这是一场发生在 2025 年 12 月 1 日的长谈：季逸超回顾从高中做 iOS 浏览器、训练语义搜索模型，到加入 Monica、再把 Manus 做成通用 Agent 的过程。它最有价值的地方不是“Manus 后来卖给了谁”，而是把一家 Agent 公司如何在模型快速变化时保持可逆、如何用沙盒和上下文承载长任务、如何用用户反馈替代自研模型，以及为什么 Agent 更像制造业而不是零边际成本的互联网，讲成了一套工程与创业方法。
节目开场明确说明录制日期为 2025 年 12 月 1 日，当时 Meta 尚未宣布 Manus 相关交易。后续公开信息改变了公司的归属和资源环境，但不能把结果倒灌成“团队当时已经知道”或“产品路线因此必然正确”。本页只用录制时可见的产品、组织和技术判断建立分析；后续公告放在证据附录，作为时间线核对。
以下先按节目自身的推进讲清楚原文：主持人问了什么，嘉宾怎样回答，哪些经历、案例和转折把后面的结论串起来。这里先不替嘉宾下判断。
| 时间 | 内容段落 | 机制线索 |
|---|---|---|
| 00:00–00:30 | 家庭与高中经历、iOS 浏览器、自然语言处理和自研模型。 | 早期产品把网络约束、搜索、模型与用户需求连在一起。 |
| 00:30–01:07 | GPT-3 带来的通解冲击、搜索创业失败、进入 Monica。 | 基模进步会让垂直模型迅速过时，正向现金流提供试错跑道。 |
| 01:07–02:32 | Manus 从概念到上线、云执行、异步长任务、模型选择与 $100M ARR 口径。 | 产品层速度与环境设计，可避开模型训练的不可逆下注。 |
| 02:32–02:59 | AI 像制造业、token 成本、通用 Agent 与生态网络。 | 推理有边际成本，规模化依赖供应链和单位经济。 |
| 02:59–03:31 | 纯血 Agent、错误恢复、上下文工程、组织与人的使命。 | Agent 的核心不是角色扮演，而是观察—行动—修复的状态系统。 |
下面按节目自己的推进，把上表中的主题展开成连续讲解；其中的判断、数字和经历先按嘉宾/作者在节目中的说法呈现，尚未进入本文的独立审计。
季逸超早期做 iOS 浏览器时，受 3G 网络限制，必须用预加载、缓存和自建搜索来改善体验；随后又做 Word2Vec、BERT、OpenIE、知识图谱和连续学习系统。GPT-3 出现后，他第一次清楚看到通用模型可以在许多任务上追平专用模型，模型的保质期因此急剧缩短。
这段经历解释了 Manus 的战略：不把最不可逆的资源押在训练自有基模上，而是把快速变化的模型当作可插拔组件。Monica 的 Chrome 插件先保留已有用户上下文并产生正向现金流，团队由此观察真实行为，再把“浏览器、搜索、语言模型”重新组合成云端 Agent。创业不是从宏大愿景直接跳到产品，而是先找到能活下来的反馈入口。
Manus 的关键选择是云端异步执行、并行沙盒和长任务，而不是把用户锁在聊天窗口。模型负责决定下一步行动，虚拟机、浏览器、文件系统和命令行负责产生真实观察；用户不必理解全部代码和权限，只需要在高风险节点批准或接管。
网页、文件、日志、工具结果和错误组成下一轮上下文。
模型选择工具、写代码、浏览、检索或启动并行任务。
沙盒、文件和 todo 把长任务从窗口里外化。
错误不被擦掉，而是成为修正策略的证据。
这种环境化设计带来两个反直觉结论。第一，Agent 的能力不等于模型的一次回答，错误恢复往往比一次命中更能预测长期价值。第二，压缩上下文不能简单删除历史，必须保留可恢复的文件、URL、日志和决策轨迹；否则系统会在长任务里失去状态。
Manus 选择通用框架而不是一堆垂直工作流，也有明确代价：开放任务的失败空间更大，评价更难，用户需要承担更多目标描述。通用性只有在长尾任务的重复使用和跨任务记忆能抵消这项成本时才成立。
季逸超公开总结的上下文工程原则可以还原为四个系统约束：
| 原则 | 实现直觉 | 为什么重要 |
|---|---|---|
| 围绕 KV cache 设计 | 稳定前缀、追加式上下文、显式缓存边界。 | Agent 输入远多于输出，缓存直接决定延迟与成本。 |
| Mask 而非删除 | 用状态机限制工具选择，保持历史工具定义稳定。 | 动态增删工具会破坏缓存并让模型混淆旧轨迹。 |
| 文件系统作为上下文 | 把网页、计划、结果和长期状态外化为可恢复文件。 | 窗口有上限，不能预先知道哪条观察未来会有用。 |
| 保留错误 | 让失败动作、堆栈和环境错误留在轨迹中。 | 错误是模型更新信念、避免重复失败的证据。 |
这些原则与 Manus 官方的 Context Engineering 文章相互印证，但仍应被看作生产经验而非普适定理。不同模型的缓存、工具调用和上下文退化曲线不同；对某一代理有效的序列化、噪声和复诵方式，可能在另一供应商上失效。
季逸超介绍 RLI（Remote Labor Index）式思路：评价不是看模型是否生成了像人的答案，而是看它是否完成了用户愿意付费的工作。他把 Coding、浏览器/GUI、工具空间、美学、错误意识和恢复能力列为不同维度，并强调一次性成功与长程恢复应分开计量。
“完成率 2.5%”“未来 20–30%”等数字属于节目中的阶段性口径，不能当作独立基准。更稳妥的评价账本应同时记录：
任务是否满足真实验收，用户是否愿意再次交付。
人工介入、工具调用、失败类型、恢复路径与时间成本。
跨任务迁移、记忆保真、维护成本、权限事故与客户留存。
用户“教”代理并不等于模型自动学习。很多反馈只是 on-policy 的局部修正，可能改善当前框架，却不能改变模型在新分布上的知识。必须区分产品配置、检索记忆、策略更新和参数学习，避免把所有数据都称为“自我进化”。
Manus 把 AI 与互联网区分开：推理消耗算力和 token，规模越大并不意味着边际成本趋近于零，模型、GPU、缓存、沙盒和网络都像制造业的供应链。于是通用 Agent 的目标不是只做一个漂亮入口，而是把计算、环境、连接器和任务价值组合成可持续的单位经济。
在生态形态上，季逸超更看好“通用协调者连接垂直服务”的星形结构，而不是所有 Agent 彼此完全互联。一个中心节点负责理解用户和拆分任务，专业 Agent 提供能力；但中心化也带来单点故障、平台抽成与权限集中。真正的网络效应必须来自可迁移声誉、任务经验和互操作接口，而不是节点数量。
季逸超警惕把 Agent 做成大量硬编码工作流：规则可以提高短期稳定性，却会限制模型发现更好的路径。他倾向于让智能在工具和环境中选择步骤，再通过约束动作空间、上下文设计和错误恢复降低风险。这不是放弃工程，而是把工程重点从“规定每一步”转到“规定边界、观察和可回退性”。
Manus 的组织分成 Sandbox、Agent、评估等小队，并刻意复用外部连接器，不与每个服务竞争。这个取舍很重要：Agent 公司若把所有功能都内建，会失去快速切换模型和环境的优势；若什么都不控制，又无法保证核心任务质量。最小产品边界必须由失败数据和用户愿意支付来决定。
上下文结构、沙盒安全、任务评价、错误恢复、核心连接器。
基础模型、通用服务、成熟协议、用户已经拥有的工作系统。
后续 Manus 加入 Meta 的公开公告显示，产品继续作为通用 Agent 服务并获得更大资源。这个结果可以帮助读者核对时间线，却不能证明所有早期选择都被市场验证。收购可能改变模型访问、分发、合规与资本约束，也可能让“保持模型无关”变成新的组织难题。
因此，本期真正可迁移的不是“最终卖给大厂”的创业故事，而是三种决策纪律：在基模变化快时保持架构可逆；把环境与错误当成一等数据；以高价值任务和可复用反馈，而不是功能数量或 DAU，定义产品进步。
原文讲解到这里。接下来才进入本文的结构化抽象、证据分层和独立判断。
季逸超没有把 Manus 定义成“自己的大模型”，而是定义成一个在真实环境中完成长期任务的系统。它的壁垒由五个相互增强的部分组成：
模型可以替换，产品架构和交互可以在小时级迭代。
云端虚拟机、文件系统、浏览器与工具让模型拥有“手”。
完成质量、错误恢复与用户愿意支付比一次性 benchmark 更重要。
用户教代理、修复失败，系统把轨迹转成框架和模型选择策略。
Sandbox、Agent、评估和产品小队共享上下文，同时刻意少做功能。
因此“通用”在这里不是营销词，而是一个架构选择：先把长尾任务交给统一框架，让模型、环境和用户共同发现哪些专业能力值得产品化。
以下卡片是本笔记此前整理出的独立洞察，现统一放在核心判断之后，避免与嘉宾/作者原文混读。
本文以 Zhang Xiaojun Podcast #128 的完整逐句材料为主，录制日期为 2025 年 12 月 1 日。节目中的早期经历、团队过程、用户数量、ARR、评价比例和产品判断按季逸超及节目当时可见口径处理；其中公司收入数字与产品说明需要和同期公开披露区分。
证据顺序：录制前后的节目与公开文章 → 公司产品/公告 → 本文机制推演。收购发生在录制之后，任何关于后续结果的判断都必须注明时间方向。