季逸超亲述 Manus 构建之谜，一文读懂 AI 智能体的上下文工程

主要观点总结

本文是对Manus创始人季逸超在其博客上发表的《Context Engineering for AI Agents: Lessons from Building Manus》一文的中文翻译。文章主要介绍了在构建AI智能体时，如何通过上下文工程来优化AI产品的性能和用户体验。文章涵盖了实验科学、KV缓存设计、动态操作空间管理、文件系统作为外部上下文、注意力操控、错误恢复能力等方面的内容。

关键观点总结

关键观点1: KV缓存的重要性及其实践建议

KV缓存命中率是生产级AI Agent最重要的单一指标。为了提高缓存命中率，需要保持提示词前缀的稳定性，避免修改历史动作或观察结果，确保序列化过程的确定性，并在必要时明确标记缓存断点。

关键观点2: 动态操作空间管理

随着Agent的能力不断扩展，其操作空间会变得愈发复杂。为了优化动作选择，Manus采用感知上下文的状态机来管理工具的可用性，通过直接掩码logits来约束动作选择。

关键观点3: 文件系统的应用作为外部上下文

当前的前沿LLM面临上下文长度的问题。为了应对这一问题，Manus将文件系统视为最终的上下文，采用可恢复的压缩策略，并训练模型按需读写文件。

关键观点4: 注意力操控的重要性

通过复述来操控注意力，避免Agent在执行复杂任务时迷失中间目标。创建待办事项列表并随着任务的推进逐步更新，以此来引导模型的注意力。

关键观点5: 错误恢复能力的重要性及实践建议

Agent会犯错，这是现实。保留失败的尝试并隐式地更新模型内部认知是提高Agent行为最有效的方法之一。

关键观点6: 警惕少样本提示的陷阱

少样本提示在Agent系统中可能适得其反。为了避免思维定式，需要增加上下文的多样性，引入少量结构化的变体来打破行为定式。

免责声明