Context Engineering for AI Agents: Lessons from Building Manus
10 months ago
- #Context Engineering
- #AI Agents
- #Machine Learning
- Manus项目选择了上下文工程而非训练端到端的代理模型，从而实现了更快的改进速度，且不受底层模型进展的限制。
- KV缓存命中率对AI代理至关重要，直接影响延迟和成本。提升缓存命中率的实践包括：保持提示前缀稳定、采用仅追加式上下文、显式标记缓存断点。
- Manus没有动态增减工具，而是通过上下文感知的状态机，在解码阶段掩码标记逻辑来控制工具可用性。
- Manus将文件系统视为无限、持久的上下文空间，允许代理通过读写文件实现结构化外部记忆。
- 复述机制（如更新todo.md文件）能引导模型注意力，在长周期任务中保持目标聚焦。
- 保留失败操作记录有助于模型从错误中学习，避免重复犯错，从而提升代理行为质量。
- 少样本提示可能导致代理行为重复。在动作和观察中引入结构化变异有助于保持多样性，防止行为漂移。
- 上下文工程是代理系统的核心，决定了代理的行为模式、错误恢复和扩展能力。Manus分享这些经验旨在帮助他人规避类似陷阱。