AI摘要：Context Engineering for AI Agents: Lessons from Building Manus

《Context Engineering for AI Agents: Lessons from Building Manus》深入探讨了如何通过上下文设计优化 AI Agent 的性能。以下是左侧内容的摘要：

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

🧠 初衷与转变

• 作者团队在构建 Manus 时，放弃了训练端到端模型，转而依赖 上下文工程（context engineering）。
• 相比微调模型，上下文工程能在数小时内迭代产品，而不是数周。

---

⚙️ 核心原则与经验总结

1. 围绕 KV-Cache 构建设计

• KV-cache 命中率是影响延迟与成本的关键指标。
• 提高命中率的方法包括：
  • 保持提示词前缀稳定（避免时间戳等扰动）
  • 上下文采用追加式结构，不修改历史记录
  • 显式标记缓存断点，确保模型能正确识别前缀

2. 屏蔽工具而非移除

• 动态添加/删除工具会破坏缓存并导致模型混乱。
• Manus 使用 token 屏蔽机制 控制工具选择，而不是修改上下文。
• 通过一致的命名前缀（如 browser_、shell_）实现分组控制。

3. 将文件系统作为上下文

• 面对长上下文窗口的限制，Manus 采用文件系统作为外部记忆。
• 模型可读写文件，避免信息丢失，支持可恢复压缩策略。

4. 通过“复述”操控注意力

• Manus 会创建并更新 todo.md 文件，将任务目标写入上下文末尾。
• 这样可以将目标保持在模型的注意力焦点中，避免“中间遗忘”。

5. 保留错误信息

• 不清理失败记录，让模型看到错误并调整行为。
• 错误恢复能力是 Agent 智能性的关键指标。

6. 避免过度 Few-shot

• 过多相似示例会让模型陷入重复模式。
• Manus 引入轻微变异（格式、顺序、措辞）打破模式，提高鲁棒性。

---

🧭 结语

• 上下文工程是一门实验性科学，是构建高效 Agent 的核心。
• 模型越强，越需要精细的上下文设计来发挥其潜力。
• 作者总结的经验来自数百万用户的真实测试，值得 Agent 架构师参考。