Manus 用 Manus 改造自己：工程基建正在向 AI 暴露接口

Manus 团队最近分享了一篇内部实践文章，讲他们如何用 AI 改造自身组织。hidecloud 写的《用 Manus 改造 Manus，AI Native 组织改造的实践和思考》记录了不少具体做法。宝玉在推特上提炼了六个要点，结合原文，整理如下。

工程基建：从对人友好，变成向 AI 暴露接口

过去做工程基建，核心是提升开发者体验，让工程师写代码更爽。AI 原生组织的第一性原理变了：如何让 Agent 接触到真实世界，自己获得充足的上下文。

Manus 做了个叫 Manus-mono 的代码仓库（简称 Mono）。它不是把所有代码合并到一起，而是提供一个统一入口，配上一本给 AI 看的说明书：每个仓库做什么、彼此怎么配合、研发按什么规范工作。AI 要改哪部分，就去拉对应仓库。

配套能力包括：

• 让 AI 在本地跑通完整 Manus，验证从等 5 到 10 分钟缩短到几秒
• 在权限控制下，让 AI 读线上日志、配置和异常记录
• 让 AI 用测试账号走完注册、支付等真实流程，逐步录屏
• 让 AI 走完发布流程，但审批权仍留给人

人在能看到什么、操作什么，Agent 就必须能看到、能操作。当 Agent 能自己验证结果，形成“修改-验证-排查”的闭环，它才真正从副驾驶变成了司机。

这一步的价值，网友体会更深。有人说“向 AI 暴露接口”说透了组织改造的关键，光换模型不够，内部工具得能被 Agent 直接调用。也有人提醒，文档、权限、审批这些给人看的流程，谁来改成 Agent 能读的版本，才是大部分公司 AI Native 转型真正卡住的地方。

人与 AI 交互：只给目标，要证据

传统模式里，人跟 AI 结对，AI 写一段、人改一段，还要操心上下文有没有超、代码写得优不优雅。Manus 工程师的做法是：把 Slack 里的需求原文一字不改丢给 Agent，老板要什么就告诉 Agent 要什么，不教它怎么做。

人不再一行行看代码，怎么相信 AI 的结果靠谱？

Manus 用最好的模型做代码审核机器人，让 AI 自己证明自己做对了。产品经理让 Agent 用测试账号走完注册、支付流程并逐步录屏，然后看录屏指出哪里不对。

宝玉在推文里补充了一个细节：Manus 的产品经理把需求用 AI 做成视频，然后拿视频当需求文档提交。视频能交代用户在什么场景下使用、界面怎么设计、点击后会发生什么、不同状态怎么处理，甚至背后的实现逻辑。设计、研发和测试看同一段演示，比看文档容易对齐。宝玉说，其实可以试试 Claude Design，这种交互用高精度原型比视频效果更直观。

AI 工作流：从人等 Agent，变成 Agent 等人

真正的 AI 原生工作流是高度异步、大规模并发的。只有一个 Agent 时，你得等它干活；安排很多 Agent 并行，你就不用等，只需要在不同 Agent 之间切换——要么分配任务，要么验证结果。

Manus 工程师一个人同时开着十几二十个 Session 处理需求。领导层把二十多个待办丢给一个主控 Session，让它自己去 Slack、Gmail 和 Notion 做背景调研并分发任务。市场部的数字同事只在一个工作台接收任务，拆给后台多个子 Session 并行跑，收到系统信号时自动干活，遇到工具不好用还能自己提需求改系统。

组织极致扁平：一个人写所有端

传统软件工程里最大的损耗在人与人之间：前后端联调扯皮、产品设计研发对文档理解偏差、跨部门排期错位。人类无法低成本地共享上下文，只能靠精细分工来凑。

AI 抹平技术栈鸿沟后，分工不再是刚需。Manus 一个人可以写完前后端和移动端，7 个人维护 4 个 App；所有产品经理都提交过代码，一半能独立上线功能。一位产品经理把语音转文字功能从模型选型推进到上线，放在一年前几乎不可能。

Session 正在成为公司的新一代资产

对话流正在取代传统文档和看板，成为组织核心工作对象与记忆载体。同一项目成员默认能看到彼此的 Session，不用追着人问进度。技术同事先和 AI 完成大量工作，产品经理再进入同一个 Session 调整细节，两个人加 AI 交替推进。

运维同事嫌总被找去帮忙发版，把发版流程写进 Agents.md，之后谁都能让 AI 来发。一个为了解放自己做的小事，最后让整个公司都快了一点。网友指出这招几乎没有成本，是大多数团队今天就能抄的。还有人说，写给 AI 看的文档有个副作用：新人更好上手了。AI 不会像人一样问上下文，逼着你把话一次说全，新同事反而因此受益。

当 AI 做了 90% 的事，人还剩下什么

引用 hidecloud 的话：

在 AI Native 组织里，人的角色没有变小，而是更集中了。定义问题，判断质量，决定什么值得做，并为结果负责。还有很重要的一点：与 AI 共同成长。

人的位置一直在往上移，从亲手做，到定规则、看证据、做决定。往上移的时候，要小心把判断也一起交出去。执行可以交给 AI，思考要留给自己。

有网友问了个更直接的问题：当 AI 做了 90% 的事，除了定义问题和做决定的那几个人，剩下的人都去哪了？这个还没有答案。

人均 1 万美元 Token，值不值

Manus 人均每月 AI 开销超过 1 万美元，有人一个月用掉七八万。这笔钱买的是时间和注意力，买的是消除人际沟通损耗。负责研发效率的同事说，代码审核机器人投入使用后，半年没听说过因为合入问题代码造成的线上故障。他觉得这是公司最划算的一笔支出。

有网友算了一笔账：按 Artificial Analysis 的每题花费，Claude Sonnet 5.5 最高推理档每题约 5.46 美元，1 万美元能跑约 1,800 题；DeepSeek V4.1 Flash 每题 0.32 美元，能跑 3 万多题，差 17 倍。宝玉预测，一两年后 Fable 这样的模型成本可能也跟 DeepSeek Flash 差不多了。今天的 17 倍差距，就是成本下降的空间。

现在各个团队都在喊 AI 原生转型，但做好真不容易。在传统流程上贴一层 AI 不算转型。像 Manus 那样，一切围绕 Agent 重新建立分工和流程，还得舍得砸钱用最好的模型，这套做法不一定适合所有公司，但至少指了一个方向。