Manus 团队新产品发布，Cue 一手体验！

Manus 恢复独立运营并发布 Cue

9 月 1 日 Manus 恢复独立运营，据彭博社报道，Manus 将在新一轮融资中把估值提高一倍至 40 亿美元，比 Meta 当初的收购价还高一倍左右。

就在昨天，Manus 官宣发布 Manus 2.0。

除此之外，Manus 这次也发布一个全新的个人智能体产品，叫 Cue。

Cue：首个拥有完整数字身份的 Personal Agent

而 Cue 则是 Manus 推出的 Personal Agent 产品，它跟我们之前用过的大部分 AI 助手都有些不同。

怎么说呢，以前的 Agent 更像是你手机里的一个 App，你打开它、给它指令、它执行完你关掉。

Cue 不一样，它有自己的电话号码、自己的邮箱地址、自己的钱包、自己的电脑。

没错，它可能是全球第一个拥有完整「数字身份」的 Agent。

它可以接听你转接给它的电话，用自己的邮箱地址对外发邮件，在你设定的预算范围内用自己的卡完成支付，甚至在你下线之后继续工作。在 Cue 里面，每个 Agent 都有独立的身份，你给它配置所需的工具和权限就行。

更有趣的是 Cue 的多智能体群聊功能：

你可以把不同专长的 Agent 拉到同一个群里，给一个大方向的目标，比如筹备一场线下发布会：一个 Agent 去查场地排期，一个整理供应商报价，第三个起草演讲框架，它们之间可以自己传递上下文、互通信息，你只需要在群聊顶端做最终决策。

甚至在其中一个实操案例里，用户扫了一下餐厅桌角的二维码，Agent 就根据饮食偏好自动完成了点餐，还能替你排队取号。

一手体验 Cue

在第一时间，Manus 团队给了我们首批体验资格。

先说我自己快速测试的一个场景。

前段时间参加 S 创大会，差旅费用需要走公司报销，发送到邮箱里的发票，文件名称需要处理成公司需要的发票格式。自己处理会有些麻烦，所以我尝试交给 Cue 帮我处理：

Step1. 确认自己的邮箱。

Step2. 把发票内容直接开到或转发到 Agent 的专属邮箱。

Step3. 通过对话下载整理对应发票。

把公司里发票报销流程，复制到 Cue 里，让它自动识别、归类、提取关键信息。

两分钟后，它就整理出了一份清晰的发票清单：

体感上，Cue 的执行任务完成度和效率都还不错，未来随着接入的 Agent 工具能力越强，处理任务的效果也会越丝滑。

与此同时，Cue 发布后，昨晚我们也第一时间把邀请码分享给了观猹社区的 AI 发烧友们。

第一批拿到体验资格的观猹员们，他们对于 Cue 的反馈也很快汇总了上来。

这是金牌观猹员神奇小喷菇 AIGC、观猹学社助教花海的评价：

这是观猹员 & AI 自媒体博主栗噔噔和明浩老师 rosicky311 的反馈：

整体来看，大家的共识是：Cue 的完成度挺高的，尤其是 Agent 拥有独立身份这件事，用起来的感觉和之前所有 Personal Agent 都不太一样。

Manus 为什么要做 Cue

Manus 自己就有 Agent 产品，市面上还有 OpenClaw、WorkBuddy、Muse，为什么要再做一个 Cue？

把这几个产品放在一起看，会发现：它们的设计逻辑，其实路线也不太相同。

Manus 本体是面向特定任务的工作流设计，核心思路是“给 Agent 更多更好的工具”。

为了提升执行效果，Manus 做了大量定制化的事情：

比如发现 Agent 用传统 SaaS 效果不好，就直接把 WPS、谷歌文档、剪映这些能力，用自己重新做一遍 Saas 工具的方式集成进来。

到了 2.0 版本，工具库更是大幅扩展：

Manus 创始人肖弘也表示，Cue 的宣传视频完全就是用 Manus Studio 的视频搞定的。

而 WorkBuddy 更像是面向特定角色设计的针对办公场景的 Agent 工具。它做了很多角色 Agent、连接器、Skill，试图覆盖各个职业场景。

OpenClaw 面向个人生活需求，也侧重工具，但发展太快，缺少整体规划，体系做得比较混乱。OpenClaw 2.0 发布后市场反响也比较平淡。

Muse 和 Cue 它们同样面向个人需求，但侧重的是“领域”而非“工具”。

比如 Cue 里面集成的邮箱 Agent、交易 Agent，每一个都是围绕特定领域深度打磨的，有自己独立的工具集、执行循环和上下文窗口。

如果要用竞争关系来理解 Agent 之间的差异：那么 Manus 的对手是 WorkBuddy，而 Cue 的对手是 Muse。

Personal Agent 的新方向：领域智能体

Grok bot 和 Muse 最近的爆火，让很多人开始重新思考 Personal Agent 应该怎么做。

但大部分人没有搞明白，这一轮 Grok Bot、Muse、腾讯的 LightVela、Manus 的 Cue，相比于上个时代的 Personal Agent——龙虾，到底做了什么改变？

针对这个问题，有一个大佬，前段时间就给出了一个答案：

StandardAgents 的联创 Justin Schrader 在一次公开分享中提出了一个判断：未来属于领域智能体。

回头看龙虾时代的 Personal Agent，核心问题在于整个设计都围绕「工具」展开：MCP 协议让大模型能调用工具了，但谁来盯着它把事做完？工具在那里，执行结果没人负责。Skill 也是类似的困境，本质上是一份 Markdown 文档，能告诉模型在某些场景下怎么做，但它终究只是一份说明书。

但给一个人再多的工具和文档，也送不了他上月球：登月靠的是导航组只管导航、推进组只管推进、通讯组只管通讯，然后有一个指挥中心把所有人协调起来。

所以问题的根源在于：我们一直在给同一个 Agent 加东西，而没有考虑把任务拆开，交给不同的 Agent。

Justin 提出的方案叫 Domain-Specific Agents，领域专用智能体。

什么是领域专用 Agent 呢？其实很简单，与其让一个大 Agent 装满所有工具和知识，不如拆成多个小 Agent，每个只负责一个领域。

一个 Gmail Agent 只管收发邮件，一个 Figma Agent 只管设计操作，一个差旅 Agent 只管预订行程。每个 Agent 有自己独立的系统提示、工具集、消息历史和执行环境。

你可能会说，这不就是换了个名字的 Skill 吗？

还真不一样。Skill 是一份说明书，领域专用 Agent 是一个独立运行的实体。它有自己的工具集、自己的执行循环、自己的上下文窗口，它不是被主 Agent 参考的文档，而是可以被委托独立工作的原子单元。

在这些小 Agent 之上，有一个协调者负责调度。协调者和各个领域 Agent 之间的通信方式极其简单，就是自然语言。不需要定义复杂的 API 接口或数据格式，协作成本极低。

协调者说「帮我查一下有没有新的出差邮件」，Gmail Agent 去查，查完用自然语言返回结果，协调者再决定下一步找谁。

如果把这个思路推到极致，未来的 AI 系统会长什么样？

Justin 描绘了一个画面：顶层是一个协调 Agent，用大模型来理解用户需求和调度任务。下面是一层层的领域专用 Agent，有些用小模型，有些甚至可以用非语言模型，比如图像生成模型。

每个 Agent 还可以有自己的子 Agent，形成递归结构。

比如一个 Salesforce Agent，它了解 Salesforce 的所有 API，拥有所有需要的凭证。

它下面可能还有一个资产生成的子 Agent 专门负责生成报表和图表，旁边挂着一个法律合规 Agent，下面又分出 GDPR 合规和 OSHA 合规的子 Agent。每一层都维护着最小化的上下文窗口，每一层都只做自己最擅长的事。

最终，通用智能体退居协调者的角色，领域专用智能体成为真正的执行者。

回过头看 Cue 的设计，本质上遵守了多个领域智能体的组合：邮箱 Agent 管邮件，交易 Agent 管支付，电话 Agent 管通话，每个都有独立身份和执行能力，上面再加一层协调。这跟 Justin 描述的架构高度吻合。

......

把时间拉回到昨天，我开始思考一个问题：

如果 Manus 真的要重点推 Manus 2.0，就不应该在同一天发布正处于超级热点的类 Muse 产品 Cue，所以从这个角度看：Manus 2.0 是一次常规升级，重点其实在 Cue 上。

换句话说，Manus 其实应该是把未来的 Agent 人机交互新范式，押注在了 Cue 上。

但它能不能跑赢 Muse 和 Grok bot，最终取决于它能在每个领域上做到多深，以及多智能体之间的协调，在遇到更多链路和工具的时候，能不能真正丝滑地运转起来。

Work Agent 的仗还没打热，主战场就迁移到了 Personal Agent。

众多玩家纷纷入场，这场仗也刚开始。让我们一起观察，一起拭目以待。

JOTO 企业落地观察

• 企业部署 Personal Agent 时，若采用领域专用智能体架构，需重构现有工具集成路径——不再追求单一大模型对接全部 SaaS，而是为每个领域 Agent 单独配置凭证、API 和上下文管理机制。
• 这类系统的取舍在于：放弃对单一 Agent 的全栈控制权，换取多智能体协同下的任务鲁棒性；当某个领域 Agent 失效时，其他 Agent 仍可独立运行，避免全局中断。
• 在 RAG 知识工程层面，领域专用智能体要求知识切片必须按业务域隔离存储与更新，例如财务 Agent 的知识库不得混入法务条款，否则将破坏领域边界带来的推理稳定性。
• AI 安全治理需适配新范式：每个拥有独立数字身份的 Agent 都构成新的攻击面，企业须为邮箱、支付、通话等不同身份分别制定访问策略、审计日志与异常行为检测规则。