跳转到主要内容

​
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

类别示例任务
市场研究比较 100 种产品，分析竞争对手定价，调查客户评论
学术研究综述 50 篇论文，分析研究趋势，比较方法论
竞争情报分析 30 个竞争对手，分析功能集，跟踪价格变化
潜在客户开发研究 200 个潜在客户，查找联系信息，筛选潜在客户
内容创作生成 20 篇博客大纲，创建 50 个社交帖子，撰写 30 个产品描述
数据提取抓取 100 个网站，提取结构化数据，编译数据库
创意制作生成 20 张图片，编辑 50 张照片，创建一致的品牌资产
投资研究分析 40 家初创公司，比较 30 支基金，研究 50 家投资组合公司

​
为什么选择广泛研究 (Wide Research) 而不是其他工具

方面AI 聊天机器人Manus 广泛研究 (Wide Research)
方法单个 AI 帮助你并行多 Agent 编排
速度数小时达到上下文饱和无论规模大小，只需数分钟
规模超过 8-10 个项目后性能下降无缝扩展到数百个
质量渐进式下降任何规模下质量一致
输出细节丢失的压缩摘要完整的报告和数据集

​
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。

​