形使用者介面發明以來，運算領域最重大的轉變。我們正從一個需要告訴電腦「如何」做事的世界（程式設計），走向一個只需告訴電腦我們想要達成「什麼」的世界（意圖）。但 Manus 團隊很快就意識到，讓機器理解意圖只是簡單的部分；真正的戰場在於，讓它在現代網際網路支離破碎的環境中執行這些意圖。

通才悖論：從 Hao123 到新網路

Manus 啟動會議期間，最熱烈的辯論之一圍繞著一個策略十字路口展開：他們應該為特定任務打造專門工具，還是建立一個通用引擎？專案核心思想家之一 Red Peak 使用了一個精彩的歷史類比來界定問題。他將當前的 AI 狀態比作中國網際網路的早期，特別是 Hao123 與百度之間的競爭。

Hao123 是一個目錄——由人類預先核准並整理好的連結集合。它之所以有效，是因為當時的網路規模還很小。同樣地，許多早期 AI 工具也是「以連結為基礎」。它們連接到 Spotify 的特定 API、Google Calendar 的另一個 API，以及 Slack 的另一個 API。但這種方式天生有所限制。開發者預先整合了什麼，你就只能做什麼。如果你希望 AI Agent 執行開發者沒想到的任務，那就只能碰運氣。這種「供給端」的智慧模式，不可能真正實現自主性。

另一方面，「百度模式」（或 Google 模式）是從爬蟲開始的。它不會先請求許可；它只是學會讀取並瀏覽整個網路。先建立通用搜尋引擎，之後再針對特定查詢進行最佳化。Manus 團隊決定，他們的 AI Agent 也必須遵循這條路徑。它不應該是一堆外掛的集合，而應該是一個知道如何像你一樣使用瀏覽器的數位實體。只要它看得見按鈕，就能點擊；只要它看得見表單，就能填寫。

• 目錄式方法：僅限於預先設定的整合；可靠性高，但彈性低。
• 爬蟲式方法：能夠處理任何網站；彈性高，但需要深度的「視覺」理解能力。
• 混合式目標：利用通用能力發現使用者真正想要的功能，再為高頻任務「內建」捷徑。
• 可擴展性優勢：通用 AI Agent 不需要等待某家公司發布 API，便能開始發揮作用。

這項優先考慮通用性而非垂直領域最佳化的決定相當大膽。這意味著 AI Agent 必須面對「野生」網路的混亂——彈出式視窗、驗證碼和不斷變動的版面配置。但團隊認為，只要解決了通用問題，具體問題也會迎刃而解。他們不只是在打造一項工具；他們是在打造數位勞動力的平台。

自主性的基礎設施：雲端瀏覽器

如果說 Manus 的理念在於通用代理能力，那麼專案的技術核心就是「雲端瀏覽器」。在會議期間，張濤與范斌不斷思考 AI Agent 究竟要如何與世界互動。你不能只把終端機交給 LLM，就期待它能訂好飯店。世界上大部分的價值都鎖在為人類眼睛與手指設計的圖形使用者介面（GUI）之後。

解決方案是建立「瀏覽器中的瀏覽器」架構。AI Agent 不再於背景中嘗試「抓取」資料，而是實際操作一個在遠端伺服器上執行的完整瀏覽器實例。當你要求 AI Agent 在 Zillow 上找房子時，它不只是呼叫 API；它會在雲端實際「開啟」瀏覽器、瀏覽 URL，然後開始捲動頁面。這讓使用者能即時觀看 Agent 工作，建立文字型機器人無法比擬的信任橋樑。

然而，這也帶來了延遲方面的巨大技術挑戰。如何將伺服器上的高畫質瀏覽器視窗串流到使用者的筆記型電腦，同時又不讓它感覺像卡頓不堪？張濤提到了 XPRA 等採用智慧像素串流的技術。只傳送畫面中發生變化的部分，就能讓 AI Agent 看起來像是在使用者眼前工作，即使實際的繁重運算正在數千英里外的資料中心進行。

這種視覺化方法也解決了「幻覺」問題。如果標準聊天機器人告訴你它已經訂好機票，你只能相信它的說法。如果 Manus AI Agent 在即時瀏覽器視窗中展示確認畫面，你就有了證據。對需要偵錯流程的工程師，以及只想確認工作已完成的管理者而言，這種可見性都至關重要。

持續性問題：AI 為何需要記憶

Manus 啟動會議期間最深刻的領悟之一，就是沒有記憶的 AI Agent 只是一台華麗的計算機。Peak 指出，當前市場領導者如 Devin 存在一項重大缺陷：它們都是「一次性」的。工作階段結束後，Agent 就會有效地患上數位失憶症。它忘記你的密碼，忘記自己建立的檔案，也忘記你喜歡如何設定試算表格式。

要成為真正的人類代理，AI Agent 必須具備「狀態持久性」。這意味著 Agent 需要自己的數位身分。它需要安全保管庫來儲存 Cookie 與本機儲存資料，讓它能持續登入你的 Amazon 或 GitHub 帳戶。它需要持久化檔案系統，讓它可以在週一儲存報告草稿，並於週四回來完成。沒有這些功能，AI Agent 中的「代理能力」就是一種幻覺。

團隊討論了為每個 Agent 建立虛擬化「家園」。這個環境將包含環境變數、安全金鑰與專屬工作區。你可以把它想成一間數位辦公室，每次呼叫 AI Agent 時，它都會「走進」這間辦公室。這種持續性讓可能需要數小時或數天的長時間任務成為可能，Agent 也能定期回報進度。

"真正的代理能力不只是解開謎題；它還包括擁有解謎所在的工作區。如果 AI Agent 在不同工作階段之間無法記住我是誰，那它就不是助理，而是陌生人。"

但建立這種持久記憶既昂貴又複雜。它需要大量高效能運算，以及對全球最佳大型語言模型的無縫存取。這正是 AI Agent 產業底層經濟學發揮作用的地方。要執行一個能夠思考、觀察並記憶的通用 Agent，開發者需要不會耗盡預算的基礎設施。

智慧經濟學：GPT Proto 與盈虧底線

當討論從「做什麼」轉向「如何做」時，模型成本的現實變得格外突出。執行複雜的 AI Agent 需要持續進行高 token 數量的互動。每當 Agent「查看」網頁或「推理」多步驟任務時，就會消耗昂貴的 API 額度。對 Manus 這樣的新創公司而言，要實現規模化，就無法承受受制於大型模型供應商的零售定價。

這正是 GPT Proto 這類深度整合平台，能為打造 AI Agent 的開發者改變遊戲規則的地方。GPT Proto 為全球最強大的模型——包括 OpenAI、Claude 與 Google——提供統一介面，價格最高可比主流價格低 60%，讓開發者能專注於「代理能力」，而不是「帳單」。當 AI Agent 需要執行高推理任務時，可以切換至效能優先的模型；當它只是在摘要網頁時，則可以切換至高成本效益模式。

Manus 團隊意識到，「智慧排程」——依據任務複雜度動態切換模型的能力——是核心競爭優勢。使用 GPT Proto 這類系統，AI Agent 可以像多模態運算強者一樣運作，透過單一標準介面存取文字、影像，甚至影片處理能力。這種程度的彈性，正是將原型轉化為永續商業模式的關鍵。

• 成本效率：大幅折扣讓原本成本高得難以負擔的長時間 Agent 工作階段成為可能。
• 多模態掌握：一站式存取視覺（網頁導航）與文字（推理）專用模型。
• 統一標準：簡化管理不同模型格式之 AI Agent 所需的程式碼。
• 全球可靠性：高可用性 API 確保 Agent 不會在關鍵任務中途「停止運作」。

對使用者而言，這意味著 AI Agent 變得更實惠、更強大。這是科技菁英專用的奢侈工具與普羅大眾都能使用的普及型服務之間的差別。透過最佳化「智慧供應鏈」，Manus 能確保數位助理永遠快速、聰明且隨時可用。

使用者體驗理念：互動式接管的力量

Manus 討論中最以人為本的部分之一，是關於 AI Agent 失敗時會發生什麼事。別誤會，即使是最優秀的 AI Agent 也會遇到瓶頸。無論是雙因素驗證（2FA）提示、複雜的驗證碼，還是採用非標準 UI 的網站，都有些時刻仍需要人類直覺。當前多數 AI 工具只會回報錯誤，或要求使用者修正程式碼。

Manus 提出了一個更優雅的解決方案：互動式接管。由於 AI Agent 正在雲端瀏覽器中執行，而瀏覽器畫面會串流給使用者，因此從「AI 控制」切換至「人類控制」可以瞬間完成。如果 Agent 卡在登入畫面，使用者只需點入視窗、輸入密碼或解決驗證碼，然後按下「繼續」按鈕，就能將控制權交還給 AI Agent。

這會形成一個協作迴圈。AI Agent 處理 90% 重複且乏味的工作，而人類則擔任需要創意或安全輸入的 10% 工作之高階監督者。它消除了許多人使用 AI 時感受到的「黑盒」焦慮。你不只是祈禱並希望機器人做對事情；你就坐在它旁邊，必要時隨時準備介入。

介面本身遵循「漸進式揭露」理念。團隊批評許多技術工具採用的「文字牆」方式。對管理者而言，Manus AI Agent 應該像一個簡潔乾淨的儀表板。但對想看見內部運作的工程師而言，這個「類作業系統」環境允許他們將終端機、瀏覽器記錄與檔案系統以獨立的浮動視窗開啟。這是 AI 時代的作業系統。

EVE Online 類比：管理複雜性

會議期間，團隊出人意料地開始討論 *EVE Online*，這是一款以極其複雜的經濟與政治系統聞名的大型多人遊戲。為什麼？因為 *EVE* 代表了人類認知管理能力的上限。*EVE* 玩家經常必須同時管理數十份試算表、貿易路線與外交聯盟。這款遊戲常被形容為「太空中的試算表」。

PanPan 與張濤認為，這是 AI Agent 的完美測試場。如果 Agent 能協助玩家處理模擬銀河經濟體的複雜性，它當然也能協助小型企業主處理全球運輸、稅務合規與數位行銷的複雜性。AI Agent 不只是「助手」；它是「複雜性緩衝器」。它吸收世界中混亂、高熵的資料，並向使用者呈現清晰的選項與已執行的行動。

人類在長時間維持高強度專注方面出了名地不擅長。我們會疲倦、忽略細節，也容易受到「經驗偏誤」影響——即使存在更好的方法，仍按照一直以來的方式做事。然而，AI Agent 可以從「第一性原理」出發工作。它能掃描網路上的每個可用選項，比較 500 家供應商的價格，並找出通往目標的「最短路徑」，而不會感到厭倦或分心。如此一來，它真正成為我們意志力的延伸。

克服「專業能力差距」

范斌提出的一項重大疑問是：通才型 AI Agent 是否能與使用專業軟體的人類專家競爭？例如，Agent 真的能使用 Final Cut Pro 剪輯影片嗎？還是它永遠只能是人類剪輯師的「笨拙」版本？團隊的回答既謙遜又雄心勃勃。他們承認，在「電腦操作」（AI 看見並點擊非網頁應用程式的能力）方面，仍有很長的路要走。

然而，他們認為大多數專業工作正轉向網路。從用於設計的 Figma，到用於文件的 Google Workspace，以及用於 CRM 的 Salesforce，「瀏覽器」正成為通用作業系統。掌握瀏覽器，就等於掌握現代白領工作 80% 的內容。「專業能力差距」不在於熟悉某套軟體中的每個按鈕，而在於 Agent 能否即時學會使用新的介面。

這引出了「Agent 訓練」的概念。就像人類透過閱讀手冊與實驗來學習使用新工具一樣，Manus AI Agent 被設計成能夠「自我修正」。如果它點擊某個按鈕後，結果與預期不同，它不會直接放棄，而是分析畫面的新狀態、尋找線索，並嘗試不同方法。這個「推理迴圈」正是靜態腳本與真正 AI Agent 之間的差異。

目標是讓人類提升到價值鏈的更高位置。人類不再是軟體的「駕駛者」，而是成果的「架構師」。你不需要告訴 AI Agent 如何移動滑鼠；你只需告訴它最終產品應該呈現什麼樣子，並提供「品味」與「判斷力」，決定結果是否理想。

安全與信任：倫理前沿

談到擁有你的登入憑證與信用卡資訊的 AI Agent，就不能不談安全性。這或許是會議中最令人警醒的部分。如果 Agent 遭到入侵，使用者的整個數位生活都會面臨風險。Manus 團隊花了大量時間討論如何將這些 Agent 置於沙盒中，確保即使其中一個實例遭到破壞，系統的其他部分仍然安全。

信任透過透明度建立。讓 AI Agent 的行動在雲端瀏覽器中可見，並不只是使用者體驗上的選擇，也是安全性上的選擇。讓使用者確切看見 Agent 正在做什麼，Manus 就建立了一條稽核軌跡。如果 Agent 開始瀏覽可疑網站，使用者可以看見這個過程並終止工作階段。這種「所見即所做」（WYSIWID）模式，對自主 Agent 的大規模採用至關重要。

此外，他們還討論了「憑證封裝」。其理念是 AI Agent 永遠不會真正「看見」你的原始密碼，而是使用安全工作階段權杖或受管理的保管庫。這能限制任何潛在安全事件的影響範圍。當我們進入 AI Agent 將代為處理金錢與資料的時代，這些「無聊」的基礎設施細節，實際上正是最重要的功能。

未來：人人都能擁有的心智延伸

會議在一種平靜的興奮感中結束。錄音呈現出一支明白自己正站在馬拉松起點、而非短跑起點的團隊。他們已經從抽象的「AI」概念，走向功能性 AI Agent 的具體現實——一位持久、具備視覺能力且能幹的數位員工。他們意識到，Manus 的成功不會以有多少人與它交談來衡量，而會以它節省了多少小時的人工勞動來衡量。

我們正進入一個「思考」與「行動」之間的界線逐漸消融的歷史時期。過去，如果你對研究論文或商業計畫有一個好點子，仍然必須花上數百小時處理「苦差事」——搜尋、格式設定、寄送電子郵件與資料輸入。AI Agent 的設計目的就是消滅這些苦差事。它讓人類精神留在創作的「心流狀態」中，而由機器處理執行上的後勤工作。

當 Manus 從一組會議紀錄走向活生生的產品時，也承載著第一次討論中的理念：科技不應只是我們使用的工具，也應該是理解我們的夥伴。無論是管理複雜專案、預訂夢想中的假期，還是探索錯綜複雜的數位金融世界，AI Agent 都已準備就緒，隨時將你的意圖化為現實。

結論

從狹小辦公室中的一段語音錄音，到世界級 AI Agent 的旅程，證明了清晰產品理念的力量。Manus 拒絕採用整合功能有限的「Hao123」模式，轉而擁抱具備通用能力的「百度」模式，為重新定義人類與電腦的關係踏上了道路。透過雲端瀏覽器、持久記憶，以及「人在迴路中」的互動模式，他們正在解決長年阻礙 AI 發展的信任與執行問題。

隨著底層模型變得更強大，且透過 GPT Proto 等平台讓基礎設施變得更實惠，真正自主 AI Agent 的夢想也將人人皆可實現。我們不再只是與機器聊天，而是在與它們協作。數位心智延伸的時代已正式開始。

---