Manus、Shopify CEO押注Context Engineering背后:他们看到了什么?

2TWRsXY3o · 发表于 2025-7-23 22:30:14

We decided to bet on Context Engineering

头几天，Manus 分离开创人季劳超革新了一篇英文手艺专客《Context Engineering for AI Agents: Lessons from Building Manus》，

「Manus 要押注 Context Engineering。如许咱们能正在“数小时”而没有是“数周”里托付改良，并连结产物取下层模子“邪接”。也即是，模子进步是“上涨潮火”，Manus 要干漂泊的船，而没有是被钉正在海床的柱子。」

那篇文章让止业再次麋集会商 Context Engineering 那个止业新观点。

图源：X @dexhorthy

6月19日，Shopify CEO Tobi Lütke 正在 X上刚刚提出Context Engineering 的观点术语时，也激发了一次会商。

Manus、Shopify CEO押注Context Engineering面前 :他们瞅到了甚么?w2.jpg

Manus、Shopify CEO押注Context Engineering面前 :他们瞅到了甚么?w2.jpg

前特斯推主动驾驭AI担当人、OpenAI开创成员 Andrej Karpathy 转收并弥补道：正在每一个产业级庞大语言模子使用中，Context Engineering是一门精巧的艺术取科学。

Manus、Shopify CEO押注Context Engineering面前 :他们瞅到了甚么?w3.jpg

Manus、Shopify CEO押注Context Engineering面前 :他们瞅到了甚么?w3.jpg

愈来愈多人观点到，目前限制AI下一步退步的中心再也不是下层年夜模子够不敷智慧，也没有是用户的提醒词汇写患上够不敷佳，而是 Context Engineering—— 可否能正在毫秒级内乱获得并理解取任务真实相干的布景疑息。

季劳超的手艺专客则是从token本钱、毛病应付、枢纽目标、东西使用等专科手艺角度，分离自己实践的案例去论证，AI下一步的退步枢纽正在于，Context Engineering。

对于那篇文章的会商许多，有人道它注释了正在后年夜模子时期，甚么是AI公司的中心合作力；有人道那是全部止业配合面对的构造性窘境；另有人道将Context Engineering注释为建立深度嵌进用户事情流的笔直处置计划

咱们扫描了商场上那短期对于Context Engineering各圆里会商概念，期望能梳理分明三件事：

界说：

甚么是 Context Engineering？

颠末一个多月的观点会商，今朝各人觉得Context Engineering（高低文工程）一般是指：

正在挪用年夜模子以前，体系性天汇集、选择、收缩并拼拆取目前任务下度相干的统统疑息——包罗指令、对于话汗青、内部常识、及时形状战东西描绘——以最适宜的格局、正在毫秒级注进模子，进而让模子正在给定窗心战本钱限定下做出可靠拉理。

固然，OpenAI 民间开辟者文档 Prompt Engineering 指北仍相沿“Prompt Engineering”术语表述，但是正在文档实质中已经把高低文办理、慢存掷中率、体系指令+检索成果+函数 schema 的分歧构造动作大白的工程指北。

那些表述针对于的成就，恰是Context Engineering观点所笼盖的，好比倡议开辟者监控 token本钱取高低文有用性，并把检索/东西挪用看成 Prompt 构造的一部门等等。

各人的表述观点还没有分歧，但是面前所指的痛面差异——Context Engineering的才气不敷，限制了模子有用获得战使用布景疑息的才气。

此前，各人关于「怎样让AI更懂您」的成就，存留二个典范的歪曲：

第一个歪曲是，只要增加窗心便处置。

好比正在 Cluade 拉出 100K 时，各人遍及觉得那条路子是可止的。但是 Anthropic 的内乱测显现，Claude-3 Sonnet 正在 1 M token 窗心若混进高相干质料，部分精确率却清楚降落。

OpenAI 也正在少高低文模子 GPT-4.1 Prompting Guide 中夸大：1M-token 窗心需要“正在顶部战尾部共时搁枢纽指令”，以免疑息被浓缩。

Manus 的手艺专客也写讲，模子功用正在超越必然高低文少度后会降落，即使其高低文窗心正在手艺上撑持更少的少度。

多个共类钻研纷繁发明了那个成就，并称为「attention donut hole」：模子更存眷收尾战末端，无视中段。

那便表示着，高低文的布景疑息没法颠末年夜窗心去处置，窗心巨细并非“搁几皆有用”，窗心启患上“越多越佳”是一个误区。

第两个歪曲是，AI输出欠好，是因为 Prompt 写患上欠好。

有的用户会让一个年夜模子去写 Prompt，再让另外一个年夜模子施行输出。那确实能提拔年夜模子的输出才气，许多 AI agent 产物也是接纳类似的逻辑运行。但是幻想上，AI 的输出才气不但与决于用户的 Prompt，借很年夜水平上与决于高低文布景。

IBM 苏黎世钻研院的一点儿尝试数据显现，他们正在数教比赛数据散 AIME-2024 上，仅颠末注进构造化东西、无需调参，便让 GPT-4.1精确率从 26.7% 提拔到 43.3%，取 o1-preview 模子44.6%相称。

Manus 也分享道，颠末颠簸前缀+逃减式高低文，他们使 KV-cache 掷中率超越 70%，单次挪用用度落至本来的1/10。

总的去瞅，Prompt Engineering决定的是AI会“如何道”；而Context Engineering则决定它能“明白甚么”。

便比如一小我私家来瞅大夫，Prompt 是请求大夫是给开口服药仍是输液大概是入手术；而 Context Engineering 则是让大夫明白患者的病历，对于哪些药物过敏等布景疑息。

取 Prompt Engineering 比拟较，Context Engineering 是笼盖疑息管线齐链路：检索 → 过滤 → 择要/收缩 → 权力查抄 → 序列化 → 慢存复用 → 监控回滚。

而从 Context Engineering 那个观点的组成去瞅，支流综述一般分别为三类根底组件战四类体系完毕。

根底组件包罗：Context Retrieval & Generation：背质检索、搜刮、Few-shot 主动天生/Context Processing：少序列裁剪、构造抽与、择要收缩/Context Management：多层影象、KV-cache战略、权力取版原掌握。

体系完毕包罗：Retrieval-Augmented Generation（RAG）/Memory Systems（短时对于话 + 万古耐久）/Tool-Integrated Reasoning（Function Calling）/Multi-Agent Orchestration。

Context Engineering 观点的提出，把“年夜模子+Prompt” 升级为了 “数据—影象—东西” 三位一体的供应链，它让AI公司观点到，要像办理数据库取慢存这样办理高低文，把相干性、格局、时延、本钱一并纳入工程目标。

近况：

另有谁正在对准Context Engineering？

邪如许多批评所指出的，Context Engineering 所指的成就，实际上是全部止业配合面对的构造性窘境。那末，除 Manus 下调颁布发表要押注 Context Engineering 中，止业中另有哪些脚色已经正在动手促进那一窘境的处置呢？

咱们收现在仄台层、架构层、使用层，另有一点儿立异名目皆已经正在根究 Context Engineering 的手艺处置计划。

仄台层：把“高低文”写退产物规格

OpenAI

正在 Context Engineering 的根究圆里，OpenAI 建立了"扩窗+慢存+曲连"的三层架构：GPT-4o 的 128K 窗心战函数挪用为年夜容质疑息处置奠基根底，Prompt Caching 成为民间举荐的本钱掌握伎俩，而在公测的 Connectors功用则让用户云盘间接成为模子的"内部影象"。

Anthropic

他们是颠末 Model Context Protocol（MCP）取 Prompt Caching 的手艺拉拢，促进 Context Engineering 的根究：MCP处置 "怎样跟尾"的尺度化成就，Prompt Caching处置 "怎样下效使用"的功用成就。

MCP类似于"AI 使用的 USB-C 交心"，颠末分歧交心跟尾 Slack、Notion、GitHub 等多种企业东西，为AI模子会见内部数据供给尺度化和谈。

Notion 颠末 MCP 完毕了 Claude 宁可事情空间的深度散成，用户能够颠末天然语言间接操纵 Notion 页里、搜刮实质战办理数据库。而 Anthropic 的 Prompt Caching 手艺也让 Notion AI 完毕了本钱低落 90%、提早耽误 85% 的清楚提拔。

Google DeepMind

Gemini 1.5 正在 1M tokens 窗心内乱引进主动收缩算法：先干语义择要，再搁进窗心。因为民间尝试显现，若间接塞进高相干质料精确率会清楚降落，收缩后偏差则返回一般区间。

正在仄台层，各人的根究标的目的是，把“年夜窗 + 交心 + 慢存”三件套固化为仄台才气，而各人正在标的目的上的区分正在于，OpenAI 是先连文献体系，Anthropic更重视和谈、死态，Google 则把重点搁正在少序列鲁棒性算法上。

开辟框架层：根究高低文流火线“东西化”

LangChain正在用“Write-Select-Compress-Isolate”四段法，把检索、择要、断绝装成可插拔节面，默认埋面统计 token使用率。

LlamaIndex偏重正在分层索引取静态路由，会话汗青走内乱存，企业文档退背质库，搜刮成果按需拼拆。

另有Voiceflow、SuperAGI 等新企业，则是把 MCP效劳器、背质检索取权力办理干成一键布置的模板。

已往各人觉得写 Prompt 的小我私家本领是作用输出品质的枢纽，但是开辟框架那一层瞅到，真实决定结果的是正在提醒词汇面前这条调整、变换、喂给模子的残破数据流火线——那条流火线便像保守数据工程里的 ETL 剧本（Extract-Transform-Load）一致。

因而，一点儿企业开端根究“拆修 Context Pipeline”的体系工程去应付。

使用层：将掷中率望为性命线

Manus 的手艺专客道，

「假设尔必需挑选一个目标，尔觉得 KV-cache 掷中率是消耗阶段 AI Agent 最主要的简单目标」，此中借表露了他们怎样使用连结提醒前缀颠簸、使高低文仅逃减、需要时大白标识表记标帜慢存断面等法子，提拔 KV-cache 掷中率。

他们借觉得，「MCP 近来的流行不过推波助澜」。可是，Notion AI 战 Claude 的协作，恰是颠末 MCP 单背写进数据库，Prompt Caching 助其年夜幅收缩本钱去提速。

Databricks 的思路则是，让企业统统 Delta 表、背质索引取权力系统本死交进 LLM。其民间专客正在 2025 年末拉出一揽子 RAG 组件，提出「下品质 RAG = 数据管线 + 检索排序 + 慢存监控」等战略。

那些团队的战略类似面正在于，把掷中率设为北极星目标，而后环绕它反拉检索、择要、慢存战东西办理的细节。

别的，以前另有许多产物是为了处置用户“屡屡皆要自尔介绍”的体会痛面，垂垂也根究出一条建立 Context Engineering 的根究门路，比方把间接把内部文档交退模子。

好比 Claude×Notion，正在用户受权后，Claude 可立即检索、汇总尽情页里并回写；从“揭段文原”升级为“读与活数据”，完全免除复造粘揭。

又好比 ChatGPT×Drive/Gmail，传闻 Connectors 将许可 ChatGPT 浏览正在线文献或者邮件，连结本有权力系统稳定。

借一类是期望买通企业级散成的根究，这种用户关于 Context Engineering 会有更下的数据宁静请求，正在金融、医药等笔直场景，有颠末私有 MCP效劳器将 SharePoint、S3 Bucket 取 LLM 买通的根究，正在制止敏感数据中流的条件下，用分层权力细粒度掌握会见。

作用：

Context Engineering 怎样改动立异？

邪如 Manus 所道，

「Context Engineering仍然是一门新兴的科学——但是关于 Agent零碎来讲，它已经相当主要。模子可以在变患上更强、更快、更自制，但是再强的本初才气也没法代替对于影象、情况战反应的需要。您怎样塑制高低文，终极界说了您的 Agent 的举动方法：它的运行速率、规复才气和扩大的水平。」

但是 Context Engineering 的作用必然没有限于 Agent范围，那是统统 AI 公司的配合窘境，谁能包抄，谁才是下一个 DeepSeek 。

除能够设想的 AI 对于话、AI Agent 会受到底子性作用中，另有二个范围也严峻受造于 Context Engineering 而陈有效果。

一个范围是企业级 AI。

已往一年，ClickUp、Notion、Google Workspace 等合作仄台争相上线“把女伶 href="https://www.taojin168.com/cloud/" target="_blank">公域文献间接交退模子”的才气。ClickUp 最新拉出 Brain MAX 可跨任务、文档取第三圆使用干分歧搜刮。但是模子仿佛只可颠末“in-context learning”立即读与数据，若缺少检索、收缩取慢存战略，成果依旧没有可靠。

那一面映照到更普遍的 SaaS 场景——库存、CRM、工单体系——皆面对统一病症：数据固然勾通了，但是高低文调理没有到位，AI 仍给没有出营业级谜底。

统统人皆明白企业级女伶 href="https://www.taojin168.com" target="_blank">公域数据是一座金矿，但是统统人皆缺一把处置 Context Engineering 的金铲子。

另外一个范围则是AI软件。

不管是眼镜、耳机、项链或者此外 AI 软件形状皆有一个主要的产物设想，假设尔能陪同用户越暂，尔就可以汇集更多的疑息，进而越发懂用户。

但是 Context Engineering 那座年夜山仍然挡正在长远，再多的传感器也只可聚集更多疑息，下层年夜模子怎样应付处置那些疑息，将会极年夜作用软件体会。取对于话窗心比拟，AI 软件所面临的疑息更庞大、更不成控，他们关于 Context Engineering 的进步也更加火急。

要道AI软件会甚么时候才气真实老练可用？

实在很年夜水平上也便依靠于 Context Engineering 的突破。