Agent现在成为大模型的主战场了，这个大家应该都感受到了，之前有Claude code，最近kimi k2，昨天的ChatGPT Agent，但是如何构建Agent现在各家还在探索中
刚刚Manus发了一个blog，算是揭秘吧，把各种踩坑后经验教训，以及最佳实践分享出来了，manus认为一个成功的AI Agent依赖于巧妙的上下文工程（Context Engineering），而非单纯的模型能力
强烈建议阅读原文：
https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus
在项目初期，团队面临了两个选择：使用开源基础模型进行端到端训练，还是基于先进模型的上下文学习（in-context learning）能力构建Agent。过去，类似于BERT的模型必须通过漫长的微调过程才能应用到新任务中，每次迭代可能耗时数周，显然不适合快速迭代的应用场景。然而，GPT-3和Flan-T5的出现，让上下文学习成为可能，彻底改变了开发模式。Manus团队果断选择了上下文工程，以实现小时级别的快速迭代。
不过，上下文工程并非易事。它是一门实验性的科学，团队多次重构了整个Agent框架，笑称这一过程为“随机梯度下降法（Stochastic Graduate Descent）”，虽然笨拙但行之有效。
具体实践中，有几个关键点值得注意：
一、设计围绕KV缓存（KV-cache）展开。KV缓存命中率直接决定了AI Agent的延迟和成本，具体来说，确保prompt前缀稳定、仅追加而不修改已有上下文、明确标记缓存断点是提高缓存命中率的核心手段。
二、屏蔽（mask）工具而非移除。在工具数量膨胀时，Agent可能错误地选择行动，团队发现动态地增加或删除工具会严重破坏KV缓存。因此，他们采用了上下文感知状态机，通过屏蔽特定行动的logits而非删除工具定义，从而有效控制行动选择。
三、文件系统即上下文。尽管如今的模型拥有超长的上下文窗口（甚至超过128K token），但在实际应用中依然不够。Manus将文件系统视作无限且持久的上下文扩展，通过存储文件路径而非具体内容，实现了信息的可恢复压缩。
四、通过反复回顾（recitation）操纵注意力。Agent容易在复杂任务中偏离目标，因此Manus设计了让Agent不断更新待办事项列表（todo list）的机制，从而将全局目标持续推入模型的近期注意力窗口，有效避免了目标遗忘。
五、保留错误以学习成长。团队发现，Agent犯错并非坏事，反而是提升能力的重要途径。保留错误信息能够帮助模型自动修正内部推理，避免重复犯同样的错误。
六、避免Few-shot误导。尽管少样本（few-shot）提示能改善模型表现，但在Agent系统中，过于一致的上下文会导致模型陷入重复模式。团队通过引入结构化的变化和受控随机性，有效防止了这一问题。
总而言之，上下文工程虽然尚处于探索阶段，但已是构建智能Agent不可或缺的一环。Manus的经验表明，如何塑造上下文将最终决定你的Agent表现如何、恢复能力如何、以及扩展潜力多大。AI的未来，每一步都从精心设计的上下文开始
参考：
https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus
（文：AI寒武纪）