在人工智能飛速發展的今天，明星公司Manus無疑是聚光燈下的常客，其產品和商業模式也引發了諸多討論與爭議。然而，拋開這些紛擾，當我們審視其技術內核時，不得不承認其團隊在AI智能體（Agent）領域的探索是深刻且極具價值的。

近日，Manus的創始人Yichao 'Peak' Ji發表了一篇深度復盤文章，坦誠地分享了團隊在構建智能體過程中“踩過的坑”和最終沉淀下的工程哲學。這篇文章的核心觀點振聾發聵：決定智能體成敗的關鍵，或許并非無休止地追逐更強的基礎模型，而是回歸本源，做好“上下文工程（Context Engineering）”。

這篇復盤沒有空談理論，而是充滿了來自“百萬級用戶真實測試”的實踐智慧。對于所有致力于構建AI智能體的開發者而言，這份“干貨滿滿”的總結，無疑是一份寶貴的戰術地圖。以下是我們提煉出的六條黃金法則。

法則一：圍繞KV緩存進行設計——成本與效率的命脈

在生產環境中，KV緩存命中率是衡量一個AI智能體性能最核心的指標，沒有之一。Ji指出，智能體的工作模式是典型的“長輸入、短輸出”（Manus的輸入輸出Token比高達100:1），上下文會隨著任務的進行滾雪球式地增長。能否有效利用KV緩存，直接決定了產品的延遲和成本。以Claude Sonnet模型為例，命中緩存的Token成本比未命中的要便宜10倍。

Manus的對策：

• 保持前綴穩定
  堅決避免在系統提示詞等前置上下文中加入時間戳這類動態變量。
• 上下文只增不減
  避免修改歷史記錄，并確保所有數據結構（如JSON）的序列化方式是確定且穩定的，防止“隱形”的緩存失效。
• 顯式管理緩存
  在必要時，手動標記緩存斷點，確保核心指令被有效緩存。

法則二：掩蔽，而非移除——在復雜性中保持穩定

隨著智能體能力增強，其工具集會爆炸式增長。一個常見的誤區是動態地從上下文中移除當前不需要的工具，以期讓模型更“專注”。然而，這是一種致命的錯誤。

錯誤做法的代價：

1. 緩存災難
   工具定義通常位于上下文前部，任何改動都會導致整個KV緩存失效。
2. 模型混淆
   當歷史記錄引用了當前已不存在的工具時，模型會陷入困惑，導致行為異常。

Manus的對策：使用“掩蔽（Masking）”代替“移除”。他們通過一個上下文感知的狀態機，在解碼階段通過操縱Token的Logits來動態“屏蔽”或“推薦”某些工具的調用，而不是物理上刪除它們。這既保證了上下文的穩定性，又實現了動態的工具選擇。

技術深潛：什么是“操縱Logits”？
簡單來說，Logits是AI模型在決定輸出下一個詞（Token）前，為詞匯表中所有候選詞給出的原始“信心分數”，分數越高，被選中的可能性越大。
“操縱Logits”就是在模型產生這些分數后、將其轉換為最終概率前，進行的外科手術式干ervention。例如，通過將非法工具的Logit值直接設為負無窮大，就能“掩蔽”該選項，使其被選中的概率變為0。這種方法不像從上下文中“移除”工具定義那樣會破壞寶貴的KV緩存，因此它能在不犧牲效率的前提下，實現對智能體行為的精準、動態控制。

法則三：將文件系統作為“無限”上下文——突破窗口限制

即便是128K甚至更大的上下文窗口，在真實的智能體任務面前也常常捉襟見肘。網頁、PDF等非結構化數據能輕易撐爆窗口。同時，過長的上下文不僅昂貴，還會導致模型性能下降。

Manus的對-策：將文件系統視為終極的、無限的上下文。智能體被訓練成能夠自主地將信息寫入文件，并在需要時讀回。這種“外部化記憶”的策略，配合可恢復的壓縮（例如，在上下文中只保留文件的路徑或網頁的URL，而非全部內容），實現了在不丟失任何信息的前提下，大幅縮減上下文長度。

法則四：通過“復述”操縱注意力——對抗模型的“遺忘癥”

你可能見過Manus在執行任務時，會反復讀寫一個??todo.md??文件。這并非多余操作，而是一種精妙的注意力操縱機制。在長達幾十步的復雜任務中，大模型很容易“迷失在中間”，忘記最初的目標。

Manus的對策： 通過不斷地重寫待辦事項列表，智能體將最重要的全局計劃“復述”到上下文的末尾。這利用了模型對最近信息更敏感的特性，相當于在不斷提醒自己“勿忘初心”，從而有效對抗目標漂移。

法則五：擁抱錯誤——失敗是最好的學習數據

智能體在任務中犯錯是常態。許多開發者的第一反應是隱藏或清除這些錯誤記錄，讓上下文顯得“干凈”。但Manus的經驗恰恰相反：要刻意保留錯誤信息。

Manus的對策： 將失敗的動作、返回的錯誤碼、甚至是堆棧跟蹤信息完整地保留在上下文中。當模型看到這些失敗記錄時，它會像人類一樣從中吸取教訓，隱式地調整其行為策略，避免重蹈覆轍。在他們看來，出色的錯誤恢復能力，是衡量高級智能體與簡單腳本的核心區別。

法則六：警惕“少樣本陷阱”——避免思維僵化

少樣本提示（Few-shot Prompting）是提升模型表現的利器，但在智能體中卻可能成為陷阱。模型是出色的模仿者，如果上下文中充滿了大量重復、相似的成功范例，模型就會陷入“思維定勢”，即使外部條件變化，也傾向于僵化地重復已有模式。

Manus的對策：主動在上下文中引入“受控的隨機性”。通過在序列化模板、措辭、格式等方面引入微小的結構化變動，來打破上下文的單調性，從而“激活”模型的注意力，使其保持對新情況的敏感和適應性，避免變得脆弱。

結語

Manus創始人的這篇復盤，揭示了一個深刻的行業現實：在通往通用人工智能的道路上，我們需要的不僅是更大、更強的模型，更需要懂得如何與這些模型“溝通”的智慧。上下文工程，正是這門溝通的藝術和科學。

無論外界如何評價Manus這家公司，其團隊分享的這些從實戰中淬煉出的法則，無疑為整個AI社區提供了寶貴的財富。它提醒我們，真正的護城河，往往建立在這些看似樸實無-華，卻直擊問題本質的工程細節之上。未來，將由一個個精心設計的上下文構建而成。

原文地址：??https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus??

本文轉載自????????草臺AI????????，作者：RangerEX