职贝云数AI新零售门户

标题: 读完Manus创始人的复盘文章,我总结了AI智能体的7个上下文设计法则 [打印本页]

---

作者: mFs    时间: 15 小时前
标题: 读完Manus创始人的复盘文章,我总结了AI智能体的7个上下文设计法则
导语

为什么你做的AI助手总是完成不了义务？为什么换一种描画义务就完全无法执行？为什么异样的提示词别人家的智能体呼应更快更准？

Manus复盘文档截图
机密其实就藏在【上下文工程】里，本文拆解了Manus团队经过4次框架重构、数百万用户验证总结的黄金法则，希望可以给正在停止AI智能体开发的人们一些协助和启示。
背景知识同步

什么是Agent：AI概念一张图（2） — Agent

---

一、明白认知：上下文工程是AI智能体的骨架

大模型天天都在更新，才能都在打破，但是：模型才能≠智能体才能

(, 下载次数: 0)

上传

点击文件名下载附件

Agent表示图

智能体才能 = 规划才能×记忆才能×工具才能×行为才能

其中常见的相关概念：

• 规划才能：经过提示工程（ReAct、CoT），使Agent可以精准拆解义务，分步处理。• 记忆才能：上下文工程。• 工具才能：Function Call、MCP等。• 举动才能：回复文字、自动驾驶等。

当认知明白之后，作为非底座模型的创始团队，应该从哪个才能维度打破就自然很明晰。

Manus之所以成为爆款的缘由正是由于他们率先经过 【合理的规划与记忆】+【虚拟机扩展举动边界】 打造了可视化的Agent产品。

---

二、从Manus总结中提炼的AI实战法则

1. 像珍惜CPU缓存一样设计KV缓存

背景：

1. KV缓存：指的是用Key-Value的方式存储数据的暂时存储系统，用于加速高频数据的读取，降低对计算资源的依赖。2. KV缓存命中率：指的就是央求的数据存在于缓存中的占比。3. 影响K-V Cache命中率的次要要素：

• 缓存的容量• 数据访问的形式• 数据缓存的策略• 业务逻辑与数据更新

4. 为什么要注重KV缓存命中率：

(, 下载次数: 0)

上传

点击文件名下载附件

• 直接影响延迟和成本• 智能体的工作流程：接受支出→调用工具→动过空间内举动→观察举动结果→追加到上下文→下一轮迭代……
(, 下载次数: 0)
上传
点击文件名下载附件

• 这种形式的特点：输入越来越长、输入保持简约。• 能否命中KV缓存的影响：以Claude Sonnet为例，缓存输入token成本为0.30美元/百万token，未缓存则需3美元/百万token，相差十倍。

Manus提升KV缓存命中率的实际阅历：

1. 保持提示前缀波动：LLM的自回归特性意味着单个token差异就会使后续缓存失效。常见错误是在系统提示扫尾添加准确到秒的工夫戳2. 仅追加式修正上下文：避免修正历史举动/观察结果，确保序列化具有确定性（留意某些编程言语的JSON序列化能够毁坏键序）3. 显式标记缓存断点：部分推理框架需手动插入缓存断点，需思索缓存过期并至少覆盖系统提示结尾

---

2. 管理工具爆炸时的动作空间波动

典型运用场景：低代码平台内自定义数百个API工具
错误做法：每次调用动态加载相关工具。

缘由：

1. 工具定义的任何修正会使后续举动的KV缓存失效。2. 当历史举动运用已删除工具时，模型会产生错误。

Manus方案：

• 工具命名标准化：一切阅读器工具以browser_前缀命名，命令行工具以shell_扫尾• 解码时掩码有关工具：如处理运费查询时屏蔽财务工具token• 应用呼应预填充技术：完成自动/必需/指定工具调用三种调用形式

---

3. 把文件系统变成"外接大脑"

背景

智能体常需处理网页/PDF等非结构化数据，但直接将其全部塞入上下文会导致 【观察结果远超上下文限制】【模型功能随上下文长度添加而衰减】【长输入成本高昂】
Manus方案：

• 大观察结果保存为文件• 上下文仅保留文件援用和关键元数据• 经过工具调用完成文件读写

个人实际建议：

停止AI编程的时分，经过添加log文档、目的文档，实际体验能否可以分明添加义务完成准确率。

---

4. 故意保留"车祸现场"

Manus总结的反直觉阅历
将错误留在上下文中反而能分明改善行为。当模型看到失败举动及其结果时，它会隐式更新外部决计，降低反复错误的概率。

5. 警觉少样本学习的"回音壁效应"

背景

少样本提示（few-shot prompting）是常用的改进LLM输入的技术，但是用于智能体系统中能够会产生反效果。
典型现象：

当智能体延续处理20个相似工单时，第15个末尾出现"复制粘贴"式呼应
缘由

1. 少样本示例多为静态场景，而智能体需处理实时形态（如工具输入、用户反馈），固定示例无法覆盖动态决策链。2. 示例中的工具运用顺序能够与实践义务逻辑矛盾，导致模型机械模拟错误途径（如先执行搜索再解析需求）。3. 多轮交互中，少样本示例占用宝贵上下文窗口，挤压实时形态信息空间，加剧“留意力衰减”成绩。

Manus方案：注入大批结构化噪声。

总结

智能体是AI行业近期爆火的产品概念，但是行业并不成熟，相关的实际也不成熟。
不管是明星创业者、实际技术大牛，各种观点都并不一定正确。我们应该做的不是学习知识和观点，而是疾速的举动-反馈再迭代，积累实际阅历。

---

结尾互动：

"你的AI智能体能否也遭遇过『上下文失控』？
欢迎留言描画你的场景，一同讨论应该如何设计。

---

欢迎光临 职贝云数AI新零售门户 (https://www.taojin168.com/cloud/)

Powered by Discuz! X3.5