10 月 26 日，Manu’s 联合创始人、产品合伙人张涛在公众号「潜云思绪」上发布了一篇长文，题为《用 Manu’s 改造 Manu’s》。文章开头描绘了一个令人印象深刻的场景：他向工程师提出若干需求与 Bug，稍后查看进展时，发现对方电脑上同时开启了一排 Codex 和 Manu’s 的 Session。他随意点开一个，输入的内容竟是他刚在 Slack 上发出的需求原文，一字未改。更令人惊讶的是，这位工程师当时正同时处理十几甚至二十个需求。如今，这种景象在 Manu’s 已成为常态。这篇文章信息量巨大，有几件事值得特别关注：Manu’s 内部构建了一个名为 Manu’s-mono 的统一代码入口，并配套一本专门写给 AI 的说明书，使其能掌握跨仓库的全局视野。一个需求，单个人即可完成全端开发。移动端团队仅七人，却同时负责两个产品和四个 App，且进度与网页版基本同步。几乎所有产品经理都向 Manu’s 提交过代码，其中一半人已能独立将需求落地为上线产品。有的产品经理提交的需求，已从文档演变成了一段视频。市场团队则拥有了一位“数字同事”，它能自主安排工作、主动提醒进度，甚至跨团队询问功能细节。9 月份，公司的人均 AI 开销超过 1 万美元，少数人一个月的支出甚至高达七八万美元。张涛在文中专门回应了外界的质疑。文章发布的时机颇为微妙。9 月底 Manu’s 发布了 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 亿美元的新一轮融资，并在北京开设 17 个岗位。在这个节点审视，这篇文章更像是 Manu’s 团队迈向 2.0 时代的一份宣言，它揭示了组织如何利用 AI 进化，同时也折射出这家公司的产品方向、成本逻辑与用人标准。
Manu’s 本身，就是 2.0 的样板间
如果把文章中的内部实践与 Manu’s 2.0 的功能列表放在一起，会发现两者几乎能一一对应。市场团队的“数字同事”若觉得内部网站不顺手，可以通过反馈接口直接提需求，需求一旦进入系统，便会自动触发 Manu’s 的开发任务。这背后利用的是 2.0 版本的 Automations 功能，即接收外部通知后自动启动任务。产品经理利用视频替代需求文档，得益于 2.0 大幅增强的视频能力，既能生成图像视频，也能通过代码制作动画。那位负责语音转文字功能的产品经理，其经历颇具代表性。她先让 Manu’s 测试了十多个模型，选定一个接入，再按照现有设计规范制作 Demo，让 Manu’s 逐一生成用户可能遇到的场景图片，逐一检查修改，最后将 Demo 剪辑成视频。方案明确后，她直接编写功能，网页端和桌面端的界面均出自她手。同事开发的 Slack 机器人运行在云电脑上。非研发同事若想了解某功能如何实现、文案位置或上线状态，无需先打听归谁管理，直接询问即可。这对应的是 2.0 中可 7×24 小时长驻的云电脑。还有一些功能目前仅在内部使用，例如同一项目的成员默认可见彼此的 Session。工程师与 AI 完成大部分工作后，产品经理可进入同一 Session，继续调整间距、样式和文案。张涛在文末直言，这些是 Manu’s 接下来要做好的事，“我们会先自己试，再交到用户手里”。“吃自己的狗粮”这一说法在软件行业流传已久，通常指员工多用自家产品。Manu’s 走向了另一条路径：产品先行，再将公司内部如何使用该产品的细节写成文档，视作产品最佳的样板间。对于一家销售通用 Agent 的公司而言，没有什么演示比“我们整个公司都这么干活”更具说服力。
从一人一个 Agent，到一个团队一个 Session
在这份宣言中，最值得玩味的是关于“我们看到的机会”这一节。过去一年，个人 Agent 已成为大公司的标配。Anthropic 推出 Cowork，Meta 的 Muse 上线不久便登顶美区 App Store 免费榜，腾讯的 WorkBuddy 在国内 PC 端办公智能体中月访问量突破 2000 万。“给每个人配一个替你干活的 AI”，正在成为所有人的共识。张涛列出的三个机会，指向的是更深层次的方向。第一，Session 本身将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。第二是跨设备、跨同事的协作。第三是 Agent 进入公司系统和知识库后，能主动寻找未曾被想到的解决方案。这三点都在讲组织，讲多个人和多个 Agent 如何协同工作。这与 Cue 的思路一脉相承。Cue 给每个 Agent 配备了独立的邮箱、电话、钱包和电脑。CEO 肖弘发布时表示，这样一个“东西”或许可以称之为“人”，接下来“是不是应该有个很多人和 Bot 的群”。Cue 将这一想法应用于个人生活，而文章中的“数字同事”，则是它在公司里的投射。关于数字同事的几个细节，比任何功能介绍都生动。许多同事会同时找它，因此它只在单一“工作台” Session 中与大家对话，具体任务再拆分给其他 Session 并行处理。Slack 消息繁杂，它会先判断消息是否与自己相关，相关后再分为“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 在开发过程中自行设计的。有一次，同事在 Slack 里讨论两个项目，一时记不清其中一个的进度。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功能后，它又主动去询问适用条件，弄清楚骨骼绑定目前支持鱼、蛇、四足动物等七类物体，之后对外介绍便能准确无误。张涛说，那一刻它更像一位一直在认真听会的同事。当单人 Agent 成为标配，通用 Agent 的下一块阵地，大概就在团队协作这一层。Manu’s 先将自己的公司变成了试验场。
人均 1 万美元
文章中争议最大的数字，是 9 月份人均超过 1 万美元的 AI 开销。张涛月初在朋友圈提到此事时，引来不少“花得太过分”的质疑，此次他正面给出了三条理由。第一，这笔钱买的是时间和注意力。团队规模扩大，沟通成本随之增加，AI 省下的是每个人的注意力，让人能更完整地掌控自己负责的事务。第二，昂贵是因为使用了最顶级的模型，这是了解 AI 能力边界的核心方法。他举了代码审核机器人的例子。负责研发效率的同事表示，最近半年未听说过因合并有问题的代码导致线上故障，而 AI 编程普及后，公司每天的代码提交量“非常夸张”。这位同事认为，这可能是公司最划算的一笔支出。第三条理由最为有趣。越来越多的开发工作在 Manu’s Studio 上完成，Studio 是 Manu’s 自家的产品，内部消耗的每一个 Token，都会转化为看清 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。这条逻辑将一笔成本转化为了研发投入。张涛判断，今天每月 1 万美元换来的工作方式，两年后可能只需几百美元。换个角度看，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除 Manu’s 外，还开着 OpenAI 的 Codex。Manu’s 的研发离不开顶级模型，而提供这些模型的公司，自己也在做 Agent 产品。有评论将这种模式称为“依附式创新”，即在别人搭建好的平台上寻找能力和用户之间的缝隙，代价是每做一单生意，都要向潜在的对手付费。从这个意义上说，人均 1 万美元同时证明了两件事：一是团队确实摸到了模型能力的边界；二是 Manu’s 比它的用户更早撞上了 Agent 的成本问题，也就更有机会率先解决它。
速度，和张涛的不安
宣言的另一面，是 Manu’s 团队成员的状态。在这篇文章里，几乎每个岗位都被重新定义。工程师从亲手写代码，转变为指挥 AI 干活、对结果负责。产品经理要能将功能写到上线，Manu’s Studio 里用户看到的大部分界面，以及 Video Editor，都出自产品经理之手。设计师最近也开始写代码了。张涛用一个概念概括这种变化：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。团队中 AI 使用最多的那位同事，工作方式最为“夸张”。他拥有一个总体的 Manu’s Session，只负责将需要他决定的事列出来，并附上推荐方案。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，Manu’s 在北京开设了 17 个岗位，从 Agent Harness 工程师到商业分析，CEO 肖弘表示一天就收到了上千份简历。GitLab 公开员工手册，Netflix 早年发布文化手册，道理相通。讲清楚一家公司如何干活，本身就是在筛选什么样的人会来。但这篇文章最打动极客公园的，反而是张涛不那么确定的时刻。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？”这个问题值得追问下去。一个人同时扛二十个需求，质量如何保证，出了问题责任怎么落地？“半年没听说线上故障”是同事的感受，还谈不上是一项统计。一半产品经理已能独立上线，另一半要怎么跟上？文章没有展开，也许答案还在摸索中。还有一段很私人。张涛提到自己患有 ADHD，每天有二十多个待办事项，最难的是“开始做”。现在他把所有待办交给一个专门的 Manu’s 项目，它能直接做的开始，不确定的回来问他，并结合 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 Manu’s 自己的组织效率。它能不能变成别人愿意付费的产品，要看接下来那些“仅在内部使用”的功能，什么时候、以什么样子交到用户手里。张涛在文末好奇，半年或一年后再写这个话题，他们的工作方式会变成什么样。我想，到那时回头再看，我们大概就知道这篇文章是一份宣言，还是一份预告。