[TIL] 与 Manus 首席科学家季亦超的三小时访谈（被Meta收购）

Source: Dev.to

2026年1月5日
Full Video

概览

• 纪一超回顾了十年 AI 初创公司的历程，涵盖了 Tokenize → LSTM → Transformer 应用的演进以及他两次构建 AI 浏览器的经验。
• 他解释了 Manus 成功的原因在于解决了云服务提供商和模型提供商无法解决的问题——具体来说，是一个能够让 LLM 自主规划任务的强大 工具库。
• AI 代理被比作制造过程，因为它们需要大量的优化。
• Manus 的产品策略强调 “决定不做什么”。

采访片段的快速链接：

Manus 与模型上下文协议 (MCP)

Manus 采用保守的方式使用 MCP，因为动态工具发现会污染 Action Space，降低缓存命中率并增加成本。提出的改进是将 MCP 置于原生 Action Space 之外 调用。

MCP 挑战

• 工具定义 会占满上下文窗口。
• 中间工具结果 消耗额外的 token。

代码执行的优势

• 代理可以 按需加载工具 并在执行环境中处理数据。
• 减少 token 使用 → 降低成本和延迟。
• 改善 隐私保护 和 状态管理。

实现细节

• 使用 TypeScript 生成可用工具的文件树。
• 代理探索文件系统，只加载必要的定义。
• 实现数据过滤、转换和隐私保护操作。
• 支持状态持久化和技能保存。

安全与基础设施

• 需要 安全的沙箱环境，具备资源限制和监控。
• 这些运营需求会增加开销和安全考虑。

Reference: “Code execution with MCP: Building more efficient agents” (Anthropic blog).
PDF on building agents (OpenAI)

AI 能力层级

1. 对话式 AI / 聊天机器人
2. 人类水平的问题解决 / 推理器
3. 代理
4. 创新者
5. 组织者

(See timestamp: )

影响力论文

• FLAN‑T5 – Scaling Instruction‑Finetuned Language Models

  • 使用 11B 的 FLAN‑T5 模型取得了强劲的结果。
  • arXiv:2210.11416

• Word2Vec – Efficient Estimation of Word Representations in Vector Space

  • 引入了高效的数学架构，将文本转换为语义相关的向量，开启了 NLP 深度学习时代。
  • arXiv:1301.3781

创业洞见

• “当一群不太笨的人无事可做时，伟大的想法会出现。”（时间戳：）
• 引用：“对于每个复杂的问题，总有一个答案是清晰、简单且错误的。” – H. L. Mencken