Wide Research

​

Nghiên cứu mở rộng là gì?

Nghiên cứu mở rộng là cách tiếp cận của Manus để xử lý các tác vụ liên quan đến việc xử lý nhiều mục tương tự—chẳng hạn như phân tích 100 sản phẩm, nghiên cứu 50 công ty hoặc tạo 20 nội dung. Thay vì sử dụng một Agent AI duy nhất xử lý các mục theo trình tự, Nghiên cứu mở rộng triển khai hàng trăm Agent độc lập hoạt động song song. Mỗi Agent nhận ngữ cảnh chuyên biệt của riêng mình và xử lý một mục độc lập. Kiến trúc này giải quyết giới hạn cửa sổ ngữ cảnh khiến các hệ thống AI truyền thống bị giảm chất lượng khi số lượng mục tăng lên.

​

Vấn đề Cửa sổ Ngữ cảnh

Các hệ thống AI truyền thống, bao gồm hầu hết các chatbot, hoạt động với một cửa sổ ngữ cảnh cố định—một giới hạn về lượng thông tin chúng có thể xử lý tích cực cùng một lúc. Khi được yêu cầu phân tích nhiều mục theo trình tự:

• Mục 1-5: Phân tích chi tiết, kỹ lưỡng với đầy đủ ngữ cảnh có sẵn
• Mục 10-20: Mô tả trở nên ngắn hơn khi ngữ cảnh đầy lên
• Mục 30+: Tóm tắt chung chung và lỗi tăng lên khi ngữ cảnh trước đó bị nén hoặc mất đi

Sự suy giảm này xảy ra vì AI phải giữ tất cả các mục trước đó trong bộ nhớ trong khi xử lý các mục mới. Nghiên cứu cho thấy “ngưỡng bịa đặt” này thường xảy ra ở khoảng 8-10 mục đối với hầu hết các hệ thống AI.

​

Nghiên cứu mở rộng hoạt động như thế nào

Nghiên cứu mở rộng sử dụng một kiến trúc khác biệt cơ bản: 1. Phân tách tác vụ: Agent chính phân tích yêu cầu của bạn và chia nó thành các tác vụ phụ độc lập (ví dụ: “nghiên cứu công ty #1”, “nghiên cứu công ty #2”, v.v.) 2. Triển khai Agent song song: Mỗi tác vụ phụ được gán cho một Agent chuyên biệt với cửa sổ ngữ cảnh mới của riêng nó 3. Xử lý độc lập: Các Agent làm việc đồng thời, mỗi Agent tiến hành nghiên cứu kỹ lưỡng mà không cần cạnh tranh không gian ngữ cảnh 4. Tổng hợp kết quả: Agent chính thu thập tất cả các tác vụ phụ đã hoàn thành và tập hợp chúng thành định dạng bạn yêu cầu (bảng, báo cáo, tập dữ liệu, v.v.) Kết quả: Mục #250 nhận được độ sâu phân tích tương tự như mục #1, bởi vì mỗi mục có Agent chuyên biệt và cửa sổ ngữ cảnh đầy đủ của riêng nó.

​

Bắt đầu nhanh

​

Yêu cầu đơn giản

​

Yêu cầu chi tiết

​

Yêu cầu sáng tạo

​

Ví dụ thực tế

​

Ví dụ 1: Nghiên cứu 250 Nhà nghiên cứu AI

Đầu ra: Cơ sở dữ liệu hoàn chỉnh với 250 hồ sơ chi tiết Phát lại: https://manus.im/share/IXdMjxObbFKbIjUUkBk4EH?replay=1 Tại sao nó hoạt động:

• Không có công cụ AI nào khác có thể xử lý các tác vụ ở quy mô này
• Mỗi nhà nghiên cứu đều nhận được nghiên cứu độc lập, kỹ lưỡng
• Bảng được tạo tự động và điền đầy đủ tất cả các trường
• Chất lượng nhất quán từ nhà nghiên cứu #1 đến #250

​

Ví dụ 2: So sánh 100 Mẫu Giày Thể Thao

Đầu ra: Bảng nghiên cứu thị trường toàn diện với 100 sản phẩm Phát lại: https://manus.im/share/3zvs5smekSmn4lS14n9QNg?replay=1 Tại sao nó hoạt động:

• Nghiên cứu sâu độc lập về từng sản phẩm
• Trích xuất dữ liệu có cấu trúc quy mô lớn
• Tổ chức và sắp xếp tự động
• Không giảm chất lượng trên 100 mục

​

Ví dụ 3: Phân tích Dòng thời gian AGI

Đầu ra: Phân tích toàn diện với trực quan hóa dữ liệu Phát lại: https://manus.im/share/GajPnKzrpM4pEbpcrKDmx0?replay=1 Tại sao nó hoạt động:

• Tổng hợp thông tin từ hàng chục nguồn
• Tạo biểu diễn trực quan về các phát hiện
• Xác định các mẫu và điểm bất thường
• Cung cấp bản tóm tắt dựa trên bằng chứng

​

Ví dụ 4: Nghiên cứu 20 Tiểu sử

Đầu ra: 20 tiểu sử toàn diện với cấu trúc nhất quán Phát lại: https://manus.im/share/ayLBetEJkfSIVuWKo2toPn?replay=1 Tại sao nó hoạt động:

• Mỗi tiểu sử được nghiên cứu kỹ lưỡng và độc lập
• Cấu trúc nhất quán trên tất cả các mục nhập
• Nghiên cứu sâu, đa nguồn về từng cá nhân
• Không có lối tắt hoặc tạo nội dung chung chung

​

Ví dụ 5: Chỉnh sửa hàng loạt Ảnh hồ sơ LinkedIn

Đầu ra: 50 ảnh hồ sơ được chỉnh sửa chuyên nghiệp Phát lại: https://manus.im/share/5iT2464ldyvdf1FMxUOCsW?replay=1 Cách nó hoạt động:

• Thay thế các công cụ micro-SaaS để xử lý hình ảnh hàng loạt
• Áp dụng các chỉnh sửa nhất quán trên tất cả các hình ảnh
• Quy trình tải xuống và xử lý tự động
• Kết quả chuyên nghiệp, quy mô lớn

​

Ví dụ 6: Trích xuất Thư viện Prompt GitHub

Đầu ra: Cơ sở dữ liệu có cấu trúc chứa hơn 100 Prompt Phát lại: https://manus.ai/share/wxTg2q4hV6GN4YY4KnQeFx?replay=1 Cách nó hoạt động:

• Trích xuất và cấu trúc thông tin ở quy mô lớn
• Phân loại và gắn thẻ tự động
• Tạo cơ sở dữ liệu có tổ chức, có thể tìm kiếm
• Xử lý các tác vụ cào web phức tạp

​

Trường hợp sử dụng theo Danh mục

​

Tại sao chọn Nghiên cứu mở rộng thay vì các công cụ khác

​

Khi nào nên sử dụng Nghiên cứu mở rộng

Tốt nhất cho:

• Thông tin Tình báo Cạnh tranh (Phân tích hơn 50 đối thủ cạnh tranh)
• Nghiên cứu Thị trường (So sánh hơn 100 sản phẩm)
• Nghiên cứu Học thuật (Đánh giá hơn 30 bài báo)
• Tạo Khách hàng Tiềm năng (Nghiên cứu hơn 200 khách hàng tiềm năng)
• Sáng tạo Nội dung (Tạo hơn 20 mục tương tự)
• Trích xuất Dữ liệu (Cào và cấu trúc hơn 100 trang)
• Xử lý hàng loạt (Chỉnh sửa hơn 50 hình ảnh/tệp)

Không lý tưởng cho:

• Phân tích sâu đơn lẻ (Sử dụng chế độ Agent thông thường)
• Các tác vụ yêu cầu phụ thuộc tuần tự
• Nghiên cứu tương tác thời gian thực
• Các tác vụ có ít hơn 10 mục

​

Mẹo để có Kết quả Tốt hơn

Cụ thể về cấu trúc:

• ✅ “Tạo một bảng với các cột cho: Tên, Công ty, Chức danh, Email, LinkedIn”
• ❌ “Nghiên cứu những người này”

Chỉ định quy mô trước:

• ✅ “Phân tích tất cả 100 công ty trong danh sách này”
• ❌ “Phân tích một số công ty”

Mô tả định dạng đầu ra mong muốn:

• ✅ “Sắp xếp thành bảng tính có thể sắp xếp với bộ lọc”
• ❌ “Cho tôi kết quả”

Bao gồm tiêu chí đánh giá:

• ✅ “Chấm điểm từng sản phẩm dựa trên: Giá, Tính năng, Đánh giá, Khả năng sử dụng”
• ❌ “So sánh các sản phẩm này”

​

Câu hỏi thường gặp

​