1
0这期播客节目将深入探讨 AI智能体 领域中的一个核心但常被忽视的概念——上下文工程（Context Engineering）。我们将以 Manus项目 的一线实践经验为例，揭示如何通过精妙的上下文设计，构建出更高效、更稳定、更智能的AI智能体。
您将了解到：
• 上下文工程为何如此关键？ Manus 团队在项目初期便将其视作一项关键决策，它能够将产品改进周期从数周缩短至数小时，并使产品独立于底层模型迭代。从根本上讲，上下文工程定义了智能体的行为方式、运行速度、错误恢复能力以及其可扩展性。
• “随机梯度下降（Stochastic Graduate Descent）”的实践哲学： Manus 团队如何通过架构搜索、提示词调整和经验性猜测，手动迭代并重构其代理框架，从而找到了优化上下文的最佳方法。
• 围绕KV-缓存进行设计的重要性： 了解 KV-cache 命中率为何是生产阶段 AI 智能体最重要的单一指标，因为它直接影响延迟和成本。我们将分享 Manus 如何通过保持提示前缀稳定、确保上下文只追加以及在需要时显式标记缓存断点来显著提高缓存命中率，从而实现高达10倍的成本节约。
• “遮蔽而非移除”的策略： 当智能体的工具数量激增时，为什么动态增删工具会损害 KV-缓存并导致模型混淆。Manus 团队的解决方案是使用上下文感知的状态机来管理工具可用性，通过遮蔽 token logits 来约束动作空间，而非修改工具定义。
• 将文件系统作为终极上下文： 探索 Manus 如何将文件系统视为智能体的“无限”外部化记忆，以应对海量观察数据、长上下文导致的模型性能下降以及高昂的输入成本。这种策略允许 Manus 在不永久丢失信息的情况下，通过可恢复的压缩（例如保留 URL）来缩短上下文长度。
• 通过“复述”操纵注意力： 揭示 Manus 在处理复杂任务时，为何会反复更新 todo.md 文件。这是一种有意的机制，通过将目标复述到上下文的末尾，将全局计划推入模型的近期注意力范围，有效避免了“迷失在中间”的问题并减少了目标错位。
• 保留错误信息的重要性： 为什么不应隐藏智能体的错误。将失败的行动和观察结果（如堆栈跟踪）保留在上下文中，能帮助模型隐含地更新其内部信念，从而减少重复犯错。这种错误恢复能力被 Manus 团队视为衡量真实智能体行为的关键指标。
• 避免“少样本陷阱”： 警惕少样本提示可能带来的负面影响。如果上下文充满了相似的行动-观察对，模型可能会过度模仿这种模式，导致漂移、过度泛化甚至幻觉。Manus 通过引入结构化多样性来打破这种模式，提升智能体的鲁棒性。
