jixiaxue 知识库
bilibili / 2025-11-05-Manus创始人上下文工程最佳实践

Manus创始人上下文工程最佳实践

LangChain Webinar｜Manus 创始人分享：AI Agent 上下文工程最佳实践

来源: LangChain Webinar | 嘉宾: Peek/Pete（Manus 联合创始人/工程师） 主持: Lance（LangChain 创始工程师） 时长: 约 61 分钟 | 内容类型: 访谈（演讲 + Q&A） 原始逐字稿: 2929 行 | 总结方法: 金字塔原理 + SCQA + 渐进式总结 本总结未使用 Shownotes 辅助信息

执行摘要

Manus 创始人 Peek 在 LangChain 主办的 webinar 中分享了构建通用 AI Agent 过程中关于上下文工程（Context Engineering）的实战经验。核心结论是：上下文工程的目标是让模型的工作更简单而非更复杂。Manus 团队经过 5 次架构重构后发现，最大的性能飞跃不是来自增加更多的上下文管理层，而是来自简化架构、移除不必要的技巧、更多地信任模型本身。具体实践包括：可逆的 Compaction 优先于不可逆的 Summarization；借鉴 Go 语言并发哲学来设计多 Agent 通信模式；以及通过 Sandbox + CLI 工具将无限的动作空间压缩到极少数原子级函数调用中。

SCQA 框架

要素内容
情境 (S)2025 年，AI Agent 从概念走向生产，上下文窗口虽然扩大到百万 token 级别，但模型在约 200K token 后开始出现”上下文腐烂”（重复、推理退化）；同时 MCP 协议的出现使 Agent 的动作空间从封闭变为无限可扩展
矛盾 (C)Agent 每次工具调用都会向上下文中注入大量 token，上下文不断膨胀，但模型有效利用上下文的能力有限；微调/后训练看似可以解决问题，但产品迭代速度被训练周期拖慢，且 MCP 带来的开放域问题极难用 RL 优化
问题 (Q)如何在不微调模型的前提下，通过工程手段管理 Agent 的上下文，使其在长任务中保持高质量输出？
答案 (A)将上下文工程作为应用层与模型层之间最清晰的边界；通过 Compaction（可逆压缩）、Summarization（不可逆摘要）、Context Isolation（多 Agent 隔离）和 Context Offloading（卸载到文件系统/Sandbox）四种手段协同管理上下文

核心论点结构

中心论点：上下文工程是当前 AI Agent 应用层最关键的工程实践，其核心原则是”做减法”——让模型的决策环境尽可能简洁。

  1. 上下文工程优于微调/后训练

    • Peek 的前一家公司从零训练语言模型，产品迭代速度完全被训练周期（1-2 周/轮）所限制
    • MCP 协议使动作空间从封闭变为无限可扩展，用 RL 优化开放域问题几乎不可能
    • 上下文工程是应用层与模型层之间”最清晰、最实际的边界”

  2. Compaction（可逆压缩）优先于 Summarization（不可逆摘要）

    • Manus 为每个工具调用设计 full 和 compact 两种格式，compact 格式剥离可从文件系统重建的信息
    • 可逆性至关重要：Agent 做链式预测，无法预测哪个历史动作会在 10 步后变得关键
    • 仅当多轮 Compaction 后收益递减时才触发 Summarization，且始终基于 full 版本进行摘要
    • Summarization 使用结构化 schema（表单字段）而非自由形式 prompt，确保输出稳定可迭代

  3. 上下文隔离：借鉴 Go 并发哲学的两种模式

    • “通过通信共享”模式：子 Agent 仅接收指令，返回结果（类似 Claude Code 的 Task 工具）——适用于指令清晰、只需最终结果的任务
    • “通过共享通信”模式：子 Agent 继承完整历史上下文但有独立系统 prompt 和动作空间——适用于需要中间搜索结果和笔记的复杂任务（如深度研究）
    • Manus 的 Wide Research 功能内部称为 “Agentic MapReduce”：主 Agent 定义输出 schema，子 Agent 通过约束解码确保返回符合 schema 的结果

  4. 通过 Sandbox 实现动作空间的无限扩展而非工具膨胀

    • Manus 仅保留约 10-20 个原子级函数调用（如 shell 执行、文本编辑）
    • 所有其他能力通过 Sandbox 中的 CLI 工具、预装 API 包和脚本执行实现
    • 工具说明不塞进函数调用 schema，而是让 Agent 用 --help 自行发现用法
    • 这使 Agent 理论上达到图灵完备——“计算机是人类最伟大的发明，Agent 能做任何初级实习生用电脑能做的事”

  5. 避免上下文过度工程

    • Manus 自 3 月上线以来重构了 5 次架构，最大性能飞跃来自简化而非增加层
    • 通过在弱模型和强模型之间切换来测试架构的”未来证明”程度
    • “如果你今天只记住一件事，那就是：少构建，多理解（Build less, understand more）“

章节摘要

一、Lance 开场：上下文工程全景概览（0:00-10:15）

Lance 介绍了上下文工程在 Google Trends 上的热度已接近 ChatGPT 刚发布时的水平。他总结了当前 Agent 领域的五大上下文工程主题：

关键观点：

二、Peek 演讲：为什么需要上下文工程（12:00-14:30）

Peek 从自身经历出发，解释为什么即使微调变得越来越容易，上下文工程仍然是更优选择。

关键观点：

三、上下文缩减：Compaction vs Summarization（14:30-20:00）

Peek 详细区分了 Manus 中两种不同的上下文缩减操作。

关键观点：

四、上下文隔离：Go 并发哲学的启示（20:00-27:00）

Peek 认同 Cognition（Devin）关于多 Agent 同步信息是噩梦的观点，并借用 Go 语言并发哲学来设计解决方案。

关键观点：

五、上下文卸载：多层工具架构（27:00-36:00）

Peek 介绍了 Manus 如何通过 Sandbox 解决工具膨胀导致的”上下文困惑”问题。

关键观点：

六、避免过度工程（36:00-37:00）

关键观点：

七、Q&A 精华（37:00-61:00）

涵盖工具发现、索引、记忆、文件格式、摘要提示词、Agent 通信、规划、模型选择、安全防护、评估等话题。

关键观点：

关键洞察

  1. “上下文腐烂”是 Agent 的隐形杀手 大多数模型在远未达到标称上下文窗口上限（如 1M token）时就开始退化，实际有效阈值通常在 128K-200K。Manus 通过评估确定这个”腐烂前阈值”，并将其作为触发上下文缩减的时机。

  2. 可逆操作永远优先于不可逆操作 Agent 的链式推理本质使得任何历史信息都可能在未来变得关键。Compaction（去掉可重建的冗余）是可逆的，应始终优先于 Summarization（不可逆的信息压缩）。

  3. 图灵完备的 Sandbox 是最佳动作空间 与其给 Agent 注册成百上千个工具导致”上下文困惑”，不如只给 10-20 个原子操作 + 一个图灵完备的执行环境。Shell + 文本编辑器已经足够，其余通过脚本和 CLI 扩展。

  4. 不要按人类组织架构设计多 Agent 系统 按角色（设计师、程序员、管理者）划分 Agent 是对人类认知局限的错误模仿。应按功能需求划分（执行、规划、知识管理），且尽量减少 Agent 数量以降低通信复杂度。

  5. 用弱强模型切换验证架构的未来适应性 固定架构、切换不同能力的模型，如果弱→强模型带来显著提升，说明架构能从模型进步中获益；今天的弱模型就是明天的强模型基线，这给了架构迭代的提前信号。

可行建议

名言金句

“Be firm about where you draw the line. Right now, context engineering is the clearest and most practical boundary between application and model.” — Peek（Manus 创始人）

“Do not communicate by sharing memory; instead, share memory by communicating.” — Peek 引用 Go 语言社区格言，将”memory”替换为”context”来指导多 Agent 设计

“The biggest leaps didn’t come from adding more fancy context management layers or clever retrieval hacks. They all came from simplifying.” — Peek

“Build less, understand more.” — Peek

“Why are we super confident to call Manus a general agent? Because it runs on a computer, and computers are Turing complete.” — Peek

嘉宾原创框架

Manus 上下文缩减阶梯

上下文增长 → 接近"腐烂前阈值"（128K-200K）
    ↓
Step 1: Compaction（可逆）
  - 将最老的 50% 工具调用转为 compact 格式
  - 保留最新工具调用的完整详情（作为 few-shot 示例）
    ↓
Step 2: 检查 Compaction 收益
  - 收益足够 → 继续
  - 收益递减 → 进入 Step 3
    ↓
Step 3: Summarization（不可逆）
  - 先将关键上下文卸载到文件系统
  - 基于 full 版本（非 compact 版本）做摘要
  - 使用结构化 schema 而非自由形式
  - 保留最后几个工具调用的完整详情

Manus 三层工具架构

Layer 1: 原子函数调用（~10-20 个）
  - Shell 执行、文本编辑、浏览器操作等
  - 注册在函数调用 schema 中
  - 支持约束解码（Constrained Decoding）

Layer 2: Sandbox CLI 工具
  - 团队开发的命令行工具，位于特定目录
  - 不注册为函数调用，通过 --help 自行发现
  - 包括 Manus MCP CLI（MCP 工具作为 CLI 暴露）

Layer 3: 预装 API 包和库
  - 预授权的第三方 API（3D 渲染、金融数据等）
  - Agent 通过编写脚本调用
  - 大量数据处理在 Python 运行时内存中完成，只返回结果

Manus 多 Agent 通信双模式

模式 A: 通过通信共享（by communicating）
  适用：指令清晰、只需最终结果
  主 Agent → 指令 → 子 Agent（独立上下文）→ 结果
  示例：搜索代码库中的特定片段

模式 B: 通过共享上下文（by sharing memory/context）
  适用：需要完整历史、中间结果
  主 Agent → 完整历史 + 独立 prompt + 独立动作空间 → 子 Agent → 结构化结果
  示例：深度研究、Agentic MapReduce
  注意：成本更高（无法复用 KV Cache）

资源清单

人物/概念

名称类型提及语境
Peek/Pete人物Manus 联合创始人，本期嘉宾
Lance人物LangChain 创始工程师，本期主持人
Lee Robinson人物Cursor 团队，在 OpenAI Demo Day 上演讲过上下文检索方法
Cognition (Devin)公司/产品其博客讨论了多 Agent 信息同步的困难
Context Engineering概念Manus 在 2025 年 7 月发表的博客首次系统阐述
Context Rot概念Peek 提出，指模型在上下文过长时出现的重复、推理退化现象
Agentic MapReduce概念Manus 内部对 Wide Research 功能的称呼
MCP协议Model Context Protocol，彻底改变了 Manus 的动作空间设计
Agent as Tool模式从模型视角看是函数调用，实际触发独立子 Agent
Constrained Decoding技术确保模型输出符合预定义 schema

项目

名称提及语境
Open Deep Research (LangChain)Lance 展示的开源深度研究实现，使用了 offloading、reduction、isolation
Claude Code使用文件系统 + glob/grep 检索上下文，有 compaction 功能
Cursor使用索引 + 语义搜索 + glob/grep
Thinking Machine (TinkCare API)Peek 提及的微调工具，设计优美但不适合通用 Agent

共识与分歧

共识

分歧

本总结由 transcript-summarizer skill 生成 方法论：金字塔原理 (Minto) + SCQA + 渐进式总结 (Forte) + In Vivo Coding 原始文件：Manus创始人：深度干货！上下文工程的最佳实践.txt