🧠 构建聪明Agent的秘密：Manus团队的上下文工程实践全揭秘

最近看了一篇Manus AI团队的实战总结，讲的是他们在构建AI代理（Agent）系统时，为什么不从零训练模型，而是专注做"上下文工程"。作为产品/AI开发者，读完收获特别大，所以在这篇文章里，我用通俗的方式总结出来，分享给同样对Agent感兴趣的你。

🧭 为什么不训练模型，而要做"上下文工程"？

过去做NLP，要把模型拉下来、精调、部署，非常慢，一次改动可能就是几周时间。但现在的大模型（像GPT、Claude等）已经"强得离谱"，只要组织好上下文，它就能自动完成推理和决策。

所以Manus做了一个关键决策：

我们不训练模型，而是训练上下文。

这带来两个好处：

• ⚡ 迭代快：几小时就能上线改动
• 🚀 跟着模型一起升级：大模型越强，我们的Agent就越聪明

他们把这条路叫做"上下文工程"（Context Engineering），是一种让LLM做事的全新方法论。

🧩 一、KV缓存命中率：性能和成本的生死线

LLM每次生成输出，其实就是"把你给的所有上下文吃一遍，再做下一步"。这会非常慢、非常贵。幸运的是，大模型支持KV Cache —— 如果你之前的上下文没变，它就能"跳过重新计算"。

📉 缓存和不缓存的成本差了10倍：

状态	成本（每百万 tokens）
有缓存命中	$0.30
没命中缓存	$3.00

所以，KV Cache 命中率直接决定了你Agent的成本、速度、稳定性。

如何保持缓存命中？

• ❌ 不要在提示里加"精确到秒的时间戳"
• ✅ 保持提示和上下文结构稳定
• ✅ 不要随便修改之前的动作记录或观察结果
• ✅ JSON序列化保持字段顺序一致

🔧 二、工具太多怎么办？遮蔽，而不是移除！

随着Agent越来越复杂，工具数量会爆炸。但工具越多，模型越难选对——越容易"聪明反被聪明误"。

大多数人会怎么做？

➡️ 把无用的工具删掉

Manus是怎么做的？

✅ 保留工具不删，但用"logits遮蔽"控制它不能被选中

举例：

• 所有浏览器工具名以 browser_ 开头
• 所有命令行工具以 shell_ 开头

通过给模型设置"你只能选 browser_ 的工具"，来限制它的行为。这种方法：

• 不破坏上下文（KV Cache 不失效）
• 不让模型找不到之前提到的工具

🧠 三、文件系统就是"无限上下文+外挂记忆"

你以为128K上下文够用了？错！遇到网页、PDF、代码等大数据，分分钟撑爆。

所以Manus的思路是：

把文件系统当作模型的外挂记忆系统。

让模型：

• 写入文件（保存数据）
• 读取文件（按需回忆）

比如：

• 把一整页网页删掉，但保留URL
• 保留文件路径，内容不放上下文

这样可以：

• 减少token成本
• 让记忆随用随取
• 保持信息可恢复、可追踪

✅ 四、写"待办清单"=操控模型注意力

Manus的Agent在做复杂任务时，会自动生成一个 todo.md 文件，不断更新它：

• 勾掉已完成的事项
• 把目标重复写到上下文最后

这样做的目的是：

让模型在每次决策前，都能"回顾一下当前目标"

不然模型容易走着走着就忘了自己要干嘛，尤其是调用几十个工具那种长任务。

💥 五、错误不能抹去，要保留在上下文里

我们人类能从错误中学习，模型也是一样的。

• ❌ 错误发生了？不要清空上下文重试
• ✅ 错误发生了？把错误记录也一并留着！

为什么？

• 模型看到"这种调用失败了"，它会自动避开类似操作
• 错误本身，是学习的机会，不是需要隐藏的污点

🎲 六、不要被少样本学习套路误导

你以为喂几个例子模型就能学会？在Agent里，情况不一样！

比如：

Agent看了5份简历都说"不合适"，它会开始惯性拒人，哪怕第6个很优秀

Manus的解决方案：

在上下文中加入轻微的多样性

比如：

• 调整措辞
• 换种顺序
• 加点格式变体

这样可以打破模式化，让模型根据实际内容做判断，而不是照抄前面的例子。

📌 总结一句话：

大模型不是万能的，但一个精心设计的上下文，可以让它变得非常聪明。

上下文工程是Agent系统里真正的灵魂，它决定了：

• 模型多快跑
• 错了怎么改
• 工具怎么选
• 记忆能不能持续

✍️ 最后说一句：

Manus团队在过去一年里重写了4次架构，踩了无数坑，才总结出这套上下文工程经验。如果你正在做类似的事，希望这篇整理能帮你少走几步弯路！