删博、裁员、跑路新加坡？Manus跌落神坛后，创始人罕见发声

有时候，真正让人意外的，不是跌下神坛的速度，而是一个团队面对质疑时的回应方式。

Manus，这家AI Agent圈里曾最受瞩目的创业公司，用四个月时间，完成了从出圈到争议的全流程剧本：3月横空出世，5月宣布完成7500万美元B轮融资，6月被爆裁员、清空微博、迁往新加坡。

很多人第一反应是：这是不是又一个“PPT项目”？是不是用中国工程师打完样、融完资，就转身跑路？就在群情激愤、Manus官方持续沉默的时候，联合创始人季逸超在7月19日凌晨发出了一篇万字技术博客，标题平实，却像是一次迟来的回应——《Context Engineering for AI Agents》。

没有辩解、没有公关，也没有否认任何争议。他选择从最核心的地方讲起：什么是上下文工程，为什么它是智能体发展的真正主线。

读完那篇文章，我感觉：也许Manus没那么完蛋，甚至，它可能是这个行业里，最早认真对待“Agent系统工程化”的团队之一。

01｜为什么不自研模型？因为上一家公司输得太惨

这不是Manus第一次创业。联合创始人季逸超在文中提到，上一家公司（Peak Labs）从零训练语义搜索模型，做得很辛苦也很“正统”，但最终败给了GPT-3和Flan-T5：模型刚上线就彻底过时，投入全打水漂。

这一次，团队直接放弃自研底座模型，选择另辟蹊径——在大模型之上做“上下文工程（Context Engineering）”。

简单说，就是用Prompt结构、记忆组织、工具控制等手段，来塑造模型行为、优化推理路径。这种做法不比训练模型容易，甚至可以说更像是一场工程能力与系统设计能力的较量。

他们的逻辑是清晰的：如果模型进步是涨潮，Manus要做的是一艘船，而不是卡在海底的柱子。

02｜从“缓存”到“记忆”：智能体的行为不靠模型，而靠上下文

Manus的上下文工程体系，围绕两个关键词展开：KV缓存 和 外部记忆。

KV-Cache 命中率：成本与速度的生命线

智能体和聊天机器人不同，一个Agent平均要执行几十次工具调用，单次输入Token数可能是输出的100倍。

如果上下文结构不稳定，缓存失效，推理成本将指数级上升。以Claude为例，命中缓存每千Token成本$0.30，失效后就是$3 —— 差了整整10倍。

他们的优化手段包括：

• 上下文“只追加”不修改，避免破坏缓存；

• 序列化结构稳定化（比如固定JSON键顺序）；

• 不加时间戳，因为哪怕秒级变化也会重写缓存；

• 引入缓存断点机制，显式标记上下文可重用部分。

这不是优化技巧，而是智能体系统设计的基本功：缓存管理是AI Agent运行效率的“底层红利”。

03｜工具爆炸时代：遮蔽比删除更优雅

Manus很早就踩过工具“过载”的坑。

当工具数量从几十个飙升到上百个，Agent不再聪明，反而开始“手忙脚乱”：

• 经常选错工具；

• 动作重复；

• 解码失败；

• 幻觉调用频发。

   

传统的解决方法是“动态加载”——按需增减工具。但这在多轮推理中是灾难，因为工具定义通常写在上下文前部，改一次就导致所有缓存作废。

他们改用遮蔽机制：工具不删，而是在当前状态下屏蔽其Token概率。

更聪明的是，他们使用前缀命名策略（如browser_、shell_），在解码时只开放某一类函数调用，搭配状态机实现控制。这既保留了缓存，又让Agent“知道自己在哪个状态该用什么”。

04｜把文件系统当记忆：打破128K限制的土办法，可能最有效

大模型上下文再长，也有极限，尤其是Agent任务中：

• PDF内容一塞就爆；

• 网页结构复杂；

• 多轮观察量巨大；

• 任务历史难以追踪。

Manus没有选择压缩，而是让Agent自己写入“外部记忆”——文件系统。

模型会在本地记录todo.md、网页缓存、脚本代码等，真正把“环境感知”外包出去。这种机制不仅解决Token限制问题，更是Agent系统长期记忆的实现方式。

你可以理解为“Agent写日记”，只是这些日记是结构化的，并能被它自己随时读回。

05｜错误不能删，因为那是Agent最重要的学习材料

这是我最喜欢的一个点。

我们常常本能地想隐藏AI的错误：删掉失败路径、重新开始任务、或者靠温度参数“洗掉偏差”。

Manus团队反其道而行：保留错误、保留堆栈、保留失败观察。

原因很简单：语言模型通过上下文学习行为。如果你删掉错误，它就永远不知道那是“错的”。而只有当它“看到自己摔倒”，它才会在下一步规避风险。

在LLM主导的Agent系统中，自我修正能力的关键，不是逻辑，而是证据。而这些证据，就藏在那些没被抹去的失败片段中。

06｜不是Few-shot多就好，而是要避免Agent“惯性思维”

Manus最后指出一个大家容易忽略的坑：上下文示例太统一，会导致Agent“路径依赖”。

比如它帮你审简历，前几份都做了类似决策，后面就可能陷入节奏性幻觉，不再真正推理。

他们的应对方式是引入微量扰动：

• 随机变换表达方式；

• 同一操作用不同模板；

• 编码顺序引入轻微噪声。

这些变化不改变内容本质，但可以打破模型注意力的“局部惯性”，让Agent保持对任务的敏感性。

07｜上下文工程：不是工程“细节”，而是AI Agent的主干

Manus的复盘，更像一次价值观的宣言：

真正决定Agent是否好用的，不是它用哪个模型、参数多少，而是它有没有记忆、有没有结构、能不能恢复、能不能收敛。

在大厂端到端闭环的生态体系面前，Manus也许注定艰难。但它的这套“上下文塑造行为”的做法，可能是更多创业者能走得通的另一条路。

这篇文章没有洗白Manus所有的争议。但它至少证明，这家公司在Agent系统底层，确实走过了一段不那么浮躁的路径。

如果智能体真是下一代AI应用的未来，那它或许不会靠更大的模型，而会靠一个个用心构建的“上下文”。