2025 年上半年AI Agent 赛道最值得回味的信号不是某个模型又刷了榜单而是“林俊旸和 Manus双双回到原点”这个说法在开发者圈子里被反复讨论。如果把这个标题只当作新闻看好像只是一个人的选择和一款产品的调整。但把它翻译成工程语言意思就清楚了在经历了 Agent 概念的集中爆发之后行业终于开始认真回答“Agent 到底是什么、能稳定做成什么”这个基础问题。Manus 的走红证明了“交给 Agent 一个目标它自己完成任务”这个需求是真实存在的Manus 遭遇的争议同样证明当一个 Agent 被放到真实任务里模型能力、工具稳定性、任务边界和结果评估每一个环节都可能成为瓶颈。对开发者来说这个话题比新闻本身更有价值。过去一年很多人照着演示视频和教程搭 Agent搭完发现效果不稳定让它查天气可以让它“帮我完成一份调研报告”就失控在测试集上能跑换一批问题就崩。原因往往是同一个把 Agent 当成了“更强模型的提示词”而不是“由模型驱动的一个软件系统”。这篇文章不打算复述某个人或某个产品的故事而是从工程角度拆解“回到原点”背后的技术问题。我会先讲清楚 Agent 到底是怎样的系统然后带你把一个最小可运行的 Agent 完整跑起来再给出评估、排错和工程化建议。读完你会对“Agent 能不能用”这件事有一个更可靠的判断标准。1. “回到原点”到底在说什么1.1 Manus 带来的是什么信号Manus 是 2025 年初在中文技术社区和海外社区同时引发大量讨论的 Agent 产品。它最让开发者印象深刻的一点是交互方式从“聊天对话框”变成了“任务派发”你不用一步步教它怎么做而是直接告诉它目标比如“帮我整理一份关于某个行业的调研报告”它会在自己的执行环境里完成资料搜索、信息筛选、报告编写最后交付一份产物。这种“目标式交互”带来了两个结果。一方面它证明了通用 Agent 的产品形态是被用户接受的——大量用户愿意为了一个内测资格去排队。另一方面它也把 Agent 的工程质量问题暴露在了聚光灯下任务执行到一半卡住、对工具返回结果理解错误、长链路中上下文丢失、结果无法稳定复现。这些问题并不新鲜在任何一个 Agent 开发者手里都会出现只是 Manus 第一次让它们以如此大规模、公开化的方式出现。所以“回到原点”的第一个含义是产品叙事回归到工程现实。无论是林俊旸作为 Agent 热潮中技术从业者的缩影还是 Manus 作为头部 Agent 产品的代表他们回到的地方是同一个不再谈论“什么都能做”而是回到“这件事到底怎么做才稳定”。1.2 所谓“原点”是哪三个点我更愿意把“原点”拆成三层来看。第一层是回到模型本身。无论 Agent 的外壳包装成什么样它的推理上限仍然由底层大模型决定。模型看不明白用户意图规划层再精致也没用。第二层是回到工具调用。Agent 相对普通对话应用的本质变化是它能够调用工具。工具调用是否稳定、工具返回是否结构化、工具之间如何组合决定了 Agent 能完成多少真实工作。第三层是回到工程确定性。演示视频里 Agent 永远一遍成功真实系统里 Agent 需要重试、超时、日志、评估和回滚。没有工程确定性“通用 Agent”就是演示 Agent。这三层恰好也是本文后面要展开的三条主线。2. Agent 到底是什么核心概念与常见误解很多同学上来就写 Agent但对“Agent 是什么”并没有形成一个可操作的判断。我们先花一点时间把概念钉牢。2.1 一个可以执行的 Agent 定义Agent 是一个能够感知环境、做出决策、执行动作并从结果中学习的系统。在当下的 LLM Agent 实现中最常见的范式是 ReAct也就是 Reason Act。它的执行循环可以用一句话概括模型先“想”再“做”然后把“
