来自 @ManusAI 联合创始人张涛 @hidecloud 发布在公众号的一篇文章「用 Manus 改造 Manus，AI Native 组织改造的实践和思考」，Agent 工程实践价值非常高，强烈推荐给各位 AI 开发者们。 https://x.com/i/article/2114673070539776000
用 Manus 改造 Manus：AI Native 组织怎么边 dog fooding 边改进工作方式
来自 Manus 联合创始人张涛 @hidecloud 发布在公众号的一篇文章，Agent 工程价值非常高，强烈推荐给各位 AI 开发者们。
公众号：https://mp.weixin.qq.com/s/I_hNNAf7LFBf5nJ0rEJHig?scene=1
Manus 把「做 Agent 产品」和「用 Agent 改组织」绑在一起：工程师常把 Slack 需求原文直接丢给一排 Codex/Manus Session，一人并行十几个需求；损耗从「人与人对齐」转向「给人补上下文、工具与审批节点」。文中用 Manus-mono、产品经理写代码与视频 PRD、市场「数字同事」、人均约 1 万美元 AI 开销 四条线说明：人从 Human in the loop 更偏 Human on the loop，定规则、盯关键节点、对结果负责。
开场那一幕
9 月冲 2.0 时，张涛给工程师提需求/Bug，再去看进展：屏幕上是一排 Session，输入几乎是 Slack 原文一字未改。过去是人先分析再写；现在找相关代码、改动多由 AI 做，人更多在指挥与担责。一人同时压十几、二十个需求已成常态，张涛既兴奋又不安：够快还是太快？有没有看不见的坑？
立意：Agent 公司必然「吃自己的狗粮」+ 探索使用边界；默认人机协作后，组织该怎么工作。下文只写三个团队的切片。
研发：最大损耗曾在联调 → Manus-mono
旧链路：评审 → 前后端分仓开发 → 联调 → 测上线。联调最贵，接口与理解难对齐。想法是：AI 能跨端写码，模糊分工，一人吃透需求推前端/后端/移动，减少对接。但代码散在多仓，单人负责仍缺统一上下文。
Manus-mono（Mono）：不是把代码物理合成一仓，是统一入口 + 给 AI 看的说明书（各仓职责、协作方式、规范）；要改哪就拉哪。演进大致是：
- 看见全局（业务知识 + Git worktree 并行）
- 本地验证（整套 Manus 可本地跑，验证从等测环境 5–10 分钟到秒级）
- 受控读线上日志/配置/异常排查
- 走发布流程（卡住环节补 AI 操作能力，审批仍在人）
- 端到端验证（测账号走真实流，浏览器/模拟器检查）
Mono 越用越像知识库 +「熟悉规则的超管」：运维烦发版就把流程写进 Mono，全公司都能让 AI 做。共识：一个需求，一个人可以写完所有端，移动端约 7 人扛 2 产品、4 个 App，进度大致跟网页同步。
能推开的三因：探索边界本就是追求；无法忍受「AI 已能高效处理仍人工」；组织够扁，决策上下都快。
产品：怕优先级错位 → Builder + 全员交过代码 + 视频当 PRD
古法产品链人多、信息逐层丢；更难受的是优先级错位。Claude Code/Codex 抬高工程吞吐后，瓶颈翻面：产品经理不够用，高质量需求供给不上。
尝试：少数研发当 Builder（发现问题到上线一条龙）；再淡化岗位，让 PM 也能改码，但交接仍卡、PM 缺研发视角，一度只能改文案交互。
Mono 之后：规范强制（如模型调用/成本须先找负责人确认）；自建审核机器人（强模型审全量合入，支付等关键模块专门规则）；Mono 用测账号走注册/支付并逐步录屏，PM 看录屏指出问题。
案例：一位 PM 做语音转文字，先让 Manus 测十多个模型再选型；经 Mono 拿前端按设计规范做 Demo，生成用户场景图逐张改；再用视频编辑把 Demo 做成片，然后自己把网页/桌面界面写完。人主要卡在：选模型、Demo 产品/设计评审、有发布权的研发审码。张涛称这是 Human in the loop → Human on the loop：人设计规则、监督多 AI、关键节点判断并担责。
Manus 2.0 视频能力上去后，部分需求从 PRD/稿变成 几分钟完整视频（文中称 PRV）：场景、界面、点击后行为、状态与边界、实现逻辑一镜对齐上下游。约一半 PM 能独立需求到上线；所有 PM 都向 Manus 提交过代码；设计师也开始写码；Studio 用户可见界面、Video Editor 等多由 PM 写出。
市场：人在系统间搬运 → 数字同事
内容合作/投放流程散落邮件、合同、审批、表格、各后台，人少流程长，创意时间被挤。起点很小：合作内容/广告发出后公司往往不第一时间知道。先让 AI 侦测发布时间 → 看数据 → 复盘历史 → 合同/审批完成发信号更新进度并推进下一步 → 做成内部站：对人是看板日历，对 AI 是可调用工具集，于是有了「数字同事」。
数字同事特点（文中举例）：
- 统一「工作台」Session 接需求，再拆并行 Session，避免注意力被占满；Slack 先判相关、是否打断（规则称开发中由 AI 自设计）
- 负责人把讨论转给它「学一下」，策略进知识、之后执行带上
- 未 @ 也能主动提醒项目阶段（「B 还在测，要不要等 A」）
- 主动跨团队问清能力边界（如骨骼绑定支持哪些物体类）再对外讲准
- 审脚本/价格时人愿拉它看历史；拍板仍是人
- 网站开反馈接口：用不顺直接提需求 → Automations 触发开发任务，会自己推动系统变好的闭环
横切：少「找人打断」
- 产研事务问题先问 AI（Slack 机器人跑在云电脑上，非研发用得最多）
- 看进度：打开彼此 Session（默认同项目可见，进对话发言仍需批准，权限还在打磨），不是少交流，是少临时打断
- 极端工作法：总 Session 只列「需要我定的事 + 推荐方案」；张涛自述 ADHD、待办 20+，交给 Manus 拆任务、能做的直接开、不确定的问背景与跟进人，再结合 Slack/Gmail/Notion 调研后交给 PM
人均约 1 万美元 AI 开销值不值
朋友圈引发质疑后文中正面答三点：买的是时间与注意力（组织变大时）；贵因用最好模型摸边界（代码审核机器人投入后，同事称近半年未听说因合入问题致线上故障，而日提交量很夸张）；成本会随自有产品（Studio）看见浪费而下降，用户也受益。信条仍是吃狗粮 + 探边界；今日万元级工作方式，两年后或数百美元，组织与工作方式资产更贵。
看到的产品机会与「人最后做什么」
Session 变多人协作对象（状态流转、管理面板）；跨设备（一人管多机 → 本地/云与同事协作）；Agent 进系统与知识库后主动发现人未想到的解法。
人角色未变小，更集中：定义问题、判断质量、决定什么值得做、对结果负责，并与 AI 共同成长。公司氛围与信任仍靠人日积月累，不是「各自 Agent 代班就不来公司」。仍在招人。半年一年后再写，形态未知；各司文化不同，未必有标准答案，但对 Agent 公司这是必答题。