上下文工程：Manus 的六条原则，以及数字员工的上下文该由谁来管

一个 agent 每一步都要把此前的全部状态喂给模型。上下文怎么装、怎么压、压掉的东西还能不能找回来，直接决定它能不能把一件长任务做完。2026 年 9 月，我们把 Manus 团队公开讲过的上下文工程内容读了一遍，包括 2025 年 7 月的博客、2025 年 10 月与 LangChain 的研讨会，以及几次访谈的转述。这篇文章整理其中可核对的部分，再对照我们自己的做法。

为什么 200K 以上的上下文不重要

Manus 联合创始人季逸超在访谈里有一句被广泛转述的话：200K 以上的 context 就不重要了。理由不是模型放不下，而是三件事：

• 观察结果太大。网页、PDF 一次就能吃掉几万 token。
• 模型表现会随长度下降。窗口标 100 万，通常在 20 万左右就开始重复、变慢、变差。
• 长输入贵。就算有前缀缓存，输入输出比常在 100 比 1。

他给的解法是让模型具备「压缩意识」：上下文很长时，知道把信息卸载到文件系统里，只留摘要，并且明白这些信息是被压缩了，不是消失了。需要时按路径取回。

博客里的六条原则

原文标题是 Context Engineering for AI Agents: Lessons from Building Manus。六条原则可以压成一句话一条：

1. 围绕 KV 缓存设计。 命中率是生产环境 agent 最重要的单一指标。系统提示前缀要稳定，不要放精确到秒的时间戳。上下文只追加，不改历史。序列化要确定。
2. 遮蔽而不是移除工具。 工具定义在上下文最前面，中途增删会让后面全部缓存失效，还会让模型引用已经不存在的工具。用 logit 遮蔽来限制可选动作。
3. 把文件系统当上下文。 任何不可逆的压缩都有风险，因为没人能预测十步之后哪条观察会变得关键。所以压缩必须可恢复：网页内容可以丢，URL 要留；文档内容可以丢，路径要留。
4. 用复述操纵注意力。 长任务平均 50 次工具调用，模型会跑偏。Manus 让 agent 维护一个 todo 文件并不断重写，把全局目标推到上下文末尾、最近的注意力范围内。
5. 保留错误。 抹掉失败就抹掉了证据。失败的动作和堆栈留在上下文里，模型才会更新自己的判断。
6. 别被 few-shot 带偏。 上下文里全是相似的动作观察对，模型会机械重复。刻意引入一点结构性变化。

2025 年 10 月的更新：阈值、阶梯和 todo 的反转

博客本身没有给数字。研讨会上补上了：

• 可用长度：多数模型在 20 万 token 左右开始出现 context rot。能放得下不等于能处理好。
• 先 compaction 再 summarization。每个工具调用有完整和紧凑两种表示，紧凑版去掉能从外部状态重建的信息。比如写文件的内容字段可以省略，因为文件已经在环境里了。先把最旧一半的工具调用换成紧凑版，收益递减后再做摘要，摘要时保留最后几次调用的完整细节。
• todo 复述被撤回了。 统计发现约三分之一的动作花在更新 todo 上。后来改成独立的 planner 通过结构化工具调用给执行 agent 下发任务。

第三条值得单独记住。博客里最被引用的技巧，三个月后被作者自己以数据推翻。

createrole 目前怎么做

我们的数字员工在自己的电脑上干活，上下文压缩由服务端自动完成，模型不参与决策。分四个阶梯：

• 装配时遮蔽。 每次组装消息，最近两条以外的历史工具结果一律换成占位符。原文在数据库里，模型有一个内置工具可以回捞。
• 发送前裁剪。 估算超出预算，就丢最旧的工具交换或问答轮，系统提示和摘要不动。
• 回合中途主动压缩。 一个回合里工具连着调，占用逼近预算九成时，遮蔽本回合较早的工具结果。估算值和上一轮实测值取更保守的那个。
• 撞窗重试。 真的超了窗口，最多重试两次，最后一次按比例截断单条超大消息。

压缩之外，还有一条异步摘要：摘要模型蒸馏历史，再机械抽取所有 URL 和绝对路径做逐字附录。压缩发生时用户会收到一条提示，但这条提示不进模型上下文。

对照六条原则：系统提示常量化、易变信息放在当前回合、工具清单固定、错误原样回喂、计划文件全量重写，这五项已经对齐。文件系统即上下文做到了一半：占位符可以回捞，但占位符本身不带路径，模型只知道有一条结果被省略，不知道原文件可以重新读。

还没做到的一件事：压缩意识

我们的模型从头到尾看不到自己用了多少上下文，不知道哪条工具结果何时被遮蔽，也不知道摘要何时替换了历史。它唯一主动外置的动作是写计划文件和写记忆，而这两者的触发条件都和上下文占用无关。

这就是差距所在。三个候选方向，按风险从低到高：

1. 占位符带上可恢复路径，大观察直接落盘，回喂只给头尾加路径。纯文本模板改动，几乎零风险。
2. 每回合把上下文占用作为一个量化到十档的信号注入当前回合，规定跨过某档时把已确认事实、已产出文件路径和下一步写进笔记文件。
3. 压缩前先让模型写一份交接笔记，再执行遮蔽和摘要。摘要模型只做合并。

计划文件的复述我们打算保留，但把频率从每完成一步改成事件驱动，避免重蹈三分之一动作在改 todo 的覆辙。计划和笔记也要分开：计划是要做什么，笔记是已经知道什么。

参考

• Manus 博客：Context Engineering for AI Agents: Lessons from Building Manus（2025-07）
• LangChain 与 Manus 研讨会 Context Engineering for Agents（2025-10），Lance Martin 的笔记
• 张小珺《商业访谈录》第 128 期季逸超专访的公开转述（2025-12）