结论先说：蝴蝶效应（Butterfly Effect）旗下通用智能体 Manus 发布 2.0 版本，换用自研的 Cascade 智能体框架。官方称内部测试中 token 用量下降 23.2%、任务时间缩短 28.2%、运营成本下降 32%，同时新增云端电脑的专用项目环境、事件触发的自动化能力，以及个人智能体应用 Cue。对一人公司来说，这次升级的重点不在模型智力，而在「省」——省 token、省时间、省协调成本。
一、Manus 2.0 更新了什么
官方给出的能力清单可以整理成下面这张表。四项更新里，前三项都指向同一个目标：让长任务能稳定地跑完，而不是跑到一半散架。
| 能力 | 说明 |
|---|---|
| Cascade 智能体框架 | 自研的运行时框架，官方称 token 用量降 23.2%、任务时间降 28.2%、运营成本降 32% |
| 云端电脑（Cloud Computer） | 为每个项目提供独立环境，避免不同项目之间的上下文互相污染 |
| 自动化（Automations） | 由事件触发任务，而不是等人来点一下 |
| 个人智能体应用 Cue | 面向个人使用的智能体入口 |
数字需要标注口径：23.2%、28.2%、32% 都来自 Manus 的内测，不是第三方基准测试。它们反映的是同一套框架在自有任务集上的对比结果，换成你的业务未必一样。但方向值得注意——智能体厂商开始把「成本」当成第一指标来公布，这在一年前并不常见。
把这四项放回具体场景看：Cascade 管的是账，云端电脑管的是干净，自动化管的是不间断，Cue 管的是入口。对一个同时跑着三五个客户项目的人来说，真正影响交付质量的，其实是中间两项，而不是模型又涨了多少分。
二、省钱为什么发生在运行时
模型降价的上限是有限的，账单的大头往往不在单价，而在浪费：把整段无关历史反复塞回上下文、为一个简单判断绕上七八轮工具调用、任务失败后从头再来一遍。Cascade 这类运行时框架要解决的正是这些损耗，它管的是「怎么组织一次任务」，不是「模型有多聪明」。
这解释了一个容易被忽略的现象：同样的模型，接在不同的智能体框架里，成本和成功率可以差出好几倍。选智能体，选的其实是框架和工程细节，而不是背后那个模型的名字。
云端电脑这一项的实用性也容易被低估。多项目并行时，上下文串味是最难排查的故障之一——A 项目的记忆污染了 B 项目的输出，出错时你还以为是模型变笨了。给每个项目一个独立环境，是最低成本的解法。
三、一人公司可以怎么用
把这几项能力放进一个人的工作流里，有三处立竿见影。
- 报价里写清成本项。智能体单任务成本可直接估算，交付报价就能留出稳定的毛利空间，而不是凭感觉加价。
- 把自动化触发器当成值班员工。客户邮件到达、表单提交、每日定时，这类事件触发的任务不需要你守着，等于用极低成本买了一段在线时间。
- 用独立环境隔开客户项目。一个客户一个环境，交付物与上下文互不干扰，也方便把环境整体归档留证。
需要提醒的一点是：省下来的成本，不要全部当成利润。智能体跑得快，意味着试错次数变多，需要人工复核的产出也随之增加。把节省出的时间的一部分，固定投到质检环节上，交付质量才稳得住。
还有一层使用方式的改变值得注意：从「我指挥工具」转向「我审核产出」。当自动化触发器把任务接过去之后，一天里真正需要动脑的环节，变成了开工前把验收标准定义清楚，和收工后检查结果是否达标。定义标准这件事，恰恰最难交给 AI 代劳，也最难被别人复制。
四、上量之前先做的验证
内测数据不等于你的数据，建议先小范围验证再决定是否把核心流程搬过去。
- 挑一个每周重复三次以上的任务，跑两周，记录成功率和总花费。
- 对比替换前后的返工时间，而不只是对比 token 账单。
- 检查自动化触发的边界：什么条件下不该触发、触发失败时谁收到通知。
- 确认数据留存的规则，尤其是涉及客户资料的任务。
验证的顺序建议是：先单任务，再多任务，最后才接客户。单任务看成功率与花费，多任务看环境隔离是不是真的有效，接客户之前，把敏感的客户资料先做一遍脱敏演练。
常见问题
Q：32% 的成本下降是怎么算出来的？
A：官方称来自内部测试的对比结果，衡量的是运营成本，不是模型调用的标价。第三方复测尚未出现，建议在自己的任务上复算一遍。
Q：Cascade 框架对使用者是透明的吗？
A：按官方说明，它是 Manus 自研的智能体运行时框架，用户直接使用 Manus 2.0 即可，不需要自己搭建框架。
Q：这类智能体适合承接客户交付吗？
A：适合承接流程清晰、结果可校验的工作，比如资料整理、初稿生成、数据核对。涉及对外承诺与合同表述的环节，仍然需要人工签字确认。
参考来源
- Manus 官方发布信息，转引自 AI Weekly《AI News Today: September 28, 2026 Edition》，2026 年 9 月 28 日
- AI Weekly《AI News Today, September 28: Top Stories》，2026 年 9 月 28 日
