Skip to main content

​
什么是广泛研究？

广泛研究是 Manus 处理涉及处理许多类似项目的任务的方法，例如分析 100 个产品、研究 50 家公司或生成 20 篇内容。广泛研究没有使用单个 AI Agent 按顺序处理项目，而是部署了数百个并行工作的独立 Agent。 每个 Agent 都会收到自己专用的上下文，并独立处理一个项目。这种架构解决了上下文窗口限制问题，该限制会导致传统 AI 系统随着项目数量的增加而质量下降。

​
上下文窗口问题

传统的 AI 系统，包括大多数聊天机器人，都在固定的上下文窗口下运行——这是它们可以一次主动处理的信息量的限制。当要求按顺序分析许多项目时：
  • 项目 1-5：提供完整上下文的详细、彻底分析
  • 项目 10-20：随着上下文被填满，描述变得更短
  • 项目 30+：随着早期上下文被压缩或丢失，出现通用摘要和错误增加
发生这种退化是因为 AI 在处理新项目时必须将所有先前项目保留在内存中。研究表明，对于大多数 AI 系统而言，这种“捏造阈值”通常出现在 8-10 个项目左右。

​
广泛研究的工作原理

广泛研究采用了一种根本不同的架构： 1. 任务分解：主 Agent 分析您的请求并将其分解为独立的子任务（例如，“研究公司 #1”、“研究公司 #2”等） 2. 并行 Agent 部署：每个子任务都分配给一个具有全新上下文窗口的专用 Agent 3. 独立处理：Agent 同时工作，每个都进行彻底的研究，而无需争夺上下文空间 4. 结果合成：主 Agent 收集所有已完成的子任务，并将其组装成您请求的格式（表格、报告、数据集等） 结果：项目 #250 获得了与项目 #1 相同的分析深度，因为每个项目都有自己的专用 Agent 和完整的上下文窗口。

​
快速入门

​
简单请求

​
详细请求

​
创意请求

​
真实示例

​
示例 1：研究 250 位 AI 研究人员

输出：包含 250 个详细配置文件的完整数据库 重播: https://manus.im/share/IXdMjxObbFKbIjUUkBk4EH?replay=1 为何有效:
  • 没有其他 AI 工具可以处理如此大规模的任务
  • 每位研究员都能获得独立、彻底的研究结果
  • 自动生成表格并填充所有字段
  • 从第 1 位到第 250 位研究员，质量始终如一

​
示例 2：比较 100 款运动鞋模型

输出: 包含 100 种产品的综合市场研究表格 回放: https://manus.im/share/3zvs5smekSmn4lS14n9QNg?replay=1 为何有效:
  • 独立深入研究每款产品
  • 大规模结构化数据提取
  • 自动组织和排序
  • 100 个项目之间没有质量下降

​
示例 3：分析 AGI 时间线

输出: 包含数据可视化的综合分析 回放: https://manus.im/share/GajPnKzrpM4pEbpcrKDmx0?replay=1 为何有效:
  • 综合来自数十个来源的信息
  • 创建研究结果的可视化表示
  • 识别模式和异常值
  • 提供基于证据的摘要

​
示例 4：研究 20 份传记

输出: 20 份结构一致的综合传记 回放: https://manus.im/share/ayLBetEJkfSIVuWKo2toPn?replay=1 为何有效:
  • 每份传记都经过彻底、独立的研究
  • 所有资料结构一致
  • 对每个人进行多源深入研究
  • 没有走捷径或生成通用内容

​
示例 5：批量编辑 LinkedIn 个人资料照片

输出：50 张经过专业编辑的个人资料图片 回放: https://manus.im/share/5iT2464ldyvdf1FMxUOCsW?replay=1 工作原理:
  • 取代了用于批量图像处理的微型 SaaS 工具
  • 对所有图像应用一致的编辑
  • 自动化的下载和处理流程
  • 规模化的专业结果

​
示例 6：提取 GitHub 提示词 (Prompt) 库

输出：包含 100 多个提示词 (Prompt) 的结构化数据库 回放: https://manus.ai/share/wxTg2q4hV6GN4YY4KnQeFx?replay=1 工作原理:
  • 规模化地提取和结构化信息
  • 自动分类和标记
  • 创建可搜索、有组织的数据库
  • 处理复杂的网络爬取任务

​
按类别划分的用例

​
为什么选择广泛研究 (Wide Research) 而不是其他工具

​
何时使用广泛研究 (Wide Research)

最适合:
  • 竞争情报（分析 50 多个竞争对手）
  • 市场研究（比较 100 多种产品）
  • 学术研究（综述 30 多篇论文）
  • 潜在客户开发（研究 200 多个潜在客户）
  • 内容创建（生成 20 多个相似项目）
  • 数据提取（抓取并结构化 100 多个页面）
  • 批量处理（编辑 50 多个图像/文件）
不适合:
  • 单次深度分析（使用常规 Agent 模式）
  • 需要顺序依赖的任务
  • 实时交互式研究
  • 项目少于 10 个的任务

​
获得更好结果的提示

明确结构:
  • ✅ “创建包含以下列的表格：姓名、公司、职位、电子邮件、LinkedIn”
  • ❌ “研究这些人”
提前指定规模:
  • ✅ “分析此列表中的所有 100 家公司”
  • ❌ “分析一些公司”
描述所需的输出格式:
  • ✅ “整理成带有过滤器的可排序电子表格”
  • ❌ “给我结果”
包括评估标准:
  • ✅ “根据以下方面对每个产品进行评分：价格、功能、评论、可用性”
  • ❌ “比较这些产品”

​
常见问题

已测试最多 250 个项目。理论上无限制，但实际限制取决于任务复杂性。
取决于任务复杂性和规模。通常 50-100 个项目只需几分钟，无论深度如何。
是的。请求修改：“添加定价列”或“重新深入研究项目 20-30”。
 是的。任何涉及处理多个独立项目的任务：图像编辑、数据提取、内容生成等。

​