Manus AI 上线以来最大更新：100 个 Agent 为你打工，但缺点是太烧钱了

ttxx

一个 Agent（智能体）不够用？Manus 干脆给你拉来 100 个。

今天凌晨，Manus 推出了一项新功能：Manus Wide Research。这项功能的核心亮点在于，用户只需一键即可开启大规模并行 Agent 协作，轻松处理原本需要耗费数小时、动用数百个数据源的复杂调研任务。

简单来说，这类似于此前 Grok 4 Heavy 的多 Agent 模式——同时启动多个 Agent 并行工作，最后整合输出结果。不过，Manus Wide Research 的调度规模更为庞大，Agent 之间的协作也更加紧密。

在官方的演示 demo 中，Mamus 展示了两个典型的案例。第一个案例，是让Wide Research对比分析 100 款运动鞋。

从功能、定价、设计到销量，Manus 会首先并发调用 100 个子 Agent ，每个负责一款产品，独立抓取分析、汇总信息。随后，这批结果被自动汇总成 Excel 表格和网页，交付清晰的最终排序和评估建议。

第二个案例，是为即将举办的活动寻找海报灵感。Wide Research 能够同时探索 50 种视觉风格，并自动生成匹配风格的完整海报图样。几分钟内，成品设计就能交到用户手上。

目前，这项新功能已率先向 Pro 用户（199 美元/月）开放，并计划逐步向 Plus（39 美元/月）和 Basic（19 美元/月）层级用户开放。

值得一提的是，系统会根据任务需求自动激活 Wide Research，无需用户手动设置或切换。X 网友 @LamarDealMaker 在体验后发文称：

「manus wide research 是我最近用过的最好的工具之一。50 个 Agent 同时在互联网上搜寻，收集 AI 新闻数据并填写这张表格，现在我拥有了一个按需调用的个人 AI 蜂群，很兴奋将其应用到我的日常工作流程中。」

当然，Manus 的积分机制早就被吐槽「贵得离谱」，如今新功能大幅升级，积分的消耗速度势必进一步飙升。

Manus 联合创始人肖宏也疑似在社交媒体上回应这个问题：

AI 在开始时更像边际成本很高的原子生意，然后(也许会)逐步转变成为边际成本更低或者接近于零的比特生意。和这个匹配的做法是

1.制造超贵但是拓展人类能力边界的 AI 产品。

2.用 1 挣到的钱造价格实惠的 AI 产品。

3.再用 2 挣到的钱造价格更实惠的 AI 产品。

现在在阶段 1，也才刚刚开始。下一个发布，再来 100x Token 消耗量。

就目前来看， Wide Research 的底层逻辑远不止「多开 Agent」那么简单。其背后其实是一个系统级的并行计算机制——每个 Manus 会话都运行在一台独立虚拟机上，具备编排复杂云工作负载的能力。

而 Wide Research 把这套资源能力扩展到了百倍规模，试图让一个人调度一个 AI 云计算集群。

更重要的是，与传统多 Agent 系统通过角色预设（比如设计师、程序员、分析师）进行分工不同，Wide Research 中的每个子 Agent 都是一个完整的 Manus 实例，能自主思考、自我执行，再集中交付任务结果。

Manus 联合创始人季逸超也在 X 平台发文，进一步解释了这一架构的灵感来源：

Wide Research 是我们在 Agent-Agent 协作方面的最新探索。基于我们的大规模虚拟化基础设施，Manus 现在可以自主调度一支由同质 Manus Agent 组成的团队并行工作，并汇总结果。

在构建 AI Agent 的过程中，我们一直受到经典系统研究的启发。Wide Research 直接受到了 20 多年前由 @JeffDean 和 Sanjay Ghemawat 提出的 MapReduce 范式的启发。作为大规模分布式系统的先驱，谷歌遇到了其他人尚未面临的挑战，并慷慨地与世界分享了他们的解决方案。

如今，随着 Manus 推动 AI Agent 的边界，我们正遇到一类只有在大规模时才会出现的新问题。我们将继续分享在此过程中学到的经验。

特别需要指出的是，尽管愿景很宏大，Manus 并未提供足够证据证明这种同时启动数十甚至上百个子 Agent 的方案，是否真的比单个高容量 Agent 按顺序完成任务更高效。

子 Agent 如何分工、如何合并结果、在响应速度、准确率和成本上是否具备显著优势，官方尚未提供相关依据。

最后附上 Manus 体验地址：

https://manus.im/app


来源：36kr