Manus创始人近期分享了一段开发实战心得，其中详细讲述了在“百万级用户测试”中积累的教训与宝贵经验。他的核心观点非常明确：不要一味追求更大规模的模型，上下文工程才是智能体取得竞争优势的关键。
以下是对六大黄金法则的精要解读。
法则一：围绕KV缓存设计——成本与效率的核心
KV缓存命中率是衡量智能体性能最核心的指标，没有之一。为什么？因为智能体的工作模式典型表现为“长输入、短输出”——Manus的输入输出Token比高达100:1，上下文会不断膨胀。能否高效利用KV缓存，直接决定延迟和成本。以Claude Sonnet为例，命中缓存时的成本比未命中要便宜10倍。
- 保持前缀稳定：坚决避免在系统提示词中加入时间戳等动态变量，否则缓存会立刻失效。
- 上下文只增不减：不要修改历史记录，同时确保所有数据结构的序列化方式保持稳定，防止“隐形”缓存失效。
- 显式管理缓存：必要时手动标记断点，保证核心指令能够被缓存住。
法则二：掩蔽，而非移除——在复杂性中稳住阵脚
智能体能力越强，工具集就会越庞大。很多人常犯的错误是：认为把当前不需要的工具从上下文里“移除”掉能让模型更专注，但这是非常致命的做法。
错误做法的代价：
- 缓存灾难：工具定义通常位于上下文前部，一旦改动，整个KV缓存就会报废。
- 模型混乱：历史记录中引用了已经不存在的工具，模型会直接困惑，导致行为异常。
Manus的对策：用“掩蔽”代替“移除”。他们设计了一种上下文感知的状态机，在解码阶段通过控制Token的Logits来动态“屏蔽”或“推荐”某些工具调用，而不是物理删除。这样既保证了上下文的稳定性，又实现了灵活的工具选择。
技术深潜：什么是“操纵Logits”？简单来说，Logits是模型在决定下一个输出词之前，为所有候选词给出的原始“信心分数”，分数越高，被选中的概率越大。“操纵Logits”就是在模型生成这些分数后、尚未转换成最终概率之前，进行精准的干预。例如，将非法工具的Logit值直接设为负无穷大，就能“掩蔽”该选项，使其被选中的概率降为0。这种方法不像从上下文里“移除”工具定义那样破坏KV缓存，因此可以在不影响效率的前提下，精确、动态地控制智能体行为。
法则三：把文件系统当作“无限”上下文——突破窗口限制
即便是128K乃至更大的上下文窗口，面对真实智能体任务时也往往捉襟见肘。网页、PDF等非结构化数据很容易撑爆窗口。而且，上下文过长不仅成本高昂，还会降低模型性能。
Manus的对策：将文件系统视为终极的、无限的上下文。他们训练智能体自主地将信息写入文件，需要时再读取回来。这种“外部化记忆”策略，结合可恢复的压缩（例如，上下文中只保留文件路径或网页URL，而非全部内容），就能在不丢失信息的前提下大幅缩短上下文。
法则四：通过“复述”操纵注意力——对抗模型的“遗忘症”
你可能见过Manus在执行任务时反复读写一个todo.md文件。这并非多余操作，而是一种巧妙的注意力控制机制。在长达几十步的复杂任务中，大模型很容易“迷失在中间”，忘记最初的目标。
Manus的对策：通过不断重写待办事项列表，智能体将最重要的全局计划“复述”到上下文末尾。这利用了模型对最近信息更敏感的特点，相当于不断提醒自己“不忘初心”，有效抵御目标漂移。
法则五：拥抱错误——失败是最好的学习数据
智能体在执行任务时犯错是常态。许多开发者的第一反应是隐藏或清除错误记录，让上下文显得“干净”。但Manus的经验恰恰相反：有意保留错误信息。
Manus的对策：将失败的动作、返回的错误码，甚至堆栈跟踪信息完整地保留在上下文中。模型看到这些失败记录，就会像人类一样从中学习，隐式调整行为策略，避免重蹈覆辙。在他们看来，出色的错误恢复能力，是高级智能体与简单脚本之间的核心区别。
法则六：警惕“少样本陷阱”——避免思维僵化
少样本提示确实是提升模型表现的有效手段，但在智能体场景下却可能成为陷阱。模型是出色的模仿者，如果上下文中全是重复、相似的成功案例，它就容易陷入“思维定势”，即使外部条件发生变化，也依然机械地重复旧模式。
Manus的对策：主动在上下文中引入“受控的随机性”。通过在序列化模板、措辞、格式等方面做出微小的结构性变动，打破上下文的单调性，从而“激活”模型的注意力，让它保持对新鲜情况的敏感与适应能力，避免变得脆弱。
Manus创始人的这次复盘，揭示了一个深刻的行业现实：通往通用人工智能的道路上，我们不仅需要更大更强的模型，更需要懂得如何与这些模型有效“沟通”的智慧。上下文工程，正是这门沟通的艺术与科学。无论外界如何评价Manus这家公司，这些从实战中淬炼出的法则，都值得整个AI社区深入思考。它提醒我们，真正的护城河，往往就藏在那些看似朴实无华、却直击本质的工程细节之中。