Manus引领AI变革如何推动Web3 DeFai发展

微想AI • 2025年3月8日 am8:25 • 资讯

实现真正 DeFai 愿景的道路充满挑战，需要攻克单体 AI 模型能力上限、多模态交互协作的原子性保障、多模态系统资源调度与支配、系统容错与故障处理机制等一系列复杂难题。

一夜之间，许多朋友纷纷向我推荐 #manus，称其为全球首款真正通用的 AI Agent，能够独立思考并规划执行复杂任务，最终交付完整成果。这一概念听起来令人兴奋，但除了引发朋友圈中关于失业焦虑的讨论外，manus 究竟能为 web3 DeFai 场景带来怎样的变革？以下，我将分享我的思考。

一个月前，OpenAI 推出了同类产品 Operator，AI 可在浏览器中独立完成餐厅预订、购物、订票、外卖订餐等任务，用户可实时可视化监督，并随时接管控制权。然而，这套 Agent 并未引起广泛讨论，原因在于其单一模型驱动的工具调用框架，用户若意识到关键决策仍需人工干预，便失去了依赖其执行任务的意愿。

manus 表面看似与 Operator 类似，只是应用场景更为丰富，涵盖简历筛选、股票研究、房产购买等，但背后框架与执行系统的差异却十分显著。Manus 由多模态大模型驱动，并创新性地采用了多重签名系统。简而言之，AI 模仿人类执行（计划-执行-检查-行动）的 PDCA 循环，将由多个大模型协同完成，每个模型专注特定环节，既能降低决策风险，又能提升执行效率。所谓「多重签名系统」，实则是一种多模型协作的决策验证机制，通过要求多个专业模型的共同确认来确保决策与执行的可靠性。

通过对比，manus 的优势逐渐显现，视频 Demo 中展示的操作体验更让人印象深刻。但客观而言，manus 对 Operator 的迭代创新尚属起步阶段，尚未达到颠覆性革命的程度。关键在于执行任务的复杂度，以及非统一标准用户 input Prompt 进入后大模型的容错率与交付结果成功率。若顺着这一创新思路，web3 的 DeFai 场景是否就能迅速成熟应用？显然，现实并非如此。

例如，在 DeFai 场景下，Agent 执行交易决策时，需要一个 Oracle 层 Agent 负责链上数据收集与验证，整合分析数据，并实时监控链上价格以捕捉交易机会。这一过程对实时分析能力要求极高，可能存在一秒前还有效的交易机会，但等到 Oracle 大模型传输给交易执行 Agent 时，机会已消失（套利窗口）。这暴露了多模态大模型在执行决策时的最大软肋：如何联网、触链调取 Real-Time 级别的数据，并从中分析出交易机会，进而完成捕捉。联网环境尚可，许多电商网站订单价格并非实时变动，不易引发系统动态平衡问题，但在链上，这一挑战却无处不在。

因此，整体而言，manus 的出现确实会在 web2 领域引发一波朋友圈焦虑，毕竟许多重复性高的文职和信息处理工种可能面临被 AI 取代的风险。但让他们焦虑的是另一回事。在 web3 对 DeFai 应用场景的推动作用上，我们需客观认识：

必须承认，其意义确实重大。毕竟，manus 提出的 LLM OS 以及 Less Structure more intelligence 理念，尤其是多重签名系统，将为 web3 拓展 DeFi 与 AI 的结合提供诸多启示。这纠正了大部分 DeFai 项目的重大误区——不要试图依靠单一大模型实现 AI Agent 的自主思考与决策等复杂目标，这在金融场景下根本不切实际。

真正 DeFai 愿景的实现，需要解决单体 AI 模型能力上限、多模态交互协作的原子性保障、多模态系统资源调度与支配、系统容错与故障处理机制等一系列复杂问题。例如：

– **Oracle 层 Agent**：负责收集链上数据与分析，监控价格，形成有效数据源；
– **决策层 Agent**：根据 Oracle 提供的数据进行分析与风险评估，制定决策与行动方案；
– **执行层 Agent**：根据决策层给出的多种方案，结合实际情况执行，包括 gas 费用优化、跨链状态、交易排序冲突等。

唯有这一系列 Agent 都足够强大，并有一个庞大的系统框架落定，真正的 DeFai 革命才会到来。

本文网址：http://www.idea2003.cn/news/545.html