沒有賬號，只能挑選一個案例

????????一夜之間被這個用全英文介紹全華班出品的新爆款國產AI產品的小胖刷頻。白天還沒有切換語言的選項，晚上就加上了。簡單看了看團隊夠成，使用很長實踐的Monica創始人也在其中。逐漸可以理解，重心放在海外產品上也無可厚非。

????????好了廢話不多說了。小編弄不到邀請碼，只能通過例子分析了解產品，我們選取的案例就是AR/AI眼鏡研究分析這塊。在官網有案例，寶子們可以自行查閱。

核心提示詞-當manus開始跑案例的時候我們就可以看到，一個提示詞，manus就開始瘋狂輸出：

Research articles and industry reports to compile a comprehensive list of AR/AI glasses set to launch in 2024–2025. Organize the data into a detailed table, including brands, product specifications, pricing, core component configurations along with their suppliers, and projected sales volumes.

研究文章和行業報告，編制一份將于 2024 年至 2025 年推出的 AR/AI 眼鏡綜合清單。將數據組織成一個詳細的表格，包括品牌、產品規格、定價、核心組件配置及其供應商和預計的銷量。

后續我們使用ChatGPT-Deep reaserch跑一遍這個提示詞然后總結區別以及各自的優勢和劣勢。

manus的效果

案例-AR/AI眼鏡研究

Step-1：直接看結果

左側的整體流程其實已經并不陌生了，ChatGPT-o1、DeepSeek-R1都具備這樣的流程思考過程。

其實主要的結果不止右側的文檔，最重要的是過程中的所有文件！本來小編非常看好manus這個流程，但是ChatGPT一上來的交互也讓我眼前一亮，先賣個關子，后續章節可以看到ChatGPT的反饋！

這里面包含很多文件，跟昨天分享的不同，這里面沒有代碼也沒有圖片，全是數據以及基于數據生成的單項報告。

最終要的其實是這個todo！里面大致是這次任務編排的一個大綱！類似我們AIWritePaper論文的大綱生成！我們看看這個大綱：

AR/AI 眼鏡研究項目 （2024-2025）

Research Tasks

• ?1. 創建 todo 文件

• ?2. 搜索將于 2024-2025 年推出的 AR/AI 眼鏡

  • ?識別開發 AR/AI 眼鏡的主要科技公司和初創公司

  • ?查找有關即將推出的 AR/AI 眼鏡的最新技術新聞文章

  • ?搜索行業報告和市場分析

  • ?編制一份所有已識別的 AR/AI 眼鏡商品清單

• ?3. 收集產品規格

  • ?顯示技術（分辨率、視野等）

  • ?處理能力（CPU、GPU、NPU）

  • ?電池壽命和充電規格

  • ?重量和外形尺寸

  • ?連接選項

  • ?作系統和軟件功能

  • ?相機和傳感器規格

• ?4. 研究定價信息

  • ?公布零售價

  • ?未發布產品的預計價格

  • ?不同的定價層/型號（如果適用）

• ?5. 調查組件配置和供應商

  • ?顯示面板制造商

  • ?處理器供應商

  • ?電池供應商

  • ?相機和傳感器供應商

  • ?其他關鍵零部件供應商

• ?6. 收集預計的銷售量

  • ?查找分析師對商品銷量的預測

  • ?研究公司預測（如有）

  • ?市場份額估計

• ?7. 將數據編譯成明細表

  • ?創建包含所有收集數據的綜合表

  • ?確保所有商品的格式一致

  • ?包括所有必需的數據類別

• ?8. 審閱并完成報告

  • ?檢查數據的準確性和完整性

  • ?確保格式一致

  • ?添加任何其他相關信息

• ?9. 向用戶發送報告

  • ?準備帶有表格的最終文件

  • ?將完成的研究發送給用戶

Step-2：看看其他文件的細節

其實基本上從流程中我們可以判斷出剩余的過程文件中包含哪些內容。看圖！

比如這個apple_vision_pro公布了蘋果產品的參數、定價等參數信息。

比如這個pricing_information包含了所有市面上眼鏡的價格信息，包括一份即將發布的產品價格信息！

比如這個component_suppliers文件提供了AR/AI眼睛相關供應商信息

其他幾份文件就不貼圖了，其他文件大部分是已有產品類似apple_vision_pro中的產品參數信息，還有一份產品預計銷售估計報告以及最終產生的表格。不過這個表格確實挺龐大。圖片在下一節全部展示一下。寶子們也可以去官網看一下這個案例。

Step-3：看最終報告

內容部分，分為一張數據大表，一份供應商信息一個市場預期銷售額！基本就是一個小的報告，作文論文的數據支撐可能還需要很多工作。

接下來那我們來看看用Deep reaserch完成AR/AI眼鏡研究報告。

Deep reaserch

OpenAI Deep Research 是一款強大的 AI 研究工具，能夠顯著提升研究效率。它基于 OpenAI 的 o3 模型，專為復雜研究任務設計，能夠自動搜索、解讀和整合海量在線信息，生成專業級研究報告。

核心能力

• 多步驟研究任務：Deep Research 能夠規劃并執行多步驟研究任務，實時搜索、解讀和分析互聯網上的文本、圖像和 PDF 文件。它能夠根據遇到的信息自主調整研究方向；

• 專業級報告生成：該工具能夠生成相當于研究分析師水平的綜合報告，包含清晰的引用和數據可視化內容，確保信息的準確性和可驗證性；

• 強化學習訓練：Deep Research 通過端到端強化學習進行訓練，具備多步驟推理和回溯調整能力，使其在處理復雜任務時表現出色。

應用場景

• 專業人士：適用于金融、科學、政策和工程等領域的專業人士，提供精準、可靠的研究支持；

• 消費者：對于需要進行深度調研的消費者，如購買汽車、家電等，Deep Research 能夠提供個性化的購買決策支持；

• 小眾信息搜索：能夠自動化獲取通常需要手動查找的小眾、非直觀信息。

使用方式

• ChatGPT 集成：用戶可以在 ChatGPT 中選擇 “Deep Research” 模式，輸入研究問題，并可上傳文件或表格以提供更多上下文；

• 任務時間：研究任務通常需要 5-30 分鐘完成，用戶可以在任務完成后收到通知。

技術表現

• 人類終極考試：在 “人類終極考試” 中，Deep Research 的準確率達到 26.6%，遠超其他模型，如 GPT-4o；

• GAIA 評估：在 GAIA 評估中，Deep Research 達到了新的行業最佳水平，展示了其在處理現實問題上的強大能力。

未來展望

• 移動與桌面支持：未來 1 個月內，Deep Research 將支持移動和桌面端；

• 資源連接：計劃連接訂閱數據庫和企業內部資源，進一步提升研究能力。

Deep Research 作為 OpenAI 的第二個 Agent，不僅展示了 AI 在復雜任務處理上的潛力，還為未來更廣泛的 Agent 發展奠定了基礎。

Deep reaserch進行行業分析

提示詞部分直接使用manus結果開頭的提示詞。

提示詞：

研究文章和行業報告，編制一份將于 2024 年至 2025 年推出的 AR/AI 眼鏡綜合清單。將數據組織成一個詳細的表格，包括品牌、產品規格、定價、核心組件配置及其供應商和預計的銷量。

ChatGPT-Deep Reaserch：

交互提示詞：常規操作，需要將上述內容明確。

1.關注消費級產品即可?

2.需要包括尚未發布但是已有消息的產品?

3.不需要包含預估價格，這一塊可以更開放一些?

4.全球范圍?

5.先整理一份Markdown格式，但是最終能整理成一份excel更好。

ChatGPT-Deep Reaserch：

從最終結果來看，Deep reaserch相對簡單，直接給出了一個表格。但是仔細以看，manus最終的內容有用的也就是那個表格。

總結一下：

1.從過程數據來看，manus將過程中需要的內容總結成了文檔形式。這個作為論文研究數據來說可用性更高，但是缺乏了可操作性。而Deep reaserch在資源藍將所有檢索資源全部展現出來，數據形式更原始，但是可操作性更強。

2.從操作過程來看，manus更炫酷，昨天的分享中圖表功能也很炫酷。

所以，兩款能力極強的產品個人感覺在學術論文數據分析方面能有很強的助力能力。如果有賬號，我可能更傾向manus，畢竟產出的內容優化更好，可以直接使用。動手能力強的寶子們可能Deep reaserch更加合適！