人均月耗1万美元AI开销，Manus团队把公司改成样板间

一位工程师的电脑上，同时开着一排 Codex 和 Manus 的 Session。随便点开一个，输入框里躺着的，就是产品合伙人刚在 Slack 上发出的需求原文，一字未改。

更让人意外的是，这位工程师当时手上同时推进十几、二十个需求。在今天的 Manus，这已经是常态。

Manus 联合创始人、产品合伙人张涛（网名 HideCloud）在公众号「潜云思绪」写下长文《用 Manus 改造 Manus》，把这个画面放在了开头。文章发出的时间点很微妙：9 月底 Manus 发布 2.0 版本和个人智能体应用 Cue，10 月初母公司蝴蝶效应宣布完成超过 5 亿美元新一轮融资，同时在北京开出 17 个岗位。

放在这个节点上看，这篇文章更像 Manus 团队进入 2.0 时代的一份宣言：讲的是组织如何用 AI 进化，透露的却是产品方向、成本逻辑和用人标准。

内部实践，和 2.0 功能一一对上

Manus 内部做了一个叫 Manus-mono 的统一代码入口，配上一本写给 AI 看的说明书，让 AI 能看到跨仓库的全局。一个需求，一个人就能写完所有端。移动端团队一直只有 7 个人，同时负责 2 个产品、4 个 App，进度和网页版基本同步。

所有产品经理都向 Manus 提交过代码，大约一半能独立把需求做到上线。有的产品经理交出来的需求，已经从文档变成了一段视频。

市场团队有了一位「数字同事」，会自己安排工作、主动提醒项目进度，还会跨团队去把功能细节问清楚。它用内部网站觉得不顺手，可以通过一个反馈接口直接提需求，需求一进来就自动触发 Manus 的开发任务——背后用的是 2.0 的 Automations。

做语音转文字功能的那位产品经理，路径很典型：先让 Manus 测试十多个模型，选定一个接入，再按现有设计规范做 Demo，让 Manus 把用户可能遇到的场景逐一生成图片，一张张检查修改，最后把 Demo 剪成视频。方案清楚了，她干脆把功能写完，网页端和桌面端的界面都出自她手。

同事做的 Slack 机器人运行在云电脑上。非研发同事想知道某个功能怎么实现、文案在哪、有没有上线，不必先打听归谁管，直接问它就行。这对应 2.0 里可以 7×24 小时常驻的云电脑。

还有一些功能目前只在内部用。比如同一项目的成员默认能看到彼此的 Session，工程师和 AI 做完大部分工作，产品经理可以进到同一个 Session 里，接着调间距、样式和文案。张涛在文末写得很直接，这些是 Manus 接下来要做好的事，「我们会先自己试，再交到用户手里」。

从一人一个 Agent，到一个团队一个 Session

文章里最值得琢磨的是「我们看到的机会」那一节。

过去一年，个人 Agent 已经成了大公司的标配。Anthropic 有 Cowork，Meta 的 Muse 上线不久就登上美区 App Store 免费榜第一，腾讯 WorkBuddy 在国内 PC 端办公智能体里月访问量突破 2000 万。「给每个人配一个替你干活的 AI」，正在变成所有人都在做的事。

张涛列出的三个机会指向另一层：Session 本身会成为多人协作的工作对象，一个人提出问题，设计师出方案，工程师实现，产品经理接着运营，都在同一个 Session 里推进；跨设备、跨同事的协作；Agent 进入公司的系统和知识库之后，能主动找到人没想到的解法。三条都在讲组织，讲多个人和多个 Agent 怎么一起干活。

这和 Cue 的思路相通。Cue 给每个 Agent 配了独立的邮箱、电话号码、钱包和电脑。CEO 肖弘发布时说，这样一个「东西」也许可以称之为「人」，接下来「是不是应该有个很多人和 Bot 的群」。

数字同事的几个细节比任何功能介绍都生动。很多同事同时找它，所以它只在一个「工作台」Session 里和大家对话，具体任务再拆给其他 Session 并行完成。Slack 消息很多，它会先判断和自己有没有关系，有关系的再分成「要打断手上的事」和「做完再处理」两类——张涛特别提到，这套规则是 AI 在开发过程中自己设计的。

有一次，同事们在 Slack 里讨论两个项目，一时记不清其中一个到了哪个阶段。没人 @ 它，它主动提醒，「B 还在测试阶段，要不要等 A 的结果出来再看 B？」产品团队上线 3D 模型生成和骨骼绑定之后，它又主动跑去问适用条件，弄清楚骨骼绑定目前支持鱼、蛇、四足动物等七类物体。张涛说，那一刻它更像一位一直在认真听会的同事。

人均 1 万美元的账，怎么算

文章里最受争议的数字，是 9 月人均超过 1 万美元的 AI 开销，少数人一个月就用掉七八万美元。张涛月初在朋友圈提过一次，引来不少「花得太过分」的质疑，这次他正面给了三条理由。

• 这笔钱买的是时间和注意力。团队一大，沟通成本就高，AI 省下的是每个人的注意力，让每个人对自己负责的事有更完整的掌控。
• 贵是因为用最好的模型，这是了解 AI 能力边界的核心方法。负责研发效率的同事说，最近半年没听说过因为合入有问题的代码导致线上故障，而 AI 编程普及之后，公司每天的代码提交量「非常夸张」。这位同事觉得，这可能是公司最划算的一笔支出。
• 越来越多开发工作在 Manus Studio 上完成，Studio 是 Manus 自己的产品，内部烧掉的每一个 Token，都会变成看清 Token 浪费在哪里的数据。产品改进了，浪费减少，成本下降，用户也跟着受益。

张涛的判断是，今天每月 1 万美元换来的工作方式，两年后可能只需要几百美元。

这笔账也照出了应用层 Agent 公司共同的处境。文章开头那位工程师屏幕上开着的，除了 Manus，还有 OpenAI 的 Codex。Manus 的研发离不开最顶级的模型，而提供这些模型的公司，自己也在做 Agent 产品。有评论把这种模式叫作「依附式创新」，在别人搭好的平台上找到能力和用户之间的空隙，代价是每做一单生意，都要付一笔钱给潜在的对手。

人均 1 万美元同时在证明两件事：团队确实摸到了模型能力的边界；Manus 比它的用户更早撞上了 Agent 的成本问题，也就更有机会先把它解决掉。

速度，和张涛的不安

宣言的另一面，是团队里每个岗位都被改写了。工程师从亲手写代码，变成指挥 AI 干活、为结果负责。产品经理要能把功能写到上线，Manus Studio 里用户看到的大部分界面，还有 Video Editor，都出自产品经理之手。设计师最近也开始写代码了。

张涛用了一个说法概括这种变化：从 Human in the loop 到 Human on the loop。以前 AI 做七八成，剩下的由人补上；现在人设计好规则，监督多个 AI 的工作，在关键节点做判断，必要时介入。

团队里用 AI 最多的那位同事，有一个总的 Manus Session，只负责把需要他决定的事列出来，附上推荐方案。大家在 Slack 里讨论得热火朝天，他可以不打开 Slack，只问 AI「现在有什么需要我决定？」

这些新定义某种程度上也是一份招聘启事。文章最后写道，人仍然重要，所以「我们也仍在招人」。几乎同一时间，Manus 在北京开出 17 个岗位，从 Agent Harness 工程师到商业分析，CEO 肖弘说一天就收到了上千份简历。

但文章里最打动人的，反而是张涛不那么确定的部分。他坦白自己的心情很复杂，有兴奋，也有不安：「这个节奏对吗，是足够快还是太快了？」

一个人同时扛二十个需求，质量怎么保证，出了问题责任怎么落地？「半年没听说线上故障」是一位同事的感受，还谈不上一项统计。一半产品经理已经能独立上线，另一半要怎么跟上？

还有一段很私人。张涛写到自己有 ADHD，每天二十多个待办，最难的是「开始做」。现在他把所有待办交给一个专门的 Manus 项目，它能做的直接开始，不确定的回来问他，再结合 Slack、Gmail 和 Notion 先做一轮调研，交给对应的产品经理。他说，这让他每天少了很多「不知道从哪开始」的焦虑。

文章收尾时，张涛回到那个问题，人最后做什么。他的回答是定义问题，判断质量，决定什么值得做，并为结果负责。在 AI Native 组织里，人的角色没有变小，反而更集中了。

这份宣言已经证明了 Manus 自己的组织效率。它能不能变成别人愿意付钱的产品，要看接下来那些「只在内部使用」的功能，什么时候、以什么样子交到用户手里。