95後中國開發者剛剛釋出“摸魚神器”，比Manus快4倍！實測結果能否讓打工人逆襲？

作者 | 華衛、褚杏娟

剛剛，AI 初創公司 Fellou AI 宣佈了第一代 Agentic 瀏覽器，其搜尋效能優於 OpenAI、比 Manus 快 4 倍，且具備主動智慧。只需一句話指令，Fellou 就能將繁瑣的線上任務自動化，無論是查詢資料、生成報告、線上購物還是建立網站。

據瞭解，Fellou 是一種集成了具備思考和行動能力的智慧代理的 Agentic Browser 行動型瀏覽器，不僅展示資訊，更能主動替使用者執行復雜任務，根據使用者目標自主拆解任務、跨界操作並完成端到端任務交付。換句話說，使用者只需要提出一個意圖或目標，瀏覽器內嵌的智慧代理便能自主進行資訊檢索、資料整合、操作執行等多步驟流程。

目前，Fellou 已開啟全球內測，提供 PC Mac（Apple 晶片和 Intel 晶片）版供下載使用（fellou.ai/download），預計在今年下半年會開放 Windows 版和移動版。

同此前爆火的 Manus 一樣，Fellou 亦是由一位中國開發者建立的。Fellou AI 創始人謝揚表示，Fellou 可以大幅提升生產力，讓打工人實現“上班 8 小時，摸魚 6 小時”。

謝揚是一位連續創業者，在 2019 年創辦了 Authing 身份雲，為企業和開發者提供事件驅動的身份認證雲服務。他本人長期從事計算機軟體、雲、閘道器、身份認證、人工智慧研究，目前正在開展全球化 AI Agent 身份基礎設施等工作；曾擔任字節跳動公司 Serverless 開發、龍貓科技公司 CEO 、好東西傳送門公司 CTO 。

我們在拿到邀請碼後，第一時間去測試了多個任務。（同時，我們也給一直關注和支援 AI 前線的朋友們申請了可免費拿到邀請碼的福利，文章下方附有獲取方式，先到先得~）

真實測試了 3 個場景 case

五一假期就要到啦，我們給 Fellou 的第一個任務是：希望它能自主做一份旅遊攻略。

Prompt 如下：

做一份北京出發、五一去周邊 3 天遊的攻略，需包含各地優劣對比（含人流情況）、出行方式（含票務情況）、3 天詳細行程安排、高性價比酒店推薦以及當地特色美食。

可以看到，在 Fellou 的搜尋框輸入 Prompt 後，下方接連出現了兩次詢問：“是否需要我幫助你總結一些旅行建議和注意事項？、是否需要我為你推薦一些具體的旅行地和活動？”點選 Yes 後，該瀏覽器便開始自主“工作”了。

在 Tinking 裡，Fellou 找出了五個推薦旅遊地及活動，接著進行 Task Planning。執行任務過程中，該瀏覽器提示登入小紅書賬號，之後自主瀏覽內容並生成了一份名為“五一北京周邊推薦指南”的報告，包含周邊小眾景點、高鐵可達目的地、親子游推薦、休閒度假勝地和出行資料分析。報告下方，還給出了“More Comprehensive”按鈕，下方提示可以新增更多關於各景點具體交通訊息、消費水平和預算建議的內容。

接著，我們將同一 Prompt 丟給了 DeepSeek。驚喜的是，DeepSeek 給出的回答更為簡潔直觀。可以看到，DeepSeek 生成的攻略提供了熱門景點和小眾路線兩種行程方案，幷包含優劣對比、出行方式和票務建議、詳細行程安排、當地酒店及美食推薦、避坑指南。

我們給 Fellou 的第二個任務是，希望它能透過資料完成做 PPT 的工作。

Prompt 如下：

根據目前在 arXiv 上找得到的多智慧體論文報告，做一個關於多智慧體技術能力及發展趨勢的 PPT。

輸入 Prompt 後，Fellou 首先詢問：“是否一鍵開啟優質資料來源？”，點選 Yes 後繼續詢問“是否需要我為你尋找一些相關的研究論文或資助專案？”再次點選 Yes 後開始對多智慧體技術進行深入研究，接著自主生成了一份多智慧體技術研究與資助專案綜合報告，所有內容都以圖表的形式展現。不過，Fellou 還未能輸出完整版 PPT 形式檔案。

在官方展示的使用案例裡，包括自動將商品加購。因此，我們給 Fellou 的第三個任務是，希望它能按照要求進行自主購物。

這項任務裡，我們準備的第一個 Prompt 是：開啟淘寶網站，找到“2025 年最值得入手”的 5000 元以內手機，按功能配置和評分進行篩選，並將綜合性價比最高的三個手機型號新增到我的購物車。但由於 Fellou 目前還未適配完全國內網站，所以只得到了一份“2025 年國補後手機選購指南”的報告，內容也十分詳盡，包含效能和配置對比、國家補貼政策解讀、價效比分析以及推薦和即將釋出的手機。

成功的 Prompt 如下：

開啟亞馬遜，搜尋 NVIDIA RTX 4060 顯示卡，按可用性和客戶評分進行篩選，然後將評分最高的型號新增到我的購物車。

相比其他 AI 瀏覽器，

Fellou 特殊在哪裡？

據官方介紹，Fellou 整合了瀏覽器、Agent、工作流自動化，這種全新架構使得 Fellou 從傳統的資訊展示工具轉變為真正“幫人工作”的智慧生產力平臺，實現從意圖到結果的一站式交付。此外，Fellou 還在傳統瀏覽器的基礎之上增加了對本地電腦的控制能力，在處理使用者任務時同時可以擁有 Web 應用與本地的 Context，在數字世界內擁有無限行動空間和跨平臺任務處理能力。

具體來說，Fellou 主要由四大核心能力組成：

深度行動（Deep Action）: 使 LLM 從“問什麼都會”到“幹什麼都行”；

主動智慧（Proactive Intelligence）：使 Agent 從被動響應需求到主動為使用者提供行動推薦和結果建議；

混合影子空間（Hybird Shadow Workspace）：不搶佔使用者電腦，且能根據不同任務型別獲取使用者上下文、瞭解使用者、增強使用者體驗和與 Agent 協作體驗；

智慧體網路（Agent Store）: 使用者能享受到更多垂直 Agent 能力的關鍵生態網路，使有垂直 Know-how 的 Agent 創作者可以向全網使用者開發、共享自己的經驗、知識和工作流。

其中， Deep Action 功能包括 Search 和 Workflow 兩方面。使用者透過瀏覽海量網頁來收集資訊、分析資料，獲取所需知識，Fellou 可以批次並行化一次性輔助使用者閱讀大量網頁資訊；使用者需要依靠一系列序列化操作完成具體任務，如線上購物、預訂會議、填寫報告、互動提交等，Fellou 可根據使用者需求自行規劃任務並自主行動。

主動智慧使得使用者不需要寫出非常明確的需求，Fellou 僅透過使用者的行為就可預測使用者想要完成的事情，最終將結果交付給使用者：當它察覺到使用者即將進行某項重複性操作，或發出一個隱晦的需求訊號時，Fellou 會主動發出詢問，提醒使用者是否需要提前介入或直接接管任務。

並且，這種主動智慧還會為使用者形成個人知識庫（Personal Knowledge Base），從而強化使用者個性化體驗，增強知識自動化整合。在該能力背後，Fellou 利用先進的深度語義理解和上下文記憶技術，即時捕捉使用者在各個網頁上的操作軌跡，並不斷積累使用者的行為資料和操作習慣——從常訪問的網站到重複執行的任務，都成為其“數字記憶”的一部分。

Fellou 團隊認為，Agent 的執行環境需要劃分為本地、本地虛擬化和雲桌面的方式，用以處理不同的任務，包括以下情況：

一是單步驟 20s 以內就可以執行完成的任務，可以放在本地執行，使用者能容忍短暫的電腦被搶佔；

二是既依賴本地上下文又是長程的任務，適合放到本地的虛擬化環境中執行，Fellou 將這種環境稱作“影子空間”，它可以做到在 Agent 執行任務時不干擾使用者使用電腦，同時使用者還可以看到 Agent 的執行程序並在適當時刻加以干預；

三是不依賴本地上下文，又是長程的任務，則適合放在雲桌面中執行，這樣就能做到使用者關掉電腦外出後還可以在手機上與 Fellou 互動。

此外，謝揚表示，人與智慧的關係應當建立在相互選擇、深度互動與彼此支援之上。Fellou 試圖讓每個使用者都能將自身的經驗和能力沉澱為一個獨立的垂直 Agent，這些 Agent 不僅可以幫助自己，更能在社群中共享、相互學習。

在平臺上，使用者不僅能打造個性化的對話智慧體；同時，也可以將自己在執行某項任務過程中形成的操作序列封裝為一個完整的工作流，供其他使用者直接呼叫。

總的來說，相比起其他 AI 瀏覽器，Fellou 的核心優勢包括：

支援安全地訪問需登入的網站（如論壇、職業社交網等）並進行搜尋；

能夠捕捉使用者操作的標籤頁作為任務處理的上下文，實現跨網站資訊連續性處理；

透過獨立的沙箱虛擬化環境同時操作多個網頁，確保任務執行之間、智慧體和使用者之間不互相干擾；

內建 Agent 模組不僅解析使用者指令，還能自動拆解任務、規劃操作路徑，最佳化多步驟工作流，並行化執行；

整合智慧分析報告功能，可以將多網頁資訊整合並以直觀圖表和摘要形式呈現，方便一鍵共享和決策。

“評分結果不比 Manus 差”

對於高程式碼開發者，Fellou 提供了一套透過自然語言設計和部署高效 Agentic Workflow 的開發框架 Eko Framework ，同時是開源框架 Browser use 的生產級進階版本。

Eko 允許開發者以自然語句編寫、除錯和最佳化工作流程，將創意迅速轉化為智慧化操作模型。在 Eko 的支援下，開發者不僅可以自定義工具，實現全新的行為模式，還能透過 Hook 機制在 Agent 執行過程中動態干預和調整，從而保證每一個工作流都足夠靈活、精準並符合實際生產需求。

據介紹，Eko 由 Fellou 團隊自研，其以生產級可干預特性、更快的執行速度、更低的執行成本（Fellou 單次任務的執行費用在 3 毛到 3 元之間）顯著優於同類產品。

同時，Fellou 團隊還提出了一種混合反饋經驗學習（Hybird Feedback Experience Learning）框架，能讓智慧體不僅依賴環境互動來持續最佳化行為，還能從結構化的失敗反饋中獲得改進。

據稱，當基於瀏覽器的智慧體在執行任務過程中失敗—，會觸發一個次級分析機制。在這一階段，人類監督者或大型語言模型（LLM）將對失敗的執行軌跡進行回顧性分析，從中提取出可操作的經驗，例如誤解、次優決策點或被忽視的互動機會。

這些提煉出的經驗隨後被注入至結構化的經驗庫中，形成一個不斷擴充套件的“失敗感知型示範語料庫”。當智慧體未來再次遇到類似查詢或情境時，基於檢索的泛化機制使其能夠主動呼叫此前的糾正策略，從而降低重複失敗的機率，加速任務掌握過程。

此外，Fellou 團隊稱，為驗證瀏覽器生成的報告效果，他們找了 60 個使用者測評，分準確性、描述清晰性、思考深度和廣度、可讀性五大維度，和 OpenAI 的 Deep Research、Manus、Perplexity 做了打分比較，結果是 Fellou 的綜合評分為最高，其中可讀性 > 表述清晰性 > 準確性 > 思考深度和廣度。