Manus 聯合創辦人復盤以 Manus 重建內部工作流程的實驗
Manus 聯合創始人復盤:用 Manus 重建 Manus 的內部實驗
Manus 聯合創辦人張濤復盤公司如何以 Manus 與內部工具 Mono 推動人機協作,並分享工程、產品和行銷團隊的做法、成效與未解問題。
- - 工程流程:Mono 統整多個程式碼儲存庫的脈絡、架構決策與工作規則,支援端到端開發、測試及發布。
- 發布與合併仍須由人審批。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
Manus 聯合創辦人以內部實驗說明,統一程式碼與決策脈絡、設定可驗證的測試及人工審批,如何改變跨團隊協作,也揭示自主執行帶來的決策負荷。
Manus:Blog·2026-10-30 00:00· 5 天前精選AI 評分75
用 Manus 重建 Manus:什麼變了,什麼出了問題,以及我們現在如何工作
AI 導讀
Manus 聯合創始人張濤撰文復盤公司全面轉向人機協作開發的內部實驗,介紹內部工具 Mono 如何統一倉庫上下文並讓單人端到端交付需求,工程師同時推進 10 到 20 個請求已成常態。文章涵蓋工程、產品和營銷三個團隊,總結了自主性需要可驗證終點線、瓶頸從工程轉向產品決策等經驗,也指出注意力碎片化、資訊分散和許可權設計等未解決的問題。
推薦理由
Manus 聯合創始人復盤公司全面用 agent 工作的一手經驗,給出了可行做法、失敗教訓和尚未解決的問題。
正文
作者:張濤,Manus 聯合創始人兼首席產品官
九月下旬,在 Manus 2.0 的最後衝刺階段,我在 Slack 上給一位工程師發了幾條功能需求和缺陷報告。後來我去看他進展如何。他的螢幕上開著一排 agent 會話,有的在 Manus 裡,有的在 Codex 裡。我點進其中一個。提示詞就是我在 Slack 上發的訊息,一字不差地貼上進去。
一年前,他會讀我的訊息,理解我的意思,然後開始寫程式碼。而現在,agent 讀取請求,找到相關程式碼,並提出修改方案。工程師的工作是指揮任務、檢查結果並對最終產物負責。大多數時候請求都在執行中,並不需要他等待。如今在我們這裡,一名工程師同時推進 10 到 20 個請求已是常態。
我為團隊的快速適應感到自豪。但我也感到不安。這個節奏對嗎?還有什麼是我們沒注意到的?
我們在 Manus 構建 agent,所以我們堅持兩條原則:用自己的產品做真實工作,並持續尋找 AI 失靈的地方。
我想記錄一下當人與 agent 預設並肩工作時,一家公司內部會發生什麼。本文涵蓋三個團隊——工程、產品和市場——並包括那些行不通的地方。這是一份正在進行中的實驗報告,而不是對"AI 原生組織"的定義。
我們目前學到的:
•沒有折中之道。把 AI 加到舊的工作方式上有時只會增加噪音。只有當閉環真正形成時,事情才會改變。
•Agent 需要全域性視野。更好的上下文比更好的提示詞給我們帶來的收益更大。
•信任來自測試和上下文,而不僅僅來自模型質量。
•自主性需要終點線。只有當成功可被驗證時,agent 才能獨立執行。在其他所有地方,由人來決定。
•瓶頸會轉移。當工程變得更快時,決定該構建什麼反而成了約束。
•人的角色並未被削弱,反而更聚焦於高影響力的事情。
1. 沒有折中之道
在 2026 年之前,我們和大多數公司做的事一樣:把 AI 加到我們已有的工作方式上。這意味著客服用 AI 摘要來標記問題,工程師使用程式設計助手,機器人在頻道里釋出分析。每一塊單獨看都有用,但各塊之間彼此並不相連。在閉環真正形成之前,我們只是在用老辦法工作,只不過多了許多 AI 在互相說話。
有一句話我們常常回到:軟體工程是隨時間累積的程式設計。寫程式碼容易衡量;讓一個複雜產品健康地執行多年則不然。AI 寫程式碼的高佔比可能意味著真實的進展,也可能意味著在堆積日後要有人清理的垃圾。
我們真正在意的考驗更難。Manus 是一款已上線超過一年的複雜產品。它能否在新的工作方式下持續改進而不崩塌,同時每個人都能做得更多?到目前為止,答案是肯定的。
2. 把全域性交給 agent
和大多數科技公司一樣,我們在交接環節損失的時間最多。前端工程師和後端工程師會各自解讀一個需求,就介面達成一致,然後花幾天時間修復不匹配的地方。兩個人很少會以相同的方式理解同一個需求。
如果 AI 能跨技術棧寫程式碼,是否可以讓一個人端到端地負責一個需求?障礙在於上下文。我們的程式碼分散在不同的倉庫中,沒有哪個 agent 能一次看到整個系統。
我們對此的回答始於一次內部實驗。我們想看看在儘可能少的人工輸入和幾乎不手寫程式碼的情況下,AI 能把一個產品做到什麼程度。我們在這個過程中形成的方法,演變成了如今我們稱之為 Manus-mono(或簡稱 Mono)的內部工具。
Mono 並不合併我們的程式碼倉庫。它是一個統一的入口,加上一份寫給 agent 的手冊:每個倉庫是做什麼的、它們如何協作、以及我們是如何工作的。agent 會按需拉取所需內容。我們還維護了一個架構決策記錄庫,這樣每次 agent 會話開始時,獲得的不僅是程式碼,還有過往決策背後的推理。無論誰與 agent 協作,這個 agent 都掌握著此前所有人的上下文。
Mono 是一步步成長起來的,每一步都解決了上一步暴露出的瓶頸:
1.看清整個系統。我們加入了任何單個倉庫都無法涵蓋的業務上下文,並使用 Git worktrees 來並行工作。
2.本地驗證。以往推送到測試環境需要 5 到 10 分鐘。現在整個 Manus 技術棧可以在一臺筆記本上執行,檢查只需幾秒。
3.除錯生產環境問題。通過受限許可權,Mono 可以讀取診斷生產環境 bug 所需的日誌、配置和錯誤報告。
4.端到端執行釋出。Mono 現在處理那些以往容易卡住的釋出環節。審批決策仍由人來做。
5.端到端測試。當驗證成為瓶頸時,Mono 開始使用測試賬戶,在瀏覽器和移動端模擬器中執行真實使用者流程。
(Mono 如何運作以及它如何演進。由一位同事使用 Manus 製作。)
有人會問 Mono 是否是一個程式碼 wiki。文件是其中的一部分,但其餘部分涵蓋了程式碼周圍的一切:我們如何測試、如何釋出、決定了什麼以及為什麼這樣決定,還有 agent 可以和不可以觸碰什麼。
隨著時間推移,Mono 已經成為一個共享知識庫,並會隨著大家的持續補充而越來越好。例如,我們的運維工程師厭倦了總被叫去幫忙釋出,於是他把釋出流程寫進了 Mono。現在任何人都可以執行釋出,agent 也可以,但審批仍由擁有釋出許可權的人來決定。我喜歡團隊這種工作方式:一個人解決了自己的煩惱,整個公司也因此變得稍快一些。
團隊現在預設一個人就能在每個平臺上交付一個需求。我們的移動端團隊一直是七個人。他們在兩個產品之間維護四款應用,並與網頁端保持同步節奏。
Mono 在公司內擴散並沒有自上而下的強制推動。我認為這與其說是工具推動,不如說是文化使然。探索 AI 的邊界本就是我們存在的原因之一,而且我們的組織是扁平的。工具能走多遠,取決於組織允許它走多遠。
3. 閉環:從使用者的 bug 報告到經過驗證的修復
Mono 讓任何人都能參與產品的任何部分。這只是其中一半。另一半是讓 agent 能自主發現問題。
在大多數網際網路公司,使用者的 bug 報告要先經過客服、產品和分流,才能到達能夠修復它的工程師手上。
對我們來說,現在是一個內部 agent 先調查該報告,並把問題追溯到導致它的那次改動。然後它會在 Slack 中發帖,並 @ 負責這次改動的工程師。工程師來決定是否屬於自己要修的,然後交給自己的 agent 處理。另一個獨立的 agent 會通過執行相關測試和流程來檢查修復。
三個 agent,三種角色:一個負責分流,一個負責執行,一個負責驗證。中間的人做出判斷。我們越來越多的工程工作現在都以這種方式開始——由 agent 把問題交到人手上。
這個閉環有明確的邊界。讀取使用者報告的 agent 不能改動程式碼。它只能調查並向我們反饋。改動來自工程師自己的 agent,並且需要工程師先做決定。任何內容在未經擁有釋出許可權的人審批之前,都不會發布上線。
4. 我們如何學會信任 Agent 編寫的程式碼
長期以來,合併到主分支的每一次更改都需要兩位高階工程師之一的簽字確認。我們對 AI 的信任還不足以跳過這一步。隨著 Agent 產出的程式碼越來越多,這個審查環節成了瓶頸。
就純粹的編碼能力而言,模型已經相當出色。我們意識到差距歸結為兩點。第一,人知道如何測試自己的工作。第二,人參與了上下游的討論,所以他們知道對業務而言什麼才是"正確"的。正確的程式碼並不等同於正確的產品。
我們從兩方面入手解決:
•讓 Agent 加入討論。現在,每位工程師的 Agent 都會駐留在它被新增的 Slack 討論串中,跟進上下文。當有人最終說"開工"時,Agent 已經知道團隊決定了什麼以及為什麼。
•讓 Agent 進行端到端測試。我們與後端團隊合作,賦予 Agent 在每次更改後於 Manus 中執行真實流程和迴歸測試的能力。隨著測試覆蓋率的增長,我們的信任也隨之增長。
如今,每一次更改都要通過這種驗證,並經過執行最強可用模型的程式碼審查機器人審查,對支付等敏感領域還有額外規則。機器人取代了排隊,而不是人的決策。Agent 可以提交 pull request,但未經人的明確批准,無法合併到我們的主分支。什麼要構建、誰可以釋出,仍由人來決定。
5. 自主性需要一個終點目標
信任是有邊界的,我們是通過艱難的教訓才明白這一點的。
曾經有一段時間,大家都對完全自主的 Agent 迴圈感到興奮,於是我們試了一次。一個 Agent 從我們的內部反饋渠道收集反饋,併為每一條反饋啟動一個專案。一位同事讓它運行了整個週末。週一早上,有超過 200 個專案在等待他的決策。
為什麼不讓 Agent 也替我們做這些決定呢?自主迴圈只有在系統能夠檢查目標是否達成時才有效。測試通過或失敗;頁面能載入或不能載入。而大多數現實工作並沒有這樣的檢查。必須由人來判斷事情是否完成,以及是否值得去做。
那個週末我們得到了兩條教訓。第一,人做決策的速度跟不上一個不受約束的迴圈產生決策的速度。第二,如果沒有人決定某件事是否該做,那就沒有人為結果負責。第 3 節中的 bug 修復迴圈之所以奏效,是因為測試定義了成功。產品決策沒有測試可依,所以 Manus 的每一次產品變更仍然始於一個人決定是否值得去做。
6. 當工程變得更快時,產品反而成了瓶頸
傳統的產品流程有許多交接環節,每一次交接都會讓優先順序稍稍偏移。隨著編碼 Agent 讓工程師效率更高,一個新問題出現了:沒有足夠的產品經理來撰寫好的需求。工程第一次不再是瓶頸。
在 Manus,我們的第一個解決方案是請幾位工程師成為"建造者",從探索到釋出全權負責一個問題。但同時具備技術判斷力和產品判斷力的人寥寥無幾。接著我們讓 PM 來改程式碼,這同樣陷入停滯。交接依然存在,而沒有工程師的直覺,PM 可以改文案和互動,卻改不了底層邏輯。
Mono 解決了這兩個問題,因為它自帶規則:
•任何涉及模型呼叫或成本的更改,都需要在編寫程式碼前獲得負責人的簽字確認。
•每一次更改都要經過與工程師更改相同的審查和測試。
•Mono 可以使用測試賬戶走完註冊和支付流程,並記錄每一步,這樣 PM 就能準確指出出問題的具體時刻。
下面是實際操作中的樣子。一位負責語音轉文字的 PM 讓 Manus 對 10 多個模型進行了基準測試,然後選定了一個。她通過 Mono 拉取前端程式碼,在我們的設計系統中構建了一個 demo,並讓 Manus 把每個使用者場景渲染成圖片供她審閱。她把 demo 轉成了影片。方案清晰到她自己就把該功能構建了出來,包括 Web 和桌面端 UI。
過程中有人做出了三個決定。她選擇了模型。產品和設計團隊審查了演示。一位擁有釋出許可權的工程師審查了程式碼。一年前,這一切都不可能實現。
我們將這種轉變描述為從人在環中(human in the loop)轉向人在環上(human on the loop)。過去 AI 完成任務的 70-80%,人來補足剩餘部分。現在人來設定規則,監督多個 agent,在關鍵節點檢查方法和結果,必要時介入,並對結果負責。
現在有些 PM 會提交一段簡短的影片,而不是書面規格或原型圖。幾分鐘內,影片就能展示使用場景、每個介面、每次點選的作用、邊緣情況如何處理,以及底層如何運轉。對我們而言,設計、工程和 QA 能更快就"完成"的定義達成一致,PM 只需講解一次。
(語音輸入的產品需求影片)
如今約有一半的 PM 獨立上線功能,每位 PM 都提交過程式碼。設計師也開始動手了。一位 PM 在 Manus 2.0 中編寫了 Manus Studio 介面的大部分程式碼。另一位編寫了影片編輯器。這些成果的背後,是有人花了數月時間突破自己原有的崗位邊界。這是最讓我自豪的地方。
這並不意味著每個人都必須成為開發者。當公司裡任何人都能構建產品時,可能會有人上線一些本不該存在的東西。我們的產品團隊經常問一個問題:"如果這件事只花一秒鐘且零成本,你會上線嗎?"有時答案是否定的。我們仍然需要模組負責人來決定構建什麼、不構建什麼以及使用者最終看到什麼。我們也需要有人來維護像 Mono 這樣的基礎設施。當構建變得容易時,決定構建什麼就更為重要。
7. 營銷工作流中的 AI 隊友
一次營銷合作要經歷指令碼審查、定價、合同、審批、付款、上線和效果復盤等環節。這些步驟分散在郵件、合同工具、審批系統、電子表格和廣告平臺中。過去工作中很大一部分時間都花在了在這些系統間搬運資訊,留給需要判斷力的創意工作的時間很少。
我們從一個小問題入手:合作方內容或廣告上線後,我們往往很晚才知道。於是我們讓 AI 寫了一個指令碼來檢測內容何時釋出。接著我們想要效果資料。然後是過往合作的復盤。再然後整個內部工作流被打通:當合同簽署或審批通過時,agent 會更新狀態並通知負責下一步的人。
Manus 將這一切構建成了一個內部站點。對人而言,它是儀表板和日曆。對 agent 而言,它是一組工具。使用這些工具在我們工作流中運作的 agent,就是我們所說的 AI 隊友。它只在團隊為其接入的渠道和系統中工作,訪問許可權僅限於此工作流。
它的工作內容如下:
•它管理自己的佇列。許多人同時向它發訊息,所以它在一個"前臺"會話中與所有人溝通,並把任務分派給並行會話。它會判斷某條訊息是否與自己相關,然後再決定是中斷當前工作還是等待。這些規則是它在開發過程中自行提出的,我們審查後予以保留。
•它從轉發的上下文中學習。過去策略調整意味著一場會議和一份書面簡報。現在我們的營銷負責人會把討論轉發給它,並說一句"學習一下"。
•它會關注長期目標。有一次,Slack 執行緒中的隊友(它也被加入了該執行緒)記不清某個專案的進展。它在未被 @ 的情況下回複道:"B 還在測試中。要不要等 A 的結果出來再看 B?"
•它會與其他團隊核實事實。在我們上線 3D 模型繫結後,它向產品團隊詢問支援哪些內容。它瞭解到繫結覆蓋七個類別,包括魚類、蛇類和四足動物,因此我們的描述得以保持準確。
現在隊友們會讓它參與指令碼和定價審查,因為它讀過我們過往的合作記錄。但最終決策仍由人做出。
這個內部站點也能從它的使用者(包括 agent 本身)身上得到改進。當 agent 遇到阻礙時,它會通過反饋介面提交一個請求。該請求會通過 Manus 2.0 中的自動化在 Manus 中建立一項開發任務,由工程師審查變更後再發布。它已經運行了大約一週。我們還需要積累更多案例才能真正依賴它。
那麼團隊裡的人做什麼呢?有三件事仍由他們負責。他們做出並承擔每一項重要決定。他們處理 agent 未見過的情況,並教它該怎麼做或該找誰。當它的分析指向新的角度時,他們會調整它的方向。
8. 減少互相打擾
在所有這些團隊中,許多問題不再需要去打擾某個人。
先問 Agent。一位同事在 Mono 上搭建了一個 Slack 機器人,它執行在雲端電腦上並在話題串中回覆。非工程師用得最多。這個功能是怎麼工作的?這個字串在哪裡?這個釋出了嗎?他們不再需要先去找負責人。
開啟會話,而不是詢問進度更新。工程師的進展過去都存在他們自己的 AI 聊天裡,他們一下線就看不見了。所以我們做了一個內部功能,讓專案成員可以看到彼此的會話,並申請加入。工程師可能用 Agent 完成了一個功能的大部分,然後 PM 加入同一個會話來調整間距、樣式和文案。在別人的會話中發帖需要對方批准,我們還在完善許可權機制。

(示意圖:工程師、PM 和設計師如何在一個會話中協作。並非真實的價格調整。)
重點不是讓大家彼此交流更少,而是讓大家彼此打擾更少。
只決定需要決定的事。我們使用 AI 最多的人保留了一個主會話,專門做一件事:列出需要他決定的事項,併為每一項給出建議。當 Slack 變得繁忙時,他不參與其中,而是問:"我現在需要決定什麼?"
我也做類似的事。我每天有超過 20 個待辦事項,而且正如我公開分享過的,我有 ADHD。對我來說,最難的部分是開始。現在每個待辦都進入一個專屬的 Manus Project,它會把每一項變成單獨的任務。它能啟動的就啟動。遇到不確定的,它會問我背景資訊,以及該由哪位 PM 負責。然後,利用我授予它的對我自己 Slack、Gmail 和 Notion 的訪問許可權,它會收集上下文,並把一個完整的請求交給 PM,而不是隻給一句話。對我來說,這種變化不僅僅關乎效率。我現在每天花在對從何入手感到焦慮上的時間少多了,這在個人層面意義巨大。
9. 這些花費值得嗎?
我們在 AI 上花費很多,並且密切跟蹤這些支出。我們不是用它來評判任何人的表現。我們是用它來評判這筆支出本身:它現在是否有回報,或者是否在為未來打基礎?
以下是我們認為它為我們帶來了什麼,以及我們預期成本會如何變化:
•它為我們換來了時間和注意力。隨著團隊壯大,協作會消耗每個人的注意力。AI 保護了每個人的注意力,讓他們能夠更充分地掌控自己的工作。而我們還在繼續招聘。
•使用最好的模型是我們瞭解 AI 邊界的方式。第 4 節描述的驗證和程式碼審查設定執行在我們能用到的最強模型上。負責開發者生產力的同事稱之為我們最具價效比的支出。
•成本應該通過產品降下來。我們現在越來越多的開發工作發生在我們自己的產品 Manus Studio 中,所以我們的使用資料能告訴我們 tokens 浪費在哪裡。修復會進入產品本身,因此也應該讓 Manus 對使用者更高效。我們預期隨著模型變得更便宜以及我們消除浪費,今天的成本將大幅下降。這是一個信念,而不是承諾!
10. 哪些還沒做好
打擾變少了,但注意力更碎片化了。過去一天處理四五件事的人,現在可能同時推進 20 或 30 件事。每次切換都意味著重新載入上下文。AI 擴充套件了人們能做的事情,也促使他們做得更多。一位 PM 告訴我,只要有一個任務在跑,她就忍不住要啟動另一個 Agent。做更多的事情不是目標。我們把這當作一個需要解決的問題,而不是值得慶祝的節奏。
資訊更分散了。我們的產品負責人過去了解每一項變更以及背後的原因。現在他有時會截圖一個問題去問 Mono:"這是誰改的?"聽起來好笑,但這個問題是真實的。當每個人都被賦權去改變產品時,誰對整體負責?
共享許可權需要重新設計。當工作可以被分享和交接,而 Agent 又出現在我們更多的對話中時,我們必須決定什麼是開放的,什麼需要審批。
我們的解決方案仍然很初級。目前,一個 Agent 監督其他 Agent,只彙報哪些卡住了以及哪些需要人來決策。我們知道這還可以做得更好。
11. 我們接下來要做什麼
這些問題指向其他團隊可能也會需要的產品工作。我們並沒有提前規劃這些功能。它們源自我們自己不斷遇到的問題。
•把會話作為共享工作區。一個人提出問題,設計師提出方案,工程師構建它,PM 推動它執行,這一切都在同一個地方發生。
•跨裝置、跨人員流轉的工作。本地機器和雲端機器保持連線,這樣當有人暫時離開時,工作仍能繼續。
•能發現人們未曾考慮過的方案的 Agent。一個在公司系統內執行、擁有合適許可權的 Agent,應該能夠提出解決方案,而不僅僅是執行指令。
我們會先在自己身上嘗試這些,然後再帶給使用者。
12. 人們現在在做什麼
那位同時開啟一排 Agent 會話的工程師,不僅僅是一個關於效率的故事。它是組織運作方式的一次變革。過去,公司通過角色和層級來傳遞資訊。一個人能做什麼,取決於他能調動多少人和多少資源。現在,我們花一點時間為 AI 提供上下文和工具,然後花更多時間去做判斷和決策。越來越多的時候,是 Agent 把問題帶到我們面前。但決定如何應對,仍然是我們的工作。
我們開過這樣的玩笑:如果 Manus 能做這麼多,還來辦公室幹什麼?讓 Agent 自己搞定好了。但真正重要的問題,依然需要人來提出、爭論和決策。例如,什麼才算一個好產品?或者,稍微誇張一點地說:是打造一個有真實收入、持續推動 AI 邊界的偉大產品,還是追求利潤率?AI 不知道我們想要哪一個。我們知道。文化和信任,來自我們日復一日、在關鍵時刻一起把事情想清楚的過程。那是每個會話中所有工作所依託的基礎。
所以,就目前而言,這是我們的答案。在我們作為 AI 原生組織的實驗中,人的角色並沒有被削弱。它變得更專注於那些他們能產生最大影響的領域:定義問題、判斷質量、決定什麼值得做、為結果負責。
這也是為什麼我們仍在招聘。人的技能與判斷力處於這種工作方式的核心——而這一點在短期內不會改變。
寫下這篇文章時,我很好奇一年之後它會是什麼樣。每家公司都有不同的目標、結構和文化,所以可能沒有標準答案,也沒有最終形態。但對一家構建 Agent 的公司來說,弄清楚人與 AI 如何協作並不是可選項。它就是工作的一部分。我們會繼續探索,也會繼續分享我們的所學。
關於資料的說明。本文中的數字來自內部記錄。團隊規模和 PM 交付資料截至 10 月下旬。部分內容是估算或個人經驗,而非嚴格的度量。
來源:Manus:Blog · manus.im