千匠張宗兵：Manus 很強，但產業需要另一種 Agent

　　導讀：如果說 Manus 代表了通用 AI Agent 的一次躍遷，那么千匠所做的，是它在產業世界中的另一種形態。

　　2025 年 3 月，Manus 一經發布便引爆 AI 圈，邀請碼價格一度被炒至數萬元。

　　熱度攀升的同時，爭議隨之而來，其被質疑為營銷主導下的“套殼之王”。

　　然而，僅僅 9 個月之后，Meta 官宣以 20 億美元將 Manus收入麾下。曾經的質疑聲，在這一刻集體失語，亦成為對其聯合創始人季逸超那句“極致的套殼就是勝利”的最直接、也最昂貴的現實回應。

　　不到一年時間，Manus 從發布到被收購，又在監管與現實的博弈中被迫按下暫停鍵，成為 AI Agent 熱潮中的一個典型注腳。

　　根據最新消息，中國商務部已對該收購案啟動評估調查，截至發稿前仍處于停滯狀態。但不可否認的是，在 Manus 公開承認自身并未自研底層大模型、而是基于現有模型進行能力組合與系統封裝的前提下，依然獲得 Meta 的高價收購，這一結果本身已經釋放出一個清晰信號——

　　當 AI 進入 Agent 時代，真正稀缺、真正具備商業確定性的，已不再只是模型能力本身，而是將模型轉化為“可執行系統”的工程能力。

　　也正是這種能力，決定了AI 能否真正進入產業深水區，成為推動產業效率提升和新質生產力的核心驅動力。

　　走進真實產業，“Manus ”撞上現實復雜性

　　過去兩年，AI 在企業中的“可用性”已經基本解決，并在企業側實現了“快速普及”，但這種普及，更多停留在局部試點和效率輔助層面，真正能夠跨部門運行、深度嵌入核心業務流程、并持續產出穩定價值的系統化應用，仍然寥寥無幾。

　　與此同時，模型能力的快速成熟，并沒有自動轉化為產業價值，反而讓差距變得更加清晰：通用 AI 已經在能力層面跑得很快，而真正進入業務運行體系、接管流程、對結果負責的產業級 Agent，才剛剛開始直面現實世界的復雜性。

　　在千匠網絡創始人張宗兵看來，這種“復雜性”并不來自技術本身，而來自產業長期形成的運行方式。產業并不是靠指令運轉的，而是靠一整套被反復驗證的業務判斷和風險約束，維持系統的長期穩定。

　　Manus 的價值，恰恰提供了一個理解這一問題的參照系。它的核心價值，從來不只是“會說話”，而在于能夠理解目標、拆解任務、發起動作，并最終交付可驗證的結果。但當這一邏輯真正走進產業，首先發生變化的，并不是系統，而是決策本身。

　　以鋼鐵行業為例。鋼鐵并不是一個簡單的“賣貨”行業，而是一場圍繞價格、交期、規格、資金與風險展開的長期博弈。SKU 極多、價格波動頻繁、賬期普遍存在，交易高度依賴經驗與信任。這也決定了鋼鐵行業所有 SOP 的共同目標：將高度依賴個人經驗的交易過程，轉化為可控、可復制、可追責的運行機制。

　　在真實業務中，一次看似普通的詢價，背后往往同時包含對鋼廠基價、期貨走勢、庫存結構、客戶等級和資金占用的綜合判斷。最終形成的并不是一個固定價格，而是一套動態報價策略：不同客戶、不同有效期、不同風險敞口，對應完全不同的決策結果。

　　成交之后，訂單往往需要被拆解到多個鋼廠、倉庫和物流節點，形成一組履約子訂單;庫存也不再是單一數字，而是可售、鎖定、在途、質押等多種狀態的疊加;價格波動要求現貨與期貨協同對沖;賬期與風控決定了金融是否能夠介入;而高頻出現的異常與糾紛，則考驗著責任歸因和風險兜底能力。

　　這些并不是簡單的系統流程，而是一套長期沉淀下來的行業 SOP。本質上，行業 SOP 做的，是把“老業務員腦子里的判斷”，變成“系統默認的決策邏輯”。也正是在這一意義上，千匠產業 AI 更像是一個被行業 SOP 強約束的“垂直版 Manus”。

　　產業級Agent的分界線：是否“真的能對系統動手”

　　“產業 AI 最容易被誤解的地方，恰恰在于形式相似，卻本質不同”，張宗兵解釋道。它并不是 GPT 接上 ERP，也不是“能聊天的業務系統”。真正的分界線在于：產業 AI，必須是一個“能夠對系統動手”的 Agent。

　　在產業電商和供應鏈場景中，Agent 所調用的“工具”，并不是瀏覽器或插件，而是訂單、供應商、庫存、物流、財務、合同和風控等核心業務系統。這也意味著，產業級 Agent 面對的并不是一次性的問答，而是一條完整、閉環的業務鏈路——它必須能夠讀取數據、進行計算、形成決策，并將結果寫回系統，真正推動業務向前運行。

　　讀數據 → 算 → 決策 → 寫回系統，不是技術路徑，而是產業 AI 的最低運行門檻。

　　而這一過程，并不是簡單的接口調用問題。每一次“寫回”，都意味著責任的的轉移與風險的確認：一筆訂單是否生效、一項庫存是否被鎖定、一段賬期是否被放行，都會在真實世界中產生連鎖反應。

　　也正因如此，產業級 Agent 的難點，從來不在模型是否足夠聰明，而在于是否真正理解行業 SOP，是否具備將這些 SOP 工程化、系統化、可審計地嵌入 Agent 的能力，并在不確定性和博弈中，對業務結果負責。

　　在這一意義上,千匠所構建的，并不是一個“更聰明的對話系統”，而是一種真正嵌入行業運行邏輯的產業級 Agent。這是一件更基礎、也更困難的事情:把長期沉淀在產業中的隱性經驗與業務規則系統性地拆解出來,使其結構化、標準化,并最終固化為AI可以穩定執行的規則與流程，讓 AI 不再停留在“理解業務”，而是能夠直接參與交易與履約。

　　當 AI 開始“寫回系統”，風險才真正開始

　　當 Agent 真正進入產業核心系統，首要問題不再是“夠不夠聰明”，而是是否足夠可控。在真實產業環境中，資金、庫存、供應商并非普通變量，而是企業運行的安全邊界。一次錯誤決策，可能引發現金流緊張、區域性斷貨、履約違約，甚至系統性風險外溢。這也是通用 Agent 進入產業場景面臨的第一道現實門檻。

　　以 Manus 為代表的 Agent，已跑通從目標理解到結果交付的完整工程閉環。但當這些動作開始直接寫回產業系統，風險治理就不再是可選項，而是前置條件。

　　與消費級或知識型場景不同，產業風險并非隨機事件，而是長期博弈與結構性約束的結果。價格波動、賬期風險、履約不確定性，不會因模型更強而自動消失。因此，千匠的核心判斷是：產業 AI 的風險控制，不能寄希望于預測能力，而必須通過系統設計將風險制度化。

　　數據：真實業務數據決定風險認知邊界

　　產業 AI 的第一道門檻不是模型，而是數據。真正有價值的并非通用語料，而是長期真實經營數據：成交與履約記錄、供應商穩定性、庫存波動、資金占用與回款表現。這些數據的價值不在規模，而在于每一條都對應真實決策與真實后果，構成了 AI 判斷風險邊界的基礎。

　　系統：影子運行，把試錯擋在業務之外

　　產業級 Agent 不應直接進入真實執行環境，而應先運行在高度映射真實業務的“影子系統”中。AI 的每一次策略調整，都會提前評估其對缺貨率、現金流、庫存周轉和風險敞口的影響。一旦超出閾值，決策即被攔截，而非事后糾偏。其核心意義在于：將不可接受的試錯，從真實業務中移除。

　　權限：Agent 是受控執行者，而非自主決策者

　　當 AI 具備寫回能力，其角色必須被明確定義為有權限邊界的數字員工。例如：采購金額上限、價格調整區間、核心 SKU 庫存底線、區域調撥限制。觸及邊界即進入人工審核。這不是效率妥協，而是將長期行業風控經驗顯性化、系統化。產業 AI 的價值，不在于突破規則，而在于穩定執行規則。

　　決策：可解釋、可回滾是基礎能力

　　在產業環境中，黑箱決策本身就是風險。每一次關鍵操作，都必須可追溯：輸入數據、規則觸發條件、模型版本與決策路徑。更重要的是，所有操作都必須可回滾、可凍結。AI 的行為應像版本控制系統一樣，首次具備與產業治理體系兼容的能力。

　　結構：用多模型制衡系統性風險

　　單一目標函數容易放大風險。因此，產業級 Agent 需要多模型協同：執行模型關注效率，風控模型評估風險敞口，成本模型衡量利潤與現金流。只有在邊界內達成一致，決策才被執行;否則進入人工復核。這本質上是把組織的制衡機制嵌入算法體系。

　　責任：風險最終必須由人承擔

　　無論系統多完善，產業 AI 的最后一道防線始終是人。系統必須保留人工緊急凍結權限，所有關鍵決策綁定明確的審批人、模型版本與數據快照。只有具備可追責性，產業 AI 才可能真正被納入合同、審計與合規體系。

　　結語

　　在產業場景中，AI 能否長期穩定運行，關鍵不在于它是否足夠“智能”，而在于能否被當作系統的一部分來管理。在企業場景里，不確定性往往比不聰明更危險。資金、庫存與供應商并不會因為引入智能化而天然降險，自動化反而可能放大波動與誤判，效率與風險之間的張力始終存在。

　　正因如此，產業 AI 的演進，更像是一場關于治理能力、系統工程與責任結構的長期建設，而非一次模型能力的快速躍遷。把 “Manus” 做成產業級，并不是模型升級的問題，而是一道關于產業 SOP、可執行系統與風險治理的現實門檻。

　　千匠所做的，正是圍繞這道門檻展開：讓 Agent 先嵌入真實產業系統，在可約束、可回滾、可追責的前提下參與執行，而不是作為一個脫離系統的獨立智能體。

　　只有跨過這一步，Agent 才能從展示工程能力，真正走進真實世界的產業運行之中。