Prompt 写法决定一切
Manus 和普通 ChatGPT 最大的区别是：它真的会按你的指令去执行。指令越精确，结果越好；指令越模糊，credits 越浪费。
五段式 Prompt 结构
给 Manus 写复杂任务时，用这个结构：
## 角色
你是一个 [具体角色]，擅长 [具体能力]
## 背景
- 当前情况：[context]
- 已有信息：[已知条件]
## 任务步骤
1. 第一步：[具体操作 + 预期产出]
2. 第二步：[具体操作 + 预期产出]
3. ...
## 输出要求
- 格式：[Markdown / PDF / Excel / 代码]
- 语言：[中文 / 英文]
- 字数/规模：[具体数字]
## 约束条件
- 不要 [明确排除项]
- 必须 [质量底线]
好 vs 坏 prompt 对比
❌ 坏：帮我做个竞品分析
→ Agent 不知道分析哪些竞品、从哪些维度、要什么格式
→ 消耗 200+ credits，结果可能不是你要的
✅ 好：分析 Notion、Obsidian、Logseq 三个笔记工具：
1. 分别搜索官网查定价（个人版 vs 团队版）
2. 从 G2.com 和 Reddit 收集用户评价（各 3-5 条）
3. 对比：离线支持、API 开放性、中文体验、社区活跃度
4. 输出 Markdown 表格 + 500 字总结推荐
→ 方向明确，Agent 直奔主题，~100 credits 搞定
Projects：建立长期记忆
每次新对话 Manus 都会"失忆"。Projects 解决这个问题——为特定场景创建持久化的上下文：
# 创建 Project 的步骤：
# 1. 左侧菜单 → Projects → New Project
# 2. 设置 Master Instruction（自动加载到每次对话）
# 3. 上传 Knowledge Base 文件
# 4. 保存
# Master Instruction 示例：
master_instruction: |
你为 JR Academy（匠人学院）工作，是技术内容运营。
品牌规范：
- 语言：中文为主，技术名词保留英文原文
- 调性：专业但亲切，面向澳洲华人 IT 学员
- 禁用：AI 味浓的词（赋能、深入浅出、全方位）
输出规范：
- 文章 1500-3000 字
- 必须有代码示例
- 必须有对比表格
上传到 Knowledge Base 的文件（品牌手册、产品文档、设计规范）会被每次对话自动引用，不用重复上传。
Agent Skills：把工作流变成一键命令
做完一次任务后，如果这个流程以后还会用，把它存成 Skill：
# 在对话里对 Manus 说：
"把刚才的工作流保存为 Skill，名字叫 weekly-competitor-report"
# Manus 会生成一个 SKILL.md 文件，包含：
# - 触发条件
# - 执行步骤
# - 需要的输入参数
# - 预期输出格式
# 以后直接用：
/weekly-competitor-report Notion,Obsidian,Logseq
实用 Skill 示例：
| Skill 名 | 功能 | 触发方式 |
|---|---|---|
daily-news-digest |
搜索行业新闻 → 整理成摘要 | /daily-news-digest AI教育 |
code-review |
分析 GitHub PR → 生成评审意见 | /code-review [PR URL] |
market-sizing |
TAM/SAM/SOM 市场规模估算 | /market-sizing 在线编程教育 澳洲 |
landing-page |
生成 Landing Page + 部署 | /landing-page 产品描述 |
Wide Research：100 个 Agent 并行干活
普通 Agent 是单线程——搜索 A、再搜 B、再搜 C。Wide Research 模式同时派出一群 sub-agent：
# Wide Research 适用场景
wide_research_cases = {
"大规模人才搜索": "同时搜 200 个候选人的 LinkedIn",
"批量竞品监控": "并行抓取 50 个竞品网站的定价变动",
"市场调研": "同时研究 30 个城市的房产数据",
"学术文献": "并行阅读 100 篇论文摘要并分类",
}
# 触发方式：在 prompt 里明确说
# "请使用 Wide Research 模式，并行搜索以下 N 个目标..."
# 或者任务自然涉及 10+ 个独立搜索目标时自动触发
Wide Research 的关键优势：每个 sub-agent 有独立的 context window。传统 AI 搜索 10 个东西后，前面的信息开始模糊；Wide Research 的每个子代理只负责 1-2 个目标，信息不会丢。
实战案例：从零部署一个 SaaS
让我们看一个开发者常见场景——用 Manus 做一个完整的 SaaS 原型：
帮我做一个「AI 面试模拟器」Web App：
功能需求：
1. 用户输入目标职位（如"Junior Frontend Developer"）
2. AI 生成 5 个面试问题
3. 用户输入答案，AI 给出评分和改进建议
4. 历史记录页面
技术要求：
- React + Tailwind CSS 前端
- Node.js + Express 后端
- SQLite 数据库
- 调用 Claude API 生成面试题和评分
部署要求：
- 部署到公网，给我访问链接
- 代码可导出
Manus 的执行过程（约 15-20 分钟）：
- 规划架构（前后端分离、API 设计）
- 在 Code Sandbox 里创建项目结构
- 写前端页面（React 组件、路由、样式）
- 写后端 API（Express routes、数据库 schema）
- 集成 AI 接口
- 本地测试通过
- 一键部署、返回公开 URL
省 Credits 的实战技巧
tips_save_credits = [
"Chat Mode 做前期沟通，确认方向后再切 Agent Mode",
"上传参考文件而不是让 Agent 去搜索（搜索消耗高）",
"一次说清所有要求，避免'再加一个...再改一下...'",
"复杂任务拆成 2-3 个小任务分别执行（单次过长容易超时重试）",
"用 Projects + Skills 避免重复描述背景信息",
"评分完成的任务（4-5 星）——高评分有概率触发 credit 返还",
]