Manus AI 上線以來最大更新：100 個 Agent 為你打工，但缺點是太燒錢了

一個 Agent（智能體）不夠用？Manus 乾脆給你拉來 100 個。

今天凌晨，Manus 推出了一項新功能：Manus Wide Research。這項功能的核心亮點在於，使用者只需一鍵即可開啟大規模平行 Agent 協作，輕鬆處理原本需要耗費數小時、動用數百個資料來源的複雜調研任務。

簡單來說，這類似於此前 Grok 4 Heavy 的多 Agent 模式——同時啟動多個 Agent 平行工作，最後整合輸出結果。不過，Manus Wide Research 的調度規模更為龐大，Agent 之間的協作也更加緊密。

在官方的演示 demo 中，Mamus 展示了兩個典型的案例。第一個案例，是讓 Wide Research 對比分析 100 款運動鞋。

從功能、定價、設計到銷量，Manus 會首先並行呼叫 100 個子 Agent ，每個負責一款產品，獨立抓取分析、彙總資訊。隨後，這批結果被自動彙總成 Excel 表格和網頁，交付清晰的最終排序和評估建議。

第二個案例，是為即將舉辦的活動尋找海報靈感。Wide Research 能夠同時探索 50 種視覺風格，並自動生成匹配風格的完整海報圖樣。幾分鐘內，成品設計就能交到使用者手上。

目前，這項新功能已率先向 Pro 使用者（199 美元/月）開放，並計畫逐步向 Plus（39 美元/月）和 Basic（19 美元/月）層級使用者開放。

值得一提的是，系統會根據任務需求自動啟動 Wide Research，無需使用者手動設定或切換。X 網友 @LamarDealMaker 在體驗後發文稱：

「manus wide research 是我最近用過的最好的工具之一。50 個 Agent 同時在網際網路上搜尋，收集 AI 新聞資料並填寫這張表格，現在我擁有了一個按需呼叫的個人 AI 蜂群，很興奮將其應用到我的日常工作流程中。」

當然，Manus 的積分機制早就被吐槽「貴得離譜」，如今新功能大幅升級，積分的消耗速度勢必進一步飆升。

Manus 聯合創始人肖宏也疑似在社交媒體上回應這個問題：

AI 在開始時更像邊際成本很高的原子生意，然後(也許會)逐步轉變成為邊際成本更低或者接近於零的位元生意。和這個匹配的做法是

1.製造超貴但是拓展人類能力邊界的 AI 產品。

2.用 1 掙到的錢造價格實惠的 AI 產品。

3.再用 2 掙到的錢造價格更實惠的 AI 產品。

現在在階段 1，也才剛剛開始。下一個發佈，再來 100x Token 消耗量。

就目前來看， Wide Research 的底層邏輯遠不止「多開 Agent」那麼簡單。其背後其實是一個系統級的平行計算機制——每個 Manus 會話都運行在一台獨立虛擬機器上，具備編排複雜雲工作負載的能力。

而 Wide Research 把這套資源能力擴展到了百倍規模，試圖讓一個人調度一個 AI 雲端運算叢集。

更重要的是，與傳統多 Agent 系統通過角色預設（比如設計師、程式設計師、分析師）進行分工不同，Wide Research 中的每個子 Agent 都是一個完整的 Manus 實例，能自主思考、自我執行，再集中交付任務結果。

Manus 聯合創始人季逸超也在 X 平台發文，進一步解釋了這一架構的靈感來源：

Wide Research 是我們在 Agent-Agent 協作方面的最新探索。基於我們的大規模虛擬化基礎設施，Manus 現在可以自主調度一支由同質 Manus Agent 組成的團隊平行工作，並彙總結果。

在建構 AI Agent 的過程中，我們一直受到經典系統研究的啟發。Wide Research 直接受到了 20 多年前由 @JeffDean 和 Sanjay Ghemawat 提出的 MapReduce 範式的啟發。作為大規模分佈式系統的先驅，Google遇到了其他人尚未面臨的挑戰，並慷慨地與世界分享了他們的解決方案。

如今，隨著 Manus 推動 AI Agent 的邊界，我們正遇到一類只有在大規模時才會出現的新問題。我們將繼續分享在此過程中學到的經驗。

特別需要指出的是，儘管願景很宏大，Manus 並未提供足夠證據證明這種同時啟動數十甚至上百個子 Agent 的方案，是否真的比單個高容量 Agent 按順序完成任務更高效。

子 Agent 如何分工、如何合併結果、在響應速度、精準率和成本上是否具備顯著優勢，官方尚未提供相關依據。 (APPSO)