Manus 教你 AI agent 怎麼被買走

我拆 Manus 的崛起、遷址和 Meta 交易，整理成 AI agent 做全球分發可直接套用的 playbook。

我盯 AI agent 產品盯一陣子了，越看越有一種不對勁的熟悉感。demo 很亮，敘事很滿，大家都在講 autonomy，好像只要把這個字貼上去，產品就自然成立。但我自己真的去摸，常常不是太聰明，就是太脆，或者根本卡在錯的市場假設上。Manus 一開始也有這種味道：不是單純的聊天機器人，也不是標準的工具軟體，它想同時當工人、瀏覽器、規劃器，還想變成有人願意付錢的產品。這包太大了，通常會散掉。我後來發現，真正值得拆的不是 demo，而是它怎麼一路把自己調整到分發、法規、資本都能接得住。這才是比較像樣的方法論。

這篇拆解的起點是 Manus (AI agent) 的 Wikipedia 頁面，它把創立、發布、募資、新加坡遷址到 Meta 交易串在一起。Wikipedia 本身我不會當聖經，但它引用的 The Wall Street Journal、TechCrunch、Reuters、Semafor 才是我拿來對齊的錨點。這篇不是在重講公司履歷，我是要把那些對做 AI agent 很有用的動作抽出來，變成你可以抄的版本。

Manus 不是先賭模型，是先賭產品

“In October 2024, Butterfly Effect began developing Manus, drawing inspiration from the San Francisco-based AI coding tool Cursor.”

翻譯一下就是：他們不是先問哪個模型最強，而是先看一個真的改變工作方式的產品，然後想「我們能不能把這個感覺搬到更廣的任務上？」這差很多。Cursor 之所以有意思，不是因為它背後那顆模型，而是它卡在工作發生的地方，讓人真的比較快。Manus 看起來是把這個直覺搬去別的工作場景，不是照抄介面。

我自己以前最容易犯的錯，就是先從模型能力出發，再回頭補 workflow。結果通常做出來像玩具：一個輸入框、幾個按鈕、再加一句「很智慧」。Manus 的起點比較像反過來。先有產品想像，再逼模型堆疊去支撐它。這也解釋了為什麼頁面會提到 Butterfly Effect 之前就做過 Monica，一個把多個商業模型包進同一個介面的瀏覽器擴充。這群人本來就在想 workflow 聚合，不是在拜模型。

如果你在做 agent，這件事很重要，因為你的真正對手通常不是另一家模型商，而是使用者原本的習慣。Cursor 能贏 generic code assistant，不是因為它比較會講道理，而是它住在 editor 裡。Manus 想住在任務完成的迴圈裡。這個思路對了：不要問你能 expose 哪顆模型，先問你能 finish 哪個工作。

• 先選一個使用者 workflow，整個 loop 都包起來。
• 設計圍繞任務結果，不是圍繞模型回覆。
• 模型能換就換，不要把模型當神主牌。

實操上，我會先寫下使用者「卡住」的那一刻，再倒推 agent 要做什麼。像履歷篩選，不要做一個「AI 助手」，直接做讀取、評分、解釋、匯出。像股票分析，不要做一個「聰明聊天」，直接做抓資料、比對、摘要、排版成使用者本來就會拿去工作的格式。

Manus 的 launch 不是產品護城河，只是把門打開

“The launch demo video, which depicted the agent autonomously completing tasks such as resume screening and stock analysis, drew more than one million views within twenty hours.”

這個數字很重要，因為它告訴我市場真的在等一個像樣的 agent 敘事。不是「跟你的檔案聊天」，不是「問問題拿答案」，而是「真的把事做完」。demo 不是在展示文字生成，而是在展示工作被完成。這就是為什麼大家會轉傳。可我也得講白一點：一百萬觀看不是 product-market fit，那只是注意力。注意力很有用，但也很便宜。

我看過太多團隊把 demo 速度誤認成產品強度。影片一發，網路炸掉，內部敘事就變成「我們踩到大東西了」。也許有，也許沒有。你只是找到一種大家愛看的格式。Manus 的 launch 證明了「自主任務」這個故事可以穿透噪音，但不代表產品就穩了。這兩件事是不同問題。

不過這裡還是有實用價值。你的 agent 如果講不出一句沒有「AI」也聽得懂的話，大概就是在藏價值。Manus 用的例子很具體：履歷篩選、股票分析。這些任務很容易讓人腦中浮現前後差異，demo 才會跑得動。

實操上，我會把 launch 綁在一個「手動很痛、輸出很明確」的任務上，然後直接秀 agent 從頭做到尾。不要讓觀眾自己腦補價值。你如果沒辦法把輸出做成使用者真的會存、會傳、會貼進工作的格式，那就繼續磨。

• demo 只選一個任務，不要五個都半吊子。
• 把 input、process、output 都秀出來。
• 輸出要是使用者真的會交給同事的東西。

稀缺感讓 Manus 變成市場，但稀缺不是商業模式

“Demand for invitation codes drove a secondary market in which codes were resold … for prices reportedly between ¥50,000 and ¥100,000.”

這個訊號很野，代表他們其實懂分發，只是未必完全控制住。稀缺會讓產品很快看起來重要，也會把你不想要的注意力一起吸進來。我不太浪漫化這件事。有人轉賣邀請碼，不代表產品好，只代表入口有限，而且大家覺得這個入口值錢。

我從這裡學到的是，Manus 對某一群人來說，確實有很強的「我現在就要用」敘事。這很好。但稀缺是 tactic，不是 strategy。如果你的產品只有在難拿到時才顯得有價值，那你其實是在借 launch 的力。用完之後，使用者還是會回頭要 repeatability，不會永遠買 exclusivity。

很多 AI 產品在這裡偷懶：先做邀請制，買時間，但沒拿這段時間去降失敗率、縮任務範圍、或把 onboarding 弄正常一點。Manus 看起來是把 launch 熱度拿去建立全球辨識度，這是比較好的版本。但如果是我自己做 agent，我會把稀缺當成診斷工具，不是商業模式。有人願意轉賣 access，就去問他們到底想解哪個工作，再把那個工作做得更快更便宜。

實操上，如果你要做 waitlist 或邀請制，先定義你要在封閉期學到什麼。是可靠度？是定價？是對的使用者分群？如果你講不出學習目標，那稀缺就只是戲法。

Manus 被推向海外，不是因為想全球化，而是因為依賴關係逼它這樣走

“Manus was designed for markets outside China because it relied on American AI models that were unavailable domestically.”

這句我覺得最有意思。因為它直接把一件常被講得很虛的事講穿：產品地理位置是被基礎設施推著走的，不是品牌口號。大家愛把 AI 產品講成漂浮在政治和法規之上，實際上完全不是。模型可用性、資料規則、出口管制、區域限制，這些都會把產品往某些市場推、把它從另一些市場拉走。Manus 不是單純「選擇」出海，它的技術依賴本來就把路鋪成那樣。

我自己也踩過類似的坑。產品看起來是全球的，直到某個第三方 API 在你沒想到的地區掛掉。那一刻你才會發現，你以為的 universal，其實很局部。Manus 只是把這個問題放大到很大的尺度。只要你的 agent 依賴模型 API、瀏覽環境、支付管道、雲端 region，你其實早就做了戰略選擇，只是你還沒承認。

真正有用的 takeaway 不是「你也要全球化」，而是你得知道自己哪裡會變成 region-specific。Manus 很早就得面對這件事，而後面的動作也一直在回應這個現實。如果你今天在做 agent，我會先把依賴關係畫得像敵對審計員在看：哪些模型 API 哪些地區不能用？哪些資料流會踩法規？哪些使用者最容易在不碰紅線的前提下先服務到？

實操上，直接做一張 dependency table。每個 model、service、data source 都標清楚：哪裡能用、哪裡不能用、掛掉會怎樣。這張表比十頁策略簡報更接近你的 go-to-market。

新加坡不是裝飾，是公司真正的作業系統

“Following the Series B round, Butterfly Effect relocated its headquarters from Wuhan and Beijing to Singapore.”

這裡故事就不是產品而已了，是生存。遷到新加坡不是什麼品牌包裝，而是對資本、信任、法規摩擦的結構性回答。頁面還提到他們關掉中文社群帳號、封鎖中國大陸存取、把中文版本計畫擱置。這不是旁枝末節，這就是公司的現實。

我看過很多創辦人低估公司形狀對產品形狀的影響。他們以為產品可以不變，只是法體、總部、市場姿態換一下。沒有這種事。重心一移，產品就跟著變：使用者變了、支援成本變了、合規成本變了、roadmap 也會變。Manus 基本上是先換了重心，才有辦法繼續長。

這裡還有個很硬的事實：當一家 AI 公司想拿全球資本、賣全球客戶，它通常得先讓自己對多個法域都看得懂。這不是選配。新加坡這一步看起來像乾淨的商業決策，實際上也是在降低投資人和客戶對中國連結的顧慮。很多人講「國際化」時都跳過這層，直接講市場。其實他們真正意思是法律、金融、營運一起重排。

實操上，如果你要做跨境 agent，我會很早就決定：公司要長成什麼樣子，才會被你要的那群人接受。不是只有使用者，還有投資人、合作夥伴、監管者。你的公司結構本身就是產品的一部分。

• 先用你的實際目標市場決定法域。
• 假設 entity 結構會影響銷售週期。
• 合規不要等到卡住才補。

Meta 收走 Manus，代表 agent 會變平台功能

“Meta said it would continue to operate and sell the Manus service and integrate its technology into products, including Meta AI.”

這句話我看到會直接坐正。收購的說法表面上是公司被買，但真正被買的是能力。Meta 不是只想要一家新創，它想把那套系統塞進自己的產品裡。這通常就是新產品類別被驗證之後會發生的事：最好的想法最後被大平台吸收。

這不代表 standalone agents 沒戲，而是門檻變高了。如果你的東西很容易被精神複製，你就得有更深的 workflow ownership、更強的分發，或是能扛住平台模仿的技術優勢。Manus 的故事夠大，所以 Meta 想收。這是強訊號。但也表示長期價值可能不只在品牌，而是在方法、介面、營運 know-how。

我對那種把 acquisition 當終局驗證的創辦人一直有點煩。那只是對 interest 的驗證，不一定是對獨立性的驗證。平台想買你的產品，可能是因為你補了它的洞；也可能代表市場正在從「best-of-breed agent」往「大套件裡的一個功能」移動。你如果沒看到這個轉向，最後可能會留下一個很漂亮的產品，卻沒有分發故事。

實操上，我會先問自己：我的 agent 是目的地產品，還是能力模組？如果是模組，就從第一天開始設計好 integration。若是目的地，就要更狠地做習慣、資料、轉換成本。不要假裝兩邊都能全拿。

可抄的模板

# AI agent 全球分發 playbook（Manus 版可抄模板）

## 1. 先選任務，不要先選模型
- 找一個使用者已經在手動做的工作
- 寫清楚 input、output、成功條件
- 讓 agent 的目標是把這個工作完整做完

## 2. Demo 只講一件事
- 只選一個真實任務
- 秀出輸入、執行、輸出
- 不要用空泛的「AI 助手」敘事

## 3. 稀缺只拿來學，不拿來裝
- 如果你做邀請制 beta，先定義要驗證什麼
- 用封閉期改善可靠度、onboarding、定價
- 核心任務可重複之後再開放

## 4. 畫出依賴風險表
| 依賴項目 | 哪些地區可用 | 哪些地區不能用 | 消失時會壞什麼 |
|----------|--------------|----------------|----------------|
| Model API |              |                |                |
| Payments   |              |                |                |
| Data source |             |                |                |
| Hosting    |              |                |                |

## 5. 先決定營運地理位置
- 列出你真的要打的市場
- 檢查 model stack、資料流、公司結構是否支援
- 選一個跟業務一致的法域與 entity 設計

## 6. 預設會被平台吸收
- 問自己：這是目的地產品，還是功能模組？
- 如果是模組，就設計好整合點
- 如果是目的地，就加重習慣與切換成本

## 7. Launch checklist
- 一個清楚任務
- 一個清楚使用者
- 一個清楚輸出格式
- 一個清楚定價故事
- 一個清楚合規姿態
- 一個清楚擴張路徑

## 8. 可直接拿去用的 agent 設計 prompt
你正在設計一個 AI agent，要完成一個特定使用者的特定任務。
請依序輸出：
1. 任務邊界
2. 所需輸入
3. Agent 必須執行的步驟
4. 最終輸出格式
5. 可能失敗模式
6. 最小可行 workflow
7. 真實使用者測試方法

輸出格式請固定為：
- Task
- User
- Inputs
- Steps
- Output
- Failure modes
- Test plan

這份模板就是我從 Manus 這條線抽出來的精華：先做真任務，讓 work 看得見，知道自己的依賴在哪，別忽略地理位置，也別把 launch spike 當成商業本體。

來源主要是 Manus (AI agent) 的 Wikipedia 頁面，裡面的敘述再往下是來自 The Wall Street Journal、TechCrunch、Reuters 與 Semafor 的報導。我這篇的拆解角度、模板和結論是我自己整理出來的。