这两年AI圈的并购消息一条接一条但前几天传出的某头部科技公司拟以约20亿美元收购Manus AI的消息还是让我这种老从业者坐直了身体。不是因为金额大——AI赛道这个量级的交易算不上石破天惊——而是因为收购对象是一款以“执行能力”著称的AI智能体产品而不是传统的模型层公司。圈内很多人把这解读为“AI竞争进入下半场”我是认同的。过去两年大家拼的是谁的模型参数大、谁的回答更聪明但从这次收购的标的来看风向已经明显变了——真正值钱的变成了谁能把AI从“会说话”变成“会办事”。这篇文章我想从这次收购案出发拆解一下执行型AI的核心价值、大厂愿意花20亿的逻辑以及对我们这些做AI应用、做开发的人意味着什么。1. 收购案背后的核心信号AI竞争从“模型层”转向“执行层”1.1 为什么Manus AI这类执行型产品突然变得值钱先说清楚Manus AI是做什么的。它不是那种你问一句它答一句的聊天机器人而是主打“自主完成任务”的智能体给它一个目标比如“帮我把这100份简历筛一遍按匹配度排序并生成汇总报告”它会自己拆解任务、调用工具、操作浏览器、写代码、处理文件最后把结果交付给你。这种“手和脚”的能力恰恰是过去两年AI大模型最缺的部分。大模型再聪明本质上仍是一个“生成器”——你输入提示词它输出文本。但真实世界的需求几乎都不是“给一段话”就能解决的而是要完成一连串动作查资料、填表单、算数据、发邮件、调接口。过去这些动作需要人亲手去点、去写、去操作现在执行型AI想做的就是把最后这一步也替代掉。从这个角度看某头部科技公司想要收购它的逻辑就非常清晰了模型能力可以自己慢慢训练、可以买算力堆出来但“让AI真正替人干活”的产品化能力和工程化经验买现成的比自己从零摸索要快得多也稳妥得多。再从数据维度看。Chatbot类产品产生的数据更多是“对话数据”价值有限而智能体执行任务时产生的数据是带着明确意图和结果反馈的行为数据——用户想要什么、AI做了什么动作、最终效果如何这是一个完整的闭环。这类数据对于训练下一代AI系统来说几乎是金矿级别的资源。谁掌握了大批量“任务—行动—结果”的数据谁就更有可能训练出真正可靠的执行型AI。这也是大厂愿意砸下重金的原因之一。1.2 20亿美元买的是什么拆解执行型AI的资产构成很多人看到20亿美元的第一反应是“贵”或者“值”但如果你拆开来看会发现收购方买的东西比表面复杂得多。第一块是技术栈。Manus AI这类产品不是简单套壳大模型API就能做出来的。它背后涉及任务规划框架、工具调用协议、浏览器自动化控制、跨应用的信息读写能力、异常处理机制以及对模型输出的可信度校验——这些工程化的东西每一层都需要大量调试和踩坑积累。第二块是人。这个团队在AI Agent工程化领域算是探索得比较早的一批人他们踩过太多别人还没遇到的坑这种经验是写在代码里、写在团队协作方式里的买团队就是买经验。第三块是用户习惯和场景覆盖。Manus AI在推出后积累了一批真实的用户和真实的任务场景这些场景数据不是花钱就能立刻买到的。当然也有声音说20亿美元估值虚高一个连稳定盈利都谈不上的产品凭什么卖这么贵。但换个角度看如果大模型是“大脑”智能体就是“手脚”而当前行业里手脚灵活到这个程度的团队并不多。在技术变革的窗口期为稀缺性支付溢价是科技巨头一贯的做法。这笔交易买的不是当下的收入而是未来三到五年在“AI执行”赛道上的入场券。2. 执行型AI的硬核拆解它和聊天机器人到底差在哪里2.1 顶层逻辑从“生成答案”到“完成任务”的范式切换要理解执行型AI的价值得先理解它和传统Chatbot在架构层面上的根本差异。传统Chatbot的工作流是一条直线接收用户输入 → 调用大模型 → 生成文本回复 → 结束。整个过程是“一次性”的模型不保留对任务的状态追踪也无法在回答之后继续采取行动。你说“帮我订一张明天去北京的机票”它最多告诉你“您可以在某某App上预订”就算表现好的也只是给你一段查询攻略真正的操作它做不了。执行型AI的工作流则是一个闭环而且通常包含多轮迭代。拆开来看大致有这个几个环节目标解析把用户模糊的指令转化为结构化任务描述。比如“帮我整理这份会议纪要”会被拆解成“读取文档”、“提取关键决策”、“按模板格式输出”。任务规划将结构化任务分解为若干子步骤并决定执行顺序。这里要考虑依赖关系——比如先抓取数据才能做分析。工具调度为每个子步骤匹配合适的工具或接口包括代码解释器、浏览器操作、文件读写、第三方API等。执行与反馈实际调用工具、执行操作并根据返回结果判断是否达到预期如果没有达到则自动调整策略。结果输出将多步操作的结果汇总以用户可理解的形式交付。这背后的关键变化是AI从仅仅处理“语言”变成了处理“操作”。这不是一个简单的功能叠加而是整个系统架构的重构。模型仍然很重要但模型只是这个系统里的一环围绕模型搭建的规划、记忆、工具调用和反馈校验机制才是执行型AI的核心技术壁垒。2.2 关键技术模块规划、记忆与工具调用既然说到了架构就把几个关键技术模块摊开来讲。这三个部分是执行型AI与普通对话AI拉开差距的核心也是我在实际开发AI Agent应用时感触最深的地方。规划能力。这是执行型AI的大脑皮层。给定一个目标模型需要生成一个多步骤的“行动计划”。早期实现方式很简单——直接让大模型用思维链的方式生成步骤列表但实际执行中很快会碰到问题模型的规划往往过于理想化没有考虑到工具执行时的各种异常情况。后来业界的主流做法是做“分层规划”顶层用大模型做粗粒度的目标拆解底层用较小的模型或规则引擎做细粒度的动作选择。这样既利用了LLM的泛化能力又保证了执行层的可控性。记忆系统。智能体执行复杂任务时不能“做完一步忘一步”。它需要短期记忆——也就是当前任务的上下文状态——以及长期记忆——也就是跨任务积累的用户偏好和历史行为。这个模块常常被低估但实际体验中记忆的有无直接决定了智能体是“好用的助手”还是“每句话都要重复一遍的笨机器”。工具调用。这是执行型AI“手脚”的延伸。主流实现方式是Function Calling也就是让模型在生成回复的同时输出一个结构化的工具调用请求系统再根据这个请求去执行对应的API。这里最大的难点不在调用本身而在于模型选错工具后的纠错能力。我在测试中经常遇到的情况是模型明明应该调用“搜索引擎工具”却调成了“计算器工具”如果没有一层“工具选择校验机制”整个任务就会跑偏。成熟的执行型AI通常会在工具调用外层套一层规则校验或用另一个模型对工具选择结果进行二次确认。2.3 执行型AI的能力边界现在能做什么不能做什么把执行型AI说得这么厉害也得客观看它的能力边界。基于我自己的观察和使用体验当前这类产品的表现大概处于这个水平能做的事信息搜集类任务做得最成熟。比如“调研一下市面上主流的AI编程工具对比它们的价格和功能输出一个表格”——这类涉及搜索、阅读、结构化输出的任务执行型AI已经能完成得相当不错。文档处理类任务也比较稳定读取PDF、提取关键信息、按模板生成报告出错率在可接受范围内。还有数据整理与基础分析类任务只要数据格式不是太混乱智能体也能胜任。做不好的事涉及物理世界的操作比如帮你取快递、打扫房间目前完全无能为力——这个不用多说实体机器人还没成熟到那个程度。涉及多系统深度联动且权限复杂的场景也很容易翻车。比如要跨企业内部的OA系统、财务系统、审批系统完成一次完整的报销流程光是各个系统的登录认证和操作接口就足以让智能体卡住。另外涉及高风险决策的任务——比如自动发送重要邮件、自动执行大额交易——即便技术上能做到产品上也很少会放开限制因为一旦出错责任归属问题非常麻烦。也就是说执行型AI目前更像一个“能干的实习生”——简单的重复性任务可以放心交给它重要的关键节点你最好还是把一下关。但即便如此它对工作效率的提升已经非常明显了。3. 巨头收购背后的战略算计为什么是现在为什么是这个赛道3.1 大模型竞赛进入瓶颈期新增量在推理与执行侧到目前为止的AI竞赛可以粗略分成几个阶段预训练阶段拼的是数据和算力谁家的模型参数大、训练数据多谁就领先对话应用阶段拼的是产品体验和用户量谁先让用户用上、用得住谁就占据了入口。但到了现在一个明显的事实是通用大模型的能力增长正在放缓。不是说模型不再进步而是说对于大多数普通用户来说GPT-4级别的模型和GPT-4.5级别的模型在日常使用中的体验差异已经没有GPT-3.5到GPT-4那一跳那么震撼了。边际效应在递减。随之而来的问题是单靠“对话更聪明”已经很难构成产品的核心壁垒——你有我也有你用这个模型我也能用。真正的差异化开始转移到“谁能让模型更好地完成实际任务”。这就是执行层的价值所在。同样的模型有人只拿来做聊天有人把它封装成能自动写周报、能自动处理表格、能自动操作软件的智能体——后者的体验是完全不同的。借用互联网时代的一句话基础设施的差距在缩小应用层的创新才是决胜之地。某头部科技公司花20亿美元收购成熟的执行型AI产品本质上是在模型能力趋于同质化之前提前锁定应用层的差异化优势。要知道如果让内部团队从零开发一套同等水平的智能体系统至少需要一到两年时间而且还不一定踩得对所有的坑。用钱换时间用资本买卡位这笔账在巨头的财务报表上是算得过来的。3.2 AI应用的普及瓶颈大模型只会“说”不会“做”过去两年AI产品面临一个很尴尬的局面用户尝鲜的热情很高但留存率不够理想。Chatbot的对话体验再惊艳如果它只能停留在“对话”层面用户的新鲜感消退后打开频率就会迅速下降——因为我们生活中真正需要“问一个问题”的场景远没有“完成一件任务”的场景多。这个问题行内人其实早有共识大模型不缺“智能”缺的是“行动力”。用户需要的是“把事办成”的AI而不是“把话说漂亮”的AI。这也是为什么从去年开始Agentic AI智能体式AI成为整个行业的热词。从技术普及的角度看执行型AI的出现正好卡在了这个节点上——模型基础能力够了工具生态也丰富了只差一层把语言转化为操作的“适配层”。谁能先把这层适配做穿谁就能率先进入“AI替你干活”的阶段。这次收购案也向全行业释放了一个明确信号光靠模型能力讲故事的时代已经过去了接下来资本市场会更多关注AI的落地执行能力。3.3 对中小团队和独立开发者的启示小而美的执行工具是机会巨头买买买是大玩家的游戏但这次收购案对中小团队和独立开发者同样有参考价值。我的判断是执行型AI这个方向恰恰是大厂不太容易做好的领域因为它极度依赖对具体场景的理解——不同行业、不同岗位、不同业务流程对“完成任务”的定义千差万别。大厂擅长做通用平台但很难深入每一个垂直场景做精细化运营。这就像办公套件是通用的但每个公司的报销流程都是自己设计的。对于中小团队来说机会在于垂直场景的深耕。比如专攻“法律文书整理”的智能体、专攻“电商客服工单处理”的智能体、专攻“学术文献综述”的智能体——每一个领域都有自己独特的数据格式、业务流程和质量标准只要把其中一个场景做到极致就有机会被大平台收购或者在细分市场占据一个不可替代的位置。同时大厂的收购行为也为整个赛道做了市场教育和资本背书。以后客户再听到“AI智能体”这个概念时不需要你花半小时解释这是什么东西他们会主动问“你们能做类似Manus AI那样的功能吗”降低教育成本对整个赛道都是好事。作为开发者现在正是入场布局执行型AI应用的好时机——窗口期不会一直开着。4. 从技术实现角度看执行型AI是怎么做到的4.1 端到端的四个核心环节落地详解讲了这么多战略层面的东西这一节落到技术实现上。毕竟文章面向的还是同行居多说清楚实现路径比空谈行业趋势更有价值。我自己在复现类似项目时归纳下来核心就是四个环节。第一步是搭建任务拆解层。我的做法是先给大模型一个System Prompt要求它把用户输入转换成JSON格式的任务列表每个任务包含id、依赖关系、工具类型和参数。举个例子用户说“抓取这个网页上的产品价格并生成对比表格”模型会输出类似这样的结构第一个任务是网页抓取工具类型填“browser”参数填目标URL第二个任务是数据提取依赖前一个任务的结果第三个任务是表格生成工具类型填“python”参数是数据文件路径。这里的关键点是依赖关系的表达一定要清晰否则后续调度时会乱掉。第二步是实现工具注册与调度。我会用装饰器的方式注册工具每个工具包含名称、描述、参数Schema和对应的Python函数。调度层的工作就是解析任务列表中的工具类型匹配到对应函数并执行。这里有一个细节很关键工具描述要写得足够详细。因为大模型是靠描述来选择工具的描述太笼统会导致工具选择出错。比如“搜索工具”这个描述就不够更好的写法是“百度搜索工具输入关键词返回搜索结果列表适合用于获取实时信息和最新资讯”。第三步是加入执行反馈回路。这是整个系统稳定性的关键——每一次工具调用完成后系统会把执行结果包括是否成功、返回数据的摘要、可能出现的错误信息回传给大模型模型根据反馈决定是继续下一步还是修正方案。这个机制说起来简单但实现时很容易被忽略。我最早做的时候就是流程式地一步步执行结果一旦中间某一步出错整个任务就废了。后来改成反馈循环模式后成功率明显上了一个台阶。第四步是设计安全护栏。这个环节很容易被技术团队忽视但在我看是决定产品能否商用的基础。至少要做三层第一层是工具权限分级比如只读操作默认放行写操作需要人工确认第二层是任务清单审核在执行敏感操作前向用户展示即将执行的动作列表第三层是操作日志记录所有工具调用行为必须留痕便于事后追溯。4.2 稳定性的关键任务失败后的自恢复机制执行型AI在真实使用中最让人头疼的问题就是“任务走到一半卡住了”。网页结构变了、接口返回了异常数据、某个参数格式没匹配上……任何一个意外都可能导致任务中断。所以自恢复机制的设计决定了这个系统的“手感”。我常用的方案有两个。第一个是“重试降级”当某个工具调用失败时不立刻放弃任务而是让大模型尝试调整参数重新执行如果连续失败超过设定次数再触发降级策略比如改用备选工具或者简化任务目标。第二个是“子任务回滚”如果某个步骤的失败导致后续步骤失去意义系统会回滚到该步骤之前的状态重新规划剩余任务的执行路径。这两种机制配合起来能把任务成功率从70%左右拉升到90%以上。当然自恢复也不是万能的。如果任务的初始目标本身就是模糊的——比如用户说“帮我看看有什么好的方案”没有一个明确的评判标准——系统再怎么恢复也做不出让用户满意的事情。所以在执行任务前花一点时间把目标拆清晰永远比任务执行中出了问题再去补救要划算得多。4.3 部署形态与商业化思考本地化、云端还是混合最后聊一下执行型AI的部署和商业化。这个直接关系到创业团队做产品时的选型决策。目前主流是三种形态。纯云端部署所有计算和工具调用都在服务端完成更新迭代快用户无需安装任何软件但对网络依赖强且涉及敏感数据时用户会有顾虑。本地化部署整个执行环境放在用户自己的服务器上数据和操作不出内网安全和合规性最好但对用户的硬件配置有要求更新维护成本也高。混合形态任务规划和通用知识调用放云端涉及内部数据的操作在本地执行兼顾了智能性和安全性但实现复杂度最高。从商业化角度看我的观察是C端产品更适合云端形态因为用户追求的是低门槛和即开即用而B端客户尤其是金融、医疗、政务这类强合规行业本地化部署几乎是唯一选项。做To B的朋友不用太纠结——直接准备两套方案标准云版本走量私有化版本走价是目前业内比较成熟的打法。5. 行业影响扩散谁会被颠覆谁将迎来机会5.1 就业结构的变化AI不替代人但替代“不会指挥AI的人”每次AI行业有大新闻“某某岗位要被取代了”的讨论就会重新火一遍。这次关于执行型AI的收购案也一样。但基于我这几年的观察更准确的说法可能是这样AI不会直接替代你但会替代那些不会用AI的人。特别是执行型AI成熟之后当一个人能通过自然语言指挥AI完成原本需要两三个人才能完成的工作量时雇一个人还是雇三个人对企业来说是很容易做的选择题。这种变化影响最大的不是那些本来就依赖创造力的岗位而是工作内容以信息处理、文档流转、数据整理为核心的岗位。行政助理、数据分析师、初级运营、部分财务岗位——凡是工作内容可以分解为“搜集信息—整理信息—输出报告”的链条都会受到明显冲击。这不一定是坏事关键在于每个人需要主动完成技能升级从“自己做事”变成“定义任务并验收AI的成果”。换句话说未来最有价值的能力不是“亲手执行”而是“高质量地把目标给AI说清楚并判断它做得好不好”。5.2 应用生态的演进预测AI智能体将无处不在短期来看未来一到两年内执行型AI会最先渗透到这几个领域办公协作软件——智能体自动整理会议纪要、跟进待办事项、管理日程客服系统——不只会回复提问而是直接帮用户完成退款、改地址、查订单等操作软件开发——AI根据需求描述自动改代码、跑测试、提PR数据分析平台——用户用自然语言提问AI自动完成取数、清洗、建模和可视化。长期来看我觉得会有一个更深刻的趋势智能体间的协作。未来的任务可能不是一个AI独立完成的而是一个AI作为“项目经理”把任务分包给其他多个垂直技能AI去并行处理。这次头部公司收购执行型AI很有可能就是在提前布局这种“智能体联邦”的基础设施。5.3 给开发者和产品经理的行动建议现在就可以做的事说了这么多最后落脚到行动层面。不管你是开发者、产品经理还是创业者现在有几件事是值得做的。第一掌握Agent开发的基础技能栈。LangChain、LangGraph这些工具框架值得花时间研究一下它们的核心不是那些API封装而是背后的“Agent状态机”“工具路由”“反思机制”这些设计理念。环境搭建和动手调试的过程远比你看十篇教程收获大。第二在具体场景中找切入点。不要做“通用助手”那不属于中小团队的机会。去看你所在的行业、你所在的公司哪条业务线重复性劳动最强、最依赖人工操作那里就是执行型AI最值得落地的点位。哪怕是从一个很小的单点开始比如“自动整理项目周报”“自动汇总销售数据”先跑通再扩展。第三认真打磨“指令设计”能力。很多同学容易忽略这一点执行型AI的效果上限很大程度取决于你“布置任务”的质量。同样的智能体给一个“帮我做一份竞品分析报告”的模糊指令和给一个“帮我调研以下五个竞品的定价策略、目标客群、核心卖点按表格形式输出并附上信息来源”的精确指令产出差距是天壤之别。学会把目标拆清楚、把验收标准说明白是使用执行型AI最重要的软技能。6. 常见问题与避坑指南6.1 几个最常踩的坑成本失控、任务中断、效果不可控在实际使用执行型AI时有几个坑可以说是人人都会遇到的提前避一避能省很多事。成本失控是第一大坑。智能体执行任务时每一步都在调用大模型API多步任务跑下来单次任务的Token消耗量很容易达到普通对话的十倍。而且很多框架默认会把大量中间过程都计入Token消耗稍不留神成本就爆了。我的经验是最好在架构层面就引入“轻量模型优先”策略简单的子步骤优先用便宜的小模型只有复杂的规划判断才调用大模型同时在任务开始前设置Token预算超支直接终止任务。任务中断是第二大坑。智能体执行过程中任何一个外部依赖异常都可能导致整个任务链条崩溃——网页改版了、爬虫被封了、API限流了。一套健壮的重试机制必不可少同时在设计任务链条时要尽量让子任务低耦合一个子任务失败不至于拖垮全局。效果不可控是第三大坑。大模型本身是概率性的同一个任务每次执行的路径可能完全不一样这就导致输出结果存在不可复现性。遇到这种情况可以通过固定System Prompt、将核心步骤封装为确定性代码、设定严格的输出Schema来约束模型行为把“随机漫步”变成“规定路线”。6.2 效果评估方法论不要只看“看起来成功”用执行型AI做产品最忌讳的就是用“看起来完成”来评估效果。我见过不少团队Demo跑通一两个完美场景就兴奋得不行结果一上真实数据立刻原形毕露。这里分享两个比较实操的评估思路。一是任务成功率要从全量样本看。不要只测精心设计好的几个案例要从真实用户日志里随机抽样几百条任务看完整执行通过率。如果这个数字能稳定在85%以上才有商用的底气。二是引入“人机协同效率”指标。单纯的AI执行成功率并不能代表实际价值——真正要关注的是有了执行型AI之后用户完成同样任务的时间缩短了多少。我见过一个内部工具AI自动执行的成功率只有70%但加上人工兜底之后团队整体效率提升了三倍。这就不单纯是“AI是否可用”的问题而是“人机协作模式是否成立”的问题了。6.3 选型参考自研、开源还是采购对于想引入执行型AI能力的团队最后回答一个务实的问题自研、用开源还是买现成的自研适合有技术积累且需要深度定制的团队成本高但可控性强开源方案比如LangGraph、AutoGPT这类胜在灵活、零授权成本但需要自己啃文档、自己踩坑采购商业方案快捷稳定适合想要快速验证业务价值、不想在底层技术上投入太多资源的团队。我的建议是如果你只是想做一两个内部流程的自动化先拿开源方案跑通再说如果你想把这个能力作为核心产品卖点才值得投入自研如果只是想先验证业务有没有需求拿现成商业API体验一下是最快的方式。记得去年我帮某家公司做过一个内部流程审计工具的原型团队一开始雄心勃勃决定从大模型微调开始搞被我拦住了——最后就是基于开源框架加现成API三个人两周就上线了MVP到现在还在正常用。工具选型这件事适合的才是最好的。这次某头部科技公司拟收购Manus AI的消息给整个行业带来的最大启示可能不是“钱多就是好”而是它标志着一个阶段性的切换AI的价值锚点正在从“看起来聪明”转向“把事情做成”。对于从业者来说这既是一个需要适应的变化也是一个巨大的机会窗口。我自己的体会是AI应用开发最有趣的时间点往往不是技术刚冒头的时候也不是技术成熟之后而是技术刚好能做出让人“哇”一下的东西、但还没有完全普及的中间阶段——现在做执行型AI差不多正处在这个位置上。