【摘要】Manus智能体平台在经历爆火、裁员与社交账号清空后，首次系统性复盘其技术路线与经验教训。本文深度剖析Manus在Agent系统上下文工程、KV缓存、工具管理、外部化记忆、错误处理等方面的创新实践与反思，全面展现AI Agent研发的挑战与未来方向。

引言

2024年，AI智能体（Agent）领域风起云涌。Manus，这个由Monica团队孵化、号称“全球首款通用智能体”的项目，在短短数月内从默默无闻到全球刷屏，成为AI圈的现象级产品。它不仅在GAIA等基准测试中超越OpenAI DeepResearch，更以邀请制引发全球用户的狂热追捧。然而，热潮之下，Manus也经历了裁员、社交账号清空等风波。就在外界对其未来充满疑问时，Manus联合创始人季逸超罕见地发布了长篇技术博客，首次系统性复盘了Manus从爆火到低谷的技术路线、架构演进与深刻教训。

本文将以Manus的技术复盘为主线，深度剖析AI Agent系统在上下文工程、KV缓存、工具管理、外部化记忆、错误处理等关键环节的创新实践与反思，结合行业发展趋势，探讨通用智能体的未来可能性。文章力求结构严谨、逻辑清晰、语言流畅，既有技术深度，也兼具行业广度，旨在为AI开发者、产品经理及关注智能体未来的读者，提供一份兼具参考价值与启发意义的深度读本。

一、Manus的技术抉择与Agent系统的本质

生成电影写真风格图片 (1) 拷贝-fhun.jpg

1.1 端到端模型还是上下文工程？AI Agent的路线之争

1.1.1 时代背景：从BERT到LLM的范式转移

回顾NLP技术的十年演进，BERT时代的模型需要针对每个新任务进行微调和评估，迭代周期长、反馈缓慢，极大限制了产品创新速度。随着GPT-3、Flan-T5等大模型的出现，上下文学习（Contextual Learning）成为新范式，模型无需微调即可通过提示工程适应新任务。这一变革为Agent系统的快速迭代和大规模应用奠定了基础。

1.1.2 Manus的选择：押注上下文工程

Manus团队深刻吸取了前一轮创业中“自研模型被淘汰”的教训，果断放弃端到端自训练Agentic模型的路线，转而押注于上下文工程（Context Engineering）。这一决策的核心逻辑在于：

  • 极大缩短产品迭代周期：从数周缩短到数小时，快速响应用户需求。

  • 与底层模型解耦：底层模型进步时，Manus作为“船”随潮水而动，而非“搁浅的柱子”。

  • 灵活适配多模型生态：无论是自托管还是API调用，均可无缝切换。

1.1.3 上下文工程的挑战与本质

上下文工程并非简单的提示堆砌，而是一门实验科学。Manus团队在短时间内重构了四次Agent框架，每一次都是对上下文塑造方式的深度反思与优化。其本质是通过架构搜索、提示调整和经验猜测的“手工随机梯度下降”，在实践中不断逼近局部最优解。

1.2 Agent系统的核心循环与上下文膨胀

1.2.1 Agent的工作流程

一个典型的Agent系统，其核心循环如下：

  1. 用户输入任务。

  2. Agent根据当前上下文，从预定义的动作空间中选择一个动作。

  3. 动作在环境（如虚拟机沙箱）中执行，产生观察结果。

  4. 动作与观察结果被追加到上下文，作为下一步输入。

  5. 循环往复，直至任务完成。

这一循环导致上下文不断膨胀，输入token远超输出token，极大考验模型的上下文处理能力与系统的工程优化。

1.2.2 KV缓存：Agent系统的性能生命线

在Agent系统中，KV缓存（Key-Value Cache）命中率成为影响延迟与成本的关键指标。以Manus为例，平均输入与输出的token比例高达100:1。通过高命中率的KV缓存，可将推理成本降低10倍以上（如Claude Sonnet，缓存输入0.3美元/百万token，未缓存3美元/百万token）。

二、上下文工程的五大核心实践

2.1 围绕KV缓存进行系统设计

2.1.1 KV缓存的原理与价值

KV缓存通过存储模型前缀的中间状态，实现重复前缀的高效复用，极大降低首token生成时间（TTFT）和推理成本。对于Agent系统这种“长输入、短输出”的场景，KV缓存的优化价值尤为突出。

2.1.2 提高KV缓存命中率的关键实践

  • 保持提示前缀稳定：避免在系统提示中引入时间戳等动态内容，哪怕一个token的差异也会导致缓存失效。

  • 上下文仅追加，不修改历史：确保序列化过程确定性，避免JSON键顺序变化等隐性破坏缓存的因素。

  • 显式标记缓存断点：部分推理框架需手动插入断点，合理分配以防缓存过期。

  • 分布式一致性路由：自托管模型时，需通过会话ID等方式确保跨工作器的缓存一致性。

2.1.3 KV缓存优化流程图

2.2 工具管理：屏蔽而非移除

2.2.1 动作空间膨胀的困境

随着Agent能力扩展，工具数量爆炸式增长，用户自定义工具更是加剧了动作空间的复杂性。过多的工具导致模型选择错误动作、路径低效，Agent“全副武装反而更笨”。

2.2.2 动态动作空间的陷阱

  • 动态增删工具破坏KV缓存：工具定义通常位于上下文前部，任何变动都会导致后续缓存失效。

  • 上下文引用失效引发模型困惑：历史操作引用已删除工具，易导致模式冲突或幻觉动作。

2.2.3 Manus的解决方案：上下文感知的状态机与token屏蔽

Manus采用上下文感知的状态机管理工具可用性，不直接删除工具，而是在解码期间通过屏蔽token logits约束动作选择。具体做法包括：

  • 设计一致前缀的动作名称（如browser_、shell_），便于分组屏蔽。

  • 利用响应预填充机制，灵活实现自动、必需、指定三种函数调用模式。

  • 保持工具定义稳定，最大化KV缓存命中率。

2.2.4 工具管理模式对比表

管理方式

优点

缺点

对KV缓存影响

动态增删工具

灵活，动作空间最小化

缓存失效，历史引用混乱

极大负面

屏蔽token logits

保持上下文稳定，缓存友好

需设计一致前缀，屏蔽逻辑复杂

极大正面

2.3 外部化记忆：文件系统即上下文

2.3.1 长上下文的三大痛点

  • 观察结果庞大，易超上下文窗口（如网页、PDF）。

  • 上下文过长，模型性能下降。

  • 长输入即便缓存，传输与预填充成本高昂。

2.3.2 传统压缩策略的局限

上下文截断或压缩虽可缓解窗口压力，但不可逆压缩必然带来信息丢失，影响Agent长期决策的准确性。

2.3.3 Manus的创新：文件系统作为无限外部化记忆

Manus将文件系统视为“终极上下文”，模型可按需读写文件，将长期状态外部化。压缩策略始终可恢复，如保留URL即可删除网页内容，保留路径即可省略文档内容。这样既缩短了上下文长度，又不丢失关键信息。

2.3.4 外部化记忆的未来展望

如果未来的状态空间模型（SSM）能掌握基于文件的外部化记忆，将有望突破Transformer的长期依赖瓶颈，成为新一代高效Agent架构的基础。

2.4 操纵注意力：通过“背诵”强化目标

2.4.1 任务漂移的风险

复杂任务往往需要数十次工具调用，LLM驱动的Agent极易“跑题”或遗忘早期目标，尤其在长上下文下更为突出。

2.4.2 Manus的实践：动态复述目标

Manus在处理复杂任务时，会不断重写todo.md文件，将全局计划复述到上下文末尾。这样做的效果是：

  • 将任务目标推送到模型近期注意力范围，减少“迷失在中间”。

  • 利用自然语言强化模型对目标的关注，无需架构改动。

2.4.3 注意力操纵的启示

通过“背诵”机制，Agent可在长循环中保持目标一致性，显著提升多步任务的完成率与鲁棒性。

2.5 错误处理：保留而非隐藏

2.5.1 错误是Agent的常态

多步骤任务中，模型幻觉、环境异常、工具故障等错误在所难免。隐藏错误虽可“美化”表现，但会剥夺模型自我修正的机会。

2.5.2 保留错误的价值

将失败操作及其观察结果保留在上下文中，模型可隐式调整内部信念，降低重复犯错概率。错误恢复能力是智能体“真正智能”的标志，远比理想条件下的任务成功更具现实意义。

2.5.3 错误处理流程图

三、上下文多样性与Agent鲁棒性

3.1 少样本提示的陷阱

3.1.1 模型的模仿本能

LLM善于模仿上下文中的行为模式，少样本提示虽可提升输出质量，但在Agent系统中，过于统一的上下文会导致模型陷入“节奏陷阱”，重复非最优操作。

3.1.2 多样性引入的必要性

Manus通过在行动与观察中引入结构化变化（如不同模板、措辞、顺序、格式噪声），打破模式单一性，提升模型的鲁棒性与适应性。

3.1.3 上下文多样性优化表

优化手段

作用

风险

结构化变化

打破模式，提升鲁棒性

需控制噪声幅度

模板多样化

防止节奏陷阱，减少幻觉

增加实现复杂度

格式扰动

调整注意力分布，防止过度泛化

影响可读性

四、Manus的经验教训与Agent系统的未来

生成电影写真风格图片 (3) 拷贝-jtse.jpg

4.1 上下文工程的科学化与系统化

上下文工程已成为Agent系统的核心科学。无论模型多强大，记忆、环境与反馈的工程塑造，才决定了Agent的行为边界、恢复能力与扩展性。Manus通过反复重写、死胡同与大规模用户测试，积累了宝贵的工程模式。

4.2 Agent系统的未来趋势

4.2.1 模型与工程的协同进化

未来Agent系统的突破，既依赖于底层模型的能力提升，也离不开上下文工程、外部化记忆、工具管理等系统层面的创新。两者协同，方能实现真正的通用智能体。

4.2.2 外部化记忆与长期依赖

文件系统等外部化记忆机制，将成为Agent突破长期依赖瓶颈的关键。SSM等新架构若能与外部化记忆深度结合，有望催生新一代高效、可扩展的智能体。

4.2.3 错误恢复与自适应能力

错误恢复能力将成为衡量Agent智能水平的重要指标。未来的Agent应能在复杂环境中自适应调整，持续进化，而非仅在理想条件下“完美表现”。

结论

Manus的技术复盘，为AI Agent系统的研发提供了极具参考价值的工程范本。从上下文工程、KV缓存、工具管理、外部化记忆，到错误处理与多样性优化，每一环节都凝结着团队对智能体本质的深刻洞察。Agent系统的未来，既是模型能力的竞赛，更是工程科学的较量。唯有在实践中不断试错、总结、优化，才能在智能体的浪潮中立于不败之地。Manus的经验教训，值得每一位AI从业者深思与借鉴。

📢💻 【省心锐评】

Manus的复盘让Agent研发回归本质：技术创新，工程为王，细节决定成败。