Tag: Agenti autonomi AI

Negli ultimi mesi, attraverso un percorso fatto di test, implementazioni e tante domande operative da risolvere, mi sono immerso in una sperimentazione continua di strumenti AI orientati a migliorare il modo in cui lavoro, faccio ricerca, sviluppo e costruisco soluzioni.

In questo viaggio, ho esplorato diverse tecnologie e framework, oltre che soluzioni. Alcuni sono rimasti marginali, altri sono diventati parte integrante della mia cassetta degli attrezzi quotidiana. Tra questi, ChatGPT Pro e Claude Pro sono ormai strumenti imprescindibili, ciascuno con caratteristiche ben distinte che si adattano a contesti diversi.

Ultimamente però la mia attenzione si è concentrata su due piattaforme in particolare: Manus e Perplexity Pro (che già utilizzavo, ma le ultime implementazioni hanno ridato nuova luce), quest’ultimo soprattutto dopo il rilascio, ieri, della nuova funzione Labs.

Manus rappresenta un salto concettuale verso l’agente AI autonomo, capace di orchestrare task articolati con una logica multi-step. Perplexity, dal suo punto di vista, continua a rafforzarsi come motore di risposta e ricerca evoluta, e con Labs compie un salto di qualità trasformandosi in un vero e proprio strumento operativo di produzione.

Non si tratta di scegliere uno o l’altro.

Ogni sistema ha la sua identità e forza. Per questo ho ritenuto utile mettere nero su bianco un confronto tecnico e funzionale tra Manus e Perplexity Pro Labs: per orientarsi meglio e capire quando e come usarli in modo complementare, dentro un workflow più ampio e consapevole.

Perplexity Pro e Manus a confronto

Per rendere il confronto utile, ho scelto di non limitarmi a una valutazione superficiale delle funzionalità, ma di analizzare entrambi i tool secondo una griglia che riflette le mie esigenze quotidiane: ricerca approfondita, gestione e organizzazione della conoscenza, supporto allo sviluppo e automazione, e capacità di analisi e produzione di report strutturati.

Ho integrato anche una lettura tecnica più profonda, osservando architetture, modelli AI utilizzati, modalità di esecuzione, interfacce, API e logiche di integrazione, per comprendere non solo cosa fanno, ma come lo fanno e quali trade-off implicano.

L’obiettivo non è stilare una classifica, ma visto che in molti mi chiedono spesso quale usare e come, ho provato a mettere a fuoco le specificità di ciascuno strumento: capire dove eccelle, dove è ancora acerbo, e soprattutto quale ruolo può avere all’interno di un sistema di lavoro ibrido e potenziato dall’AI.

Ricerca e generazione di conoscenza

Perplexity Pro Labs: Perplexity nasce come motore di risposta AI integrato con il web, in grado di fornire risposte accurate e citate da fonti affidabili in tempo reale . La nuova funzione Labs (lanciata il 29 maggio 2025) estende questa capacità: invece di limitarsi a rispondere a una singola domanda, un Lab svolge ricerche approfondite in autonomia (tipicamente per 10 minuti o più) utilizzando strumenti avanzati come la navigazione web profonda e l’esecuzione di codice . Durante un Lab, Perplexity esplora molteplici fonti online, ad esempio articoli di news, paper accademici o database,  sintetizza le informazioni trovate in una risposta dettagliata, inclusiva di riferimenti per verificare ogni affermazione importante .

Il risultato è simile a un report redatto da un ricercatore: l’utente ottiene analisi ricche di contenuto, supportate da fonti autorevoli, con la possibilità di approfondire tramite i link citati. Perplexity Pro Labs si aggiorna dinamicamente: grazie al browsing web integrato, le sue risposte includono informazioni aggiornate all’istante (superando così il limite di cutoff dei classici LLM) .

Manus: Manus è progettato come un agente AI generale completamente autonomo, in grado di pianificare ed eseguire ricerche multi-step senza intervento umano . A differenza di un chatbot tradizionale, che risponde a prompt singoli, Manus può orchestrare processi di ricerca complessi: ad esempio, può scansionare siti di notizie, forum e banche dati, estrarre i dati rilevanti e sintetizzare il tutto in un rapporto strutturato, il tutto mentre l’utente svolge altro . Una volta definito un obiettivo (“goal”), l’agente opera in background: naviga sul web in autonomia, apre schede, compila form e legge contenuti molto più velocemente di un umano .

Manus non presenta esplicitamente citazioni bibliografiche nelle sue risposte finali, focalizzandosi sul deliverable finale; offre trasparenza sul processo: nella sua interfaccia mostra un pannello (“Manus’s computer”) con la cronologia passo-passo delle azioni compiute e le pagine visitate . Ciò significa che l’utente può seguire quali fonti sono state consultate e come sono state utilizzate. Sul fronte dell’aggiornamento delle informazioni, Manus sfrutta direttamente internet e anche API esterne per ottenere dati in tempo reale (es. può chiamare l’API Yahoo Finance per scaricare quotazioni aggiornate) . In sintesi, Perplexity Labs privilegia un approccio “ricerca + risposta verificabile”, mentre Manus agisce come un agente esecutivo che trova e compone conoscenza da più fonti, offrendo all’utente il risultato finale senza richiedere prompt successivi .

Knowledge management (Gestione della conoscenza)

Perplexity Pro Labs: L’ecosistema Perplexity include funzionalità avanzate per organizzare e riutilizzare il sapere generato. In particolare, introduce le Spaces, spazi di lavoro dove l’utente può salvare e raggruppare le conversazioni (thread) e i contenuti per progetto o argomento . Ogni Space funge da hub di conoscenza personalizzato: gli utenti Pro possono anche caricare documenti propri (PDF, CSV, testi, ecc.) all’interno dello spazio, creando un piccolo repository persistente di informazioni . Quando si fa una domanda in una Space, Perplexity eseguirà una ricerca sia sul web che tra i file caricati, fornendo risposte su misura che combinano fonti pubbliche e conoscenza privata rilevante .

Questa integrazione (detta Internal Knowledge Search) permette, ad esempio, di fare domande su un manuale aziendale caricato o su dati interni, ottenendo risposte contestualizzate. Le Spaces supportano anche la collaborazione: l’utente può invitare colleghi con permessi di sola lettura o scrittura, così un team può condurre ricerche congiunte e condividere risultati . Tutte le sessioni (thread) restano salvate nello spazio finché l’utente non le rimuove, costituendo di fatto una documentazione persistente a cui tornare in seguito. Inoltre, Perplexity offre opzioni di esportazione dei risultati (ad esempio in PDF, Markdown o altri formati) , facilitando la creazione di report riutilizzabili o archiviabili localmente.

Manus: La filosofia di Manus è più focalizzata sul completamento di singoli task autonomi che sull’organizzazione manuale della conoscenza da parte dell’utente. Ogni esecuzione di Manus genera un “progetto” autonomo con i suoi risultati, e il sistema fornisce strumenti per rivedere e conservare quanto fatto. In particolare, Manus include una funzione di Replay delle sessioni: ogni sessione può essere registrata e rigiocata passo-passo, mostrando esattamente come l’agente ha svolto il compito . Questa feature è preziosa sia per analizzare o correggere il comportamento dell’AI (debug/review) sia come documentazione: l’utente può condividere il replay con altri o rivederlo in futuro per replicare il processo .

Al di fuori dei replay, Manus attualmente non offre spazi collaborativi permanenti né una memoria a lungo termine multi-sessione accessibile all’utente (nel 2025 è ancora in beta privata, orientato a esecuzioni stand-alone). Detto ciò, Manus dimostra una forma di adattamento interno della conoscenza: all’interno di un singolo progetto, l’agente costruisce e aggiorna una sorta di knowledge base temporanea. Ad esempio, se durante un’attività di recruiting l’utente indica preferenze specifiche (es. competenze o esperienze desiderate), Manus aggiorna la propria base di conoscenza interna e adatta di conseguenza le raccomandazioni che fornisce . Allo stesso modo, l’utente può fornire a Manus file in input per il singolo task, ad esempio caricando un dataset CSV, un elenco di curriculum o altri dati, e l’agente li utilizzerà nel proprio processo di analisi . Questi file però non vengono conservati in una libreria permanente oltre la sessione corrente. In sintesi, Perplexity offre strumenti espliciti per organizzare, preservare e condividere la conoscenza su più sessioni (utile per costruire una base di conoscenza cumulativa), mentre Manus privilegia la traccia del processo (replay) e l’adattabilità on-the-fly durante l’esecuzione di un compito, senza ancora un modulo di archiviazione permanente multi-progetto.

Sviluppo (Supporto alla programmazione)

Perplexity Pro Labs: Perplexity Labs integra la scrittura ed esecuzione di codice come mezzo per raggiungere gli obiettivi dell’utente . In pratica, durante una sessione Labs l’AI può decidere di generare codice (tipicamente in Python, ma anche HTML/JavaScript per il web) per svolgere subtasks: ad esempio può scrivere uno script Python per riorganizzare e analizzare un dataset, applicare formule o generare un grafico . La caratteristica distintiva è che il codice generato viene eseguito automaticamente nell’ambiente sandbox di Perplexity, e i risultati (output) ritornano nel flusso di lavoro del Lab. Ciò consente di automatizzare analisi complesse: Perplexity può creare tabelle pivot da dati forniti, calcolare statistiche o produrre visualizzazioni senza che l’utente debba programmare manualmente. Inoltre, Labs può sviluppare mini-applicazioni web interattive direttamente all’interno dell’interfaccia Perplexity: ad esempio, può realizzare un semplice dashboard o una piccola web app con HTML/CSS/JS, visibile in una scheda “App” del progetto . Tutti i file generati (codice sorgente, immagini, CSV, ecc.) durante un Lab vengono salvati nella scheda Assets, dove l’utente può visionarli o scaricarli .

Sul piano tecnico, Perplexity sfrutta modelli AI specializzati per il coding: oltre a modelli GPT avanzati (es. GPT-4 per capacità di linguaggio) , utilizza modelli addestrati sul codice come Code Llama o un ensemble proprietario (Mixtral 8x7B, un mixture-of-experts di otto modelli 7B) per generare codice in modo efficiente . Questo mix di modelli permette a Labs di produrre codice funzionante rapidamente, come riportato da utenti soddisfatti della velocità con cui Perplexity Labs risolve compiti di programmazione . Va notato che l’utente mantiene un certo controllo durante il processo: l’interfaccia Labs mostra i progressi step-by-step e consente di intervenire, ad esempio saltando uno step o aggiungendo istruzioni aggiuntive se qualcosa deviasse dall’obiettivo . In caso di errori di codice, l’utente può guidare la correzione, anche se spesso Labs tenterà da sé di debug/revisioni per portare a termine il task nei 10+ minuti di esecuzione.

Manus: Manus è stato progettato sin dall’inizio con una forte enfasi sulla capacità di programmazione autonoma. Adotta una sub-agente dedicato al code generation all’interno della sua architettura multi-agente , il che gli consente di affrontare compiti di sviluppo software anche complessi. In pratica, Manus può scrivere, testare e correggere codice in vari linguaggi di programmazione e framework, secondo le necessità del progetto . Ad esempio, se il compito richiede di costruire un sito web interattivo, Manus genererà il codice HTML/CSS/JavaScript necessario, lo eseguirà nel suo ambiente e itererà fino a ottenere un sito funzionante .

Un caso concreto: richiesto di analizzare a fondo le azioni Tesla e creare un sito web con i risultati, Manus ha effettivamente prodotto un sito web dinamico con grafici e analisi finanziarie, gestendo in autonomia sia la parte di raccolta dati che di codifica front-end . Per compiti di data analysis, Manus scrive script (tipicamente in Python) per effettuare calcoli o chiamare API: nel test sull’S&P 500, l’agente ha creato uno script Python che interroga l’API YahooFinance per ottenere i dati di mercato aggiornati e calcolare gli indicatori chiave . In seguito ha generato altri script Python per eseguire simulazioni Monte Carlo (10.000 iterazioni) e modellare scenari di evoluzione del mercato, integrando infine questi risultati nel report .

Tutto questo avviene senza che l’utente debba richiedere esplicitamente ogni passo: Manus decide da solo quali moduli sviluppare in codice per raggiungere l’obiettivo finale. La capacità di debug fa parte del ciclo: i sub-agenti di Manus comunicano tra loro, quindi se il codice inizialmente non funziona o necessita di modifiche, l’agente può ricalibrare e correggere errori prima di procedere, il tutto visibile poi nella replay. La trasparenza infatti è un plus: grazie al replay, uno sviluppatore può vedere ogni riga di codice che Manus ha scritto e come l’ha eventualmente modificata dopo i test , facilitando il refactoring o l’apprendimento di soluzioni. In sintesi, Perplexity Labs offre un solido aiuto assistivo alla programmazione (scrive codice su richiesta e lascia all’utente supervisione), mentre Manus si comporta più da sviluppatore autonomo, in grado di prendere in carico un progetto software end-to-end (nel limite della complessità supportata) e restituire direttamente il prodotto finito.

Analisi e reportistica

Perplexity Pro Labs: La natura stessa di Labs è di produrre deliverable completi a partire da una richiesta complessa. Perplexity Labs può infatti generare report dettagliati, documenti di analisi, tabelle comparative, grafici e persino dashboard interattivi, a seconda di cosa viene richiesto . Ad esempio, in ambito business, Labs può analizzare le finanze di un’azienda e restituire un rapporto con grafici e osservazioni; in ambito personale, può confrontare decine di proprietà immobiliari e presentare una tabella comparativa con punteggi e criteri, il tutto contornato da spiegazioni testuali. Un punto di forza è che ogni output è sostenuto da ricerca accurata: Perplexity include nelle sue risposte riferimenti alle fonti, garantendo che ogni dato o affermazione chiave sia verificabile .

Durante i 10+ minuti di esecuzione, Labs potrebbe ad esempio trovare statistiche su siti governativi, articoli di settore e recensioni, e amalgamare queste informazioni in un resoconto coerente. I risultati possono assumere vari formati: oltre al testo in prosa (es. un documento stile relazione), Labs può incorporare visualizzazioni (grafici generati dal codice, mappe, immagini create dall’AI) direttamente nell’output . Può anche generare fogli di calcolo o file CSV con i dati strutturati trovati, che l’utente può scaricare per ulteriore analisi . Una caratteristica notevole è la possibilità di creare mini-siti o app: ad esempio, se il progetto lo richiede, Perplexity può presentare i risultati sotto forma di una pagina web navigabile (ospitata nell’interfaccia Labs stessa) con grafici interattivi o una piccola web app dimostrativa . In ogni caso, l’utente può al termine esportare il risultato del Lab (in Markdown, PDF, etc.) per incorporarlo in presentazioni o documenti aziendali . Perplexity Labs, in sostanza, automatizza la creazione di report: consente di passare da una lista di domande o obiettivi a un documento finale pronto all’uso (es. un report di ricerca completo di dati e fonti, o un dashboard esplorabile), il tutto con una sola prompt iniziale.

Manus: Anche Manus è estremamente orientato al risultato finale e brilla nella generazione di analisi approfondite e report personalizzati. Grazie al suo approccio agentico, è in grado di restituire output articolati e pronti all’uso senza bisogno di ulteriori refining da parte dell’utente. Ad esempio, Manus può condurre ricerche di mercato in un dato settore e consegnare un documento finale con tutti i risultati: nel caso di studio sull’industria dell’abbigliamento, Manus ha prodotto un’analisi completa dei prodotti AI per il retail, includendo posizionamento competitivo e considerazioni strategiche . Un altro esempio è la comparazione di polizze assicurative: Manus ha generato una tabella comparativa chiara e strutturata con tutte le informazioni chiave delle varie opzioni, evidenziando raccomandazioni ottimali in base alle esigenze fornite . Questo non solo implica raccogliere i dati (massimali, premi, condizioni) ma anche presentarli in modo sintetico e visualmente pulito, cosa che l’agente fa autonomamente.

Manus eccelle anche nel data analysis su dati forniti dall’utente: caricando, ad esempio, i dati di vendita di un negozio online, Manus ha prodotto visualizzazioni dettagliate (grafici, trend) e strategie personalizzate per migliorare la performance, come un consulente umano farebbe . È in grado di fornire multi-formato: può contemporaneamente restituire un file CSV/Excel con i dati elaborati e un documento testuale con spiegazioni e conclusioni . In alcuni casi, Manus può addirittura generare presentazioni: proprio il 29 maggio 2025 (in concomitanza con l’uscita di Perplexity Labs) Manus ha lanciato uno strumento per creare slide deck automaticamente a partire da un prompt, segno che punta a coprire anche la sfera delle presentazioni oltre ai report testuali . Un aspetto distintivo è che Manus spesso consegna i risultati sotto forma di sito web interattivo ospitato sul suo cloud (con dominio manus.space): ad esempio, per l’analisi dell’S&P 500 di cui sopra, l’output era un sito con diverse sezioni (scenario “Mild”, “Extreme” ecc., ognuna con grafici e testi) navigabile dall’utente . Ciò rende molto fruibili le analisi complesse, perché l’utente può esplorarle come un mini-portale informativo. Manus fornisce reportistica e analisi “chiavi in mano”: l’utente definisce l’obiettivo e l’agente restituisce direttamente il prodotto finito (sia esso un documento, un sito, una tabella), coprendo tutto il processo intermedio di ricerca, calcolo e redazione. La qualità di queste produzioni è generalmente alta, anche se, come ammesso in alcune recensioni, a volte può non centrare al 100% tutte le richieste o contenere piccole imprecisioni, essendo tecnologia ai limiti dello stato dell’arte . Con iterazioni e miglioramenti continui (Manus è ancora in beta nel 2025), ci si aspetta che tali output diventino sempre più precisi e completi, posizionando Manus come uno strumento di reportistica automatizzata di livello professionale.

Architettura tecnica e integrazioni

Architettura e Modelli AI: Dal punto di vista tecnico, Perplexity Pro Labs e Manus seguono approcci architetturali differenti. Perplexity Labs si appoggia a un singolo grande modello linguistico per orchestrare le operazioni, integrando però una serie di strumenti esterni. In pratica, il “cervello” è un LLM avanzato (Perplexity utilizza modelli OpenAI: gli utenti Pro possono scegliere GPT-4 per la massima qualità di risposta , mentre per default o per compiti leggeri può impiegare modelli più economici). Questo LLM viene arricchito con funzioni di tool use: quando serve, il modello chiama un modulo di web search (per effettuare query online in tempo reale) e un modulo di esecuzione codice (per far girare script Python, generare grafici, ecc.).

Il flusso di un Labs quindi è orchestrato sequenzialmente da un unico agente AI che alterna “pensiero” e “azioni” (analogamente a come ChatGPT Plugins o la Code Interpreter di OpenAI eseguono passi su richiesta del modello). Per migliorare le prestazioni, Perplexity ha integrato diversi modelli specializzati nel suo stack: ad esempio, per generare codice di alta qualità utilizza modelli open-source come Code Llama e Mistral, oltre a propri mix (il citato Mixtral 8x7B è un ensemble di 8 modelli da 7 miliardi di parametri ciascuno) .

Questi modelli vengono usati dietro le quinte in base al task (es: uno specialista per il codice, uno per la visione come Llava per immagini, ecc., secondo quanto riportato nelle analisi tecniche) . Manus, invece, è costruito nativamente con un’architettura multi-agente distribuita . Significa che al suo interno esistono diversi agenti specializzati (ognuno probabilmente un LLM distinto o una istanza specializzata dello stesso core) con ruoli differenti: ad es. un agente Planner che suddivide il problema, uno Researcher che esegue ricerche web, uno Coder che scrive codice, ecc. . Questi sub-agent lavorano in parallelo e comunicano tra loro, coordinati da un orchestratore, per convergere sul risultato finale . Questo design parallelo spiega la velocità e capacità di Manus nel gestire compiti complessi: invece di un solo flusso lineare, può pensare a più aspetti contemporaneamente. Riguardo ai modelli linguistici impiegati, Manus ha adottato un approccio ibrido: originariamente i suoi creatori (un team di Shenzhen, Cina) hanno sfruttato modelli open-source cinesi come Qwen (di Alibaba) opportunamente raffinati, insieme ad altri modelli proprietari, creando un motore personalizzato . Successivamente, a marzo 2025, Manus ha annunciato l’upgrade del suo modello principale passando a Anthropic Claude (versione 3.7 “Sonnet”) come backbone delle capacità linguistiche . Claude è un LLM di fascia GPT-4, noto per la capacità di gestire contesti lunghi e ragionamenti complessi, il che ha probabilmente migliorato ulteriormente la comprensione e coerenza di Manus. In breve, Perplexity Labs poggia su un LLM centrale con strumenti, mentre Manus utilizza una swarm di agenti AI, con un core in evoluzione (ora Claude) coadiuvato da modelli secondari. Questo fa sì che Manus sia intrinsecamente più autonomo e “intelligente” nella pianificazione (può auto-assegnarsi subtasks tramite i sub-agents), laddove Perplexity mantiene un comportamento più guidato (segue le istruzioni in serie, lasciando comunque spazio all’interazione utente durante il processo) .

API, plugin ed estensioni: Perplexity e Manus differiscono anche nelle opportunità di integrazione in ecosistemi esterni. Perplexity mette a disposizione degli sviluppatori un’API (Sonar) che consente di sfruttare il suo motore di risposta AI in applicazioni e servizi di terze parti . Tramite l’API, è possibile inviare query a Perplexity (con ricerca web annessa) e ottenere risposte con citazioni, il che risulta utile per arricchire app con funzionalità di Q&A basate su conoscenza aggiornata. Inoltre, Perplexity offre estensioni e applicazioni per un utilizzo più fluido: esiste ad esempio un browser extension “Search Companion” per Chrome/Edge che permette di interrogare Perplexity direttamente mentre si naviga sul web, e la piattaforma sta sviluppando un proprio browser AI (nome in codice Comet) integrato con le capacità di answer engine .

Sul fronte aziendale, Perplexity Enterprise prevede connettori per app (Google Drive, SharePoint, Dropbox, ecc.) che sincronizzano file nell’ambito delle Spaces , cosicché l’AI possa consultarli, una sorta di plugin nativo per fonti dati private. Manus, essendo ancora in beta privata nel 2025, non offre pubblicamente un’API al di fuori della sua applicazione proprietaria. Dunque gli utenti devono usare l’interfaccia Manus (web o app) per interagire con l’agente. Recentemente Manus ha lanciato un’app mobile iOS , segno dell’interesse a fornire accesso ubiquo al servizio, ma al momento manca un SDK/API per integrazione diretta in altri software. Va detto però che Manus, per come è concepito, può esso stesso fungere da integratore: tramite il suo agente browser e la capacità di eseguire codice, può interfacciarsi con servizi esterni durante i task. Ad esempio, nulla vieta di istruire Manus a “usare l’API di un certo servizio X”, e lui lo farà scrivendo il codice appropriato in Python e chiamandolo .

In tal senso, Manus interagisce con l’ecosistema esterno in modo indiretto, attraverso le sue azioni, piuttosto che offrire un hook ufficiale agli sviluppatori. Dal punto di vista di plugin/estensioni ufficiali, al 2025 Manus non ne ha (è un sistema standalone), ma la community ha già iniziato a esplorare implementazioni open-source (“Open Manus”) e la società ha indicato l’intenzione di open-sourcare parti del progetto in futuro . Ciò potrebbe portare a integrazioni più strette o addirittura a versioni self-hosted di Manus. In definitiva, Perplexity è più aperto all’integrazione esterna fin da ora (API, estensioni, enterprise connectors), mentre Manus per il momento è più chiuso ma promette evoluzioni in tal senso man mano che maturerà e uscirà dalla beta.

Tabella comparativa

Aspetto	Perplexity Pro Labs	Manus
Approccio alla ricerca	Motore di ricerca AI con risposte fondate su fonti: l’LLM interroga il web e fornisce spiegazioni corredate di citazioni . Esegue “Deep Research” in pochi minuti per risposte approfondite, poi Labs investe ~10+ minuti per progetti completi .	Agente AI autonomo multi-step: prende un obiettivo e orchestra sub-agent per cercare info su news, database, forum, ecc., riassumendo in background senza bisogno di prompt successivi . Niente citazioni formali nell’output finale, ma log delle azioni visibile (browser, passi eseguiti) per trasparenza .
Fonti e aggiornamento	Usa fonti in tempo reale dal web (es. articoli accademici, siti autorevoli) e le combina nelle risposte . Aggiorna continuamente le informazioni grazie al browsing integrato, superando il limite del training data statico .	Naviga il web come un utente: può visitare siti, query su motori, leggere social e usare API (es. chiamate a servizi online) durante l’esecuzione . Ottiene quindi dati aggiornati all’ultimo minuto. L’output però è focalizzato sul risultato, senza elenco fonti, simulando un report redatto dall’agente stesso.
Profondità delle risposte	Labs fornisce analisi dettagliate su qualunque argomento: la modalità Research risponde in 3-5 min a domande complesse , Labs arriva a svolgere ricerche di ~30 min se necessario, producendo risposte di elevata completezza . Ogni risposta è supportata da spiegazioni e dati verificati.	Estremamente esaustivo: Manus scompone problemi complessi in sottocompiti e li risolve tutti (ricerca storica, analisi dati, confronti). Può dedicare decine di minuti (15-60+) a un singolo progetto , fornendo risultati articolati (es. scenari multipli, approfondimenti storici, statistiche simulate) spesso paragonabili al lavoro di un team umano .
Gestione dei contenuti	Spaces per organizzare e conservare conoscenze: è possibile raggruppare thread per progetto e caricare documenti personali (PDF, CSV, ecc.) come riferimento persistente . I thread rimangono salvati e ricercabili, ed esportabili in vari formati . Supporta collaborazione multi-utente nelle Spaces condivise .	Replay delle sessioni invece di spazi statici: ogni task svolto può essere rivisto passo-passo e condiviso . Non offre storage permanente multi-task né organizzazione in cartelle, essendo orientato a esecuzioni isolate (in beta). Accetta file in input per il singolo task (es. dataset da analizzare) e adatta la propria knowledge interna ai feedback durante l’esecuzione .
Supporto alla programmazione	LLM integrato con tool di coding: Labs può generare ed eseguire codice (tipicamente Python) per svolgere calcoli, trasformare dati o creare output come grafici e documenti . Può anche realizzare mini-siti web (HTML/CSS/JS) visibili nell’App tab . Tutto il codice prodotto e i file (CSV, immagini) vengono salvati nell’Assets tab per ispezione .	Sub-agente coder dedicato: Manus scrive, testa e debugga codice autonomamente in diversi linguaggi (Python, JS, ecc.) . Può costruire applicazioni complete (es. generare frontend + backend per un web tool) come parte del task . Utilizza codice per accedere a dati live (chiamando API, eseguendo simulazioni) e corregge gli errori iterativamente, senza intervento umano .
Output generabili	Report, fogli di calcolo, grafici, dashboard, siti web semplici: Labs produce deliverable completi pronti all’uso . Esempi: relazione testuale con citazioni, tabella comparativa di risultati, presentazione di dati con grafici generati dall’AI. Può outputtare file (PDF, CSV, immagini) e perfino app interattive di base integrate nell’interfaccia .	Report multi-sezione, tabelle strutturate, siti web interattivi, slide: Manus consegna il risultato nel formato più adatto al compito. Esempi: un sito web con pannelli interattivi per visualizzare scenari di analisi , un file Excel/CSV con dati elaborati e un documento con raccomandazioni , oppure una serie di slide informative. I risultati tendono ad essere altamente strutturati e personalizzati sulle richieste utente.
Architettura AI	Single-agent con strumenti: un unico LLM (OpenAI GPT-3.5/4 o modelli proprietari Perplexity) gestisce il dialogo e decide quando usare strumenti (ricerca web, esecuzione codice). Sfrutta modelli specializzati (es. Code Llama, Mixtral MoE) per migliorare le prestazioni su compiti specifici . Approccio guidato: esecuzione sequenziale con possibilità di intervento utente durante il Labs .	Multi-agent parallelo: architettura con più agenti LLM specializzati (planner, researcher, coder, ecc.) che cooperano in parallelo per portare a termine il task . Orchestrazione autonoma senza bisogno di supervisione esterna. Inizialmente basato su modelli open-source raffinati (es. Qwen di Alibaba) , poi aggiornato con Claude di Anthropic come modello principale (contesto esteso, alta capacità di ragionamento) .
API e integrazioni	Dispone di API pubblica (Sonar) per integrare le risposte di Perplexity in app di terze parti . Offre un browser plugin/estensione per query rapide e sta sviluppando un browser proprio (Comet) . In ambito enterprise, si integra con servizi cloud (Google Drive, Dropbox…) per knowledge base interne .	Nessuna API pubblica (beta privata): accesso solo via app web o iOS ufficiale . Nessun plugin esterno al 2025. Manus può interagire con servizi esterni durante i task usando browser e codice (es. login su siti, utilizzo di API) . Prevista apertura parziale del framework a community/open-source in futuro .
Disponibilità e prezzi	Disponibile per utenti Pro (a pagamento). Costo: 20 $/mese (Perplexity Pro) , che include Labs oltre a ricerche illimitate. Labs è limitato a 50 esecuzioni al mese per utente Pro (conteggiando anche i follow-up) . App fruibile via web, iOS, Android e presto desktop .	In beta ad invito fino a Q1-Q2 2025; ha introdotto piani a pagamento a fine marzo 2025. Starter: 39 $/mese per 3.900 crediti (circa 10 crediti per minuto di esecuzione) , Pro: 199 $/mese per 19.900 crediti, con più task in parallelo e priorità . Nessun limite “hard” di tempo per task (può durare fino a quasi 1 ora se necessario).

Quindi , c’è uno meglio dell’altro?

No. Secondo me, o almeno dipende. Dopo settimane di utilizzo intensivo e comparato, posso dire che sia Manus che Perplexity Labs stanno ridefinendo in modo concreto il concetto di assistenza AI. Manus è impressionante per la sua autonomia e capacità di orchestrare compiti complessi come un team strutturato; Perplexity Labs, invece, eccelle nella ricerca strutturata e nella costruzione di risposte documentate, affidabili e pronte all’uso.

Nessuno dei due sostituisce gli altri strumenti che utilizzo, come ChatGPT Pro e Claude, ma entrambi li affiancano con ruoli precisi all’interno del mio workflow. È questo, credo, il punto chiave: non cercare l’AI migliore in assoluto, ma costruire un ecosistema su misura in cui ogni strumento potenzia una specifica parte del lavoro.

Certo, costicchia questo ecosistema eh…