本文探讨AI Agent在多次工具调用后的"上下文腐烂"问题，介绍Manus公司三大解决策略：缩减（双版本机制和结构化摘要）、隔离（多Agent架构）和卸载（分层动作空间与文件存储）。这些策略相互支撑，帮助Agent保持长期任务性能。文章强调简化设计优于扩展，建议采用跨模型验证和多维度评测体系，确保架构能适应未来模型发展，避免成为性能瓶颈。

---

当 AI Agent 执行 50 次工具调用后，它的"记忆"还能保持清醒吗？

---

写在前面

最近因为在做上下文工程/Memory 相关的事情，完整地看了一下 Lance Martin 与 Manus 联合创始人兼 CSO Yichao “Peak” Ji 的网络研讨会技术分享[1]（原文笔记[2]）。

本文来自我看完网络研讨会后的笔记（文中配图也来源于原文），仅用作学习交流用，可能存在理解偏差或事实问题，欢迎指正。如有内容侵权，可联系本人删除。

这篇文章的初衷主要是：

1. 自己做笔记
2. 让更多人知道这个分享

我还是推荐大家去读原文、看原视频。 我这里的笔记都存在压缩，或者是在通过自己的理解转译之后，可能存在些许偏差。如果你是专业做这个领域的，一定要去读原文和视频。

Manus 是目前最受欢迎的通用 AI Agent 之一，一个典型的 Manus 任务平均需要调用 50 次工具。这意味着什么？意味着上下文窗口会被大量的对话历史、工具调用结果、中间状态填满。

而随着上下文窗口填满，LLM 的性能会显著下降——这就是所谓的「上下文腐烂[3]」（Context Rot）。

正如 Andrej Karpathy[4] 所说：

上下文工程是一门精细的艺术和科学，旨在为 Agent 轨迹的下一步填充恰到好处的信息。

那么，Manus 是如何解决这个问题的？

---

三大核心策略

Manus 的上下文工程可以概括为三个核心策略：

缩减（Reduction）→ 隔离（Isolation）→ 卸载（Offloading）

这三者不是孤立的，而是相互支撑的系统。

---

策略一：上下文缩减（Context Reduction）

1. 工具结果的双版本机制

Manus 为每个工具调用维护两个版本：

版本	说明
完整版	原始内容（如完整搜索结果），存储在文件系统
紧凑版	只存储引用（如文件路径）

压缩策略：

• 对「陈旧」的工具结果应用压缩，用紧凑版替换完整版
• 保留较新的结果完整版，以指导 Agent 的下一步决策
• Agent 需要时仍可通过引用获取完整内容

这就像是把不常用的文件移到外部硬盘——节省空间，但随时可取。

2. 结构化摘要

当压缩达到收益递减点时，Manus 会对整体轨迹进行摘要。

💡 所谓「收益递减点」，是指继续逐条压缩工具结果的边际收益开始下降——此时与其继续逐条微调，不如直接做一次整体摘要。这通常发生在上下文积累到一定规模后，冗余信息增多，继续压缩的复杂度和成本上升。

如何确保摘要的准确率？

关键技巧是避免 free-form 格式，采用结构化 Schema：

• ❌ 不要让 AI 自由发挥写摘要（容易遗漏关键信息、格式不一致）
• ✅ 预定义摘要的 Schema/表格结构，让 AI 直接往格式里填充
• 这样可以确保摘要的完整性和一致性，减少信息丢失

---

策略二：上下文隔离（Context Isolation）

务实的多 Agent 设计

很多人设计多 Agent 系统时，喜欢模拟人类分工——设计师、工程师、项目经理……

但 Peak 的观点很直接：避免拟人化分工。

人类因认知限制而按角色组织，但 LLM 不一定有这些限制。

子 Agent 的核心目标是隔离上下文，而非模拟人类分工。

架构设计

组件	职责
规划器（Planner）	分配任务
知识管理器（Knowledge Manager）	审查对话，决定什么应保存到文件系统
执行器子 Agent（Executor）	执行规划器分配的任务

上下文共享的艺术

根据任务复杂度采用不同策略：

• 简单任务：规划器通过函数调用传递指令，只需获取输出
• 复杂任务：共享完整上下文，子 Agent 有自己的工具和指令

💡 踩坑教训

Manus 最初用 todo.md 做任务规划，结果发现约 1/3 的动作都在更新待办列表，浪费了宝贵的 token。

后来改用专门的规划器 Agent，问题迎刃而解。

---

策略三：上下文卸载（Context Offloading）

分层动作空间（Hierarchical Action Space）

绑定大量工具会消耗 token，且可能造成模型困惑。Manus 的解决方案是三层架构：

Level 1: Function Calling（函数调用层）

• 标准的、schema-safe 的调用方式
• 使用少量（< 20 个）原子函数：message, shell, search, file, browser 等
• ⚠️ 缺点：每次变化都会破坏 KV Cache，太多函数会导致上下文混淆

Level 2: Sandbox Utilities（沙箱工具层）

• 每个会话运行在完整的 VM 沙箱中
• 模型可以调用 shell 工具（CLI），如 $ manus-mcp-cli、$ manus-render-diagram
• ✅ 优点：易于扩展，无需修改模型上下文；适合大输出 → 写入文件

Level 3: Packages & APIs（包与 API 层）

• Manus 编写 Python 脚本来调用预授权的 API
• 适合数据密集型或链式任务
• 例如：fetch city → get ID → get weather → summarize
• ✅ 核心理念：保持模型上下文干净，只用上下文做推理

工具结果的卸载

• 工具结果卸载到文件系统，生成紧凑版引用
• 使用基本工具（如 glob 和 grep）搜索文件系统，无需索引或向量存储

设计理念

这与 Claude Code 的 Skills 功能[5]理念相似——渐进式披露（Progressive Disclosure）。

Skills 存储在文件系统而非绑定为工具，Claude 只需几个简单的函数调用就能按需发现和使用它们。

---

三大策略的协同关系

这三个策略不是孤立的，而是相互支撑：

卸载 + 检索  →  使压缩成为可能（完整数据可按需恢复）     ↓可靠的检索  →  使隔离成为可能（子 Agent 可获取需要的上下文）     ↓隔离        →  减少压缩频率（每个子 Agent 有独立窗口）     ↓    所有策略都在 KV Cache 优化的框架下运作

---

模型路由策略

Manus 采用任务级路由，不同任务使用不同模型：

任务类型	推荐模型
编码	Claude
多模态任务	Gemini
数学和推理	OpenAI

同时利用 KV Cache 优化成本和延迟。

---

构建时牢记 Bitter Lesson

Lance 在原文中将 Manus 的设计理念与**苦涩的教训（Bitter Lesson）[6]**联系起来：

1. 保持简单和无偏见的设计——更容易适应模型改进
2. 接受持续变化——Manus 自 3 月发布以来已重构 5 次！
3. 避免限制性框架——Agent 的 harness 可能限制性能随模型提升

验证方法：跨模型测试

在 Peak 的分享中，被问及如何验证不同 Agent 有没有受到限制性框架影响智能时，他的方法是：

• 在不同强度的模型上运行 Agent 评估
• 如果性能没有随更强模型提升，说明你的框架正在拖累 Agent（harness is hobbling the agent）
• 这可以帮助验证你的架构是否「面向未来」（能够适应未来模型的进展）

正如 Hyung Won Chung[7] 也曾建议道：

“Add structures needed for the given level of compute and data available. Remove them later, because these shortcuts will bottleneck further improvement.”

（根据当前可用的计算和数据添加必要的结构，之后再移除它们，因为这些捷径会成为进一步改进的瓶颈。）

---

关于评测

Manus 最初也使用公开评测集（如 GAIA），但发现与实际用户行为和预期偏差很大。现在采用三层评测体系：

评测方式	说明	适用场景
黄金标准：用户评分	每次任务结束后让用户评分，计算完成任务的平均用户得分	真实用户满意度
内部自动化测试	自建评测集（答案清晰）： ① 公开评测集（偏 read-only 任务） ② 自设计的执行/事务性任务（有可重置的测试沙盒）	回归测试、架构验证
实习生人工评测	网站生成、数据可视化等难以量化的任务，依赖主观人工评测	创意/生成类输出

💡 启示：单一评测维度不够，需要结合用户反馈、自动化测试和人工评测才能全面评估 Agent 质量。

---

最后的忠告

Peak 在分享最后特别强调了一点：

More context ≠ more intelligence

更多上下文 ≠ 更多智能

Simplification beats expansion

简化优于扩展

Our biggest gains came from removing, not adding.

最大的收益来自移除，而非添加。

Keep the boundary clear — then get out of the model’s way!

保持边界清晰，然后让开，别挡模型的路！

最后

选择AI大模型就是选择未来！最近两年，大家都可以看到AI的发展有多快，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，人才需求急为紧迫！

人工智能时代最缺的是什么？就是能动手解决问题还会动脑创新的技术牛人！智泊AI为了让学员毕业后快速成为抢手的AI人才，直接把课程升级到了V6.0版本‌。

这个课程就像搭积木一样，既有机器学习、深度学习这些基本功教学，又教大家玩转大模型开发、处理图片语音等多种数据的新潮技能，把AI技术从基础到前沿全部都包圆了！

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

课程还教大家怎么和AI搭档一起工作，就像程序员带着智能助手写代码、优化方案，效率直接翻倍‌！

这么练出来的学员确实吃香，83%的应届生都进了大厂搞研发，平均工资比同行高出四成多‌。

智泊AI还特别注重培养"人无我有"的能力，比如需求分析、创新设计这些AI暂时替代不了的核心竞争力，让学员在AI时代站稳脚跟‌。

课程优势一：人才库优秀学员参与真实商业项目实训

课程优势二：与大厂深入合作，共建大模型课程

课程优势三：海外高校学历提升

课程优势四：热门岗位全覆盖，匹配企业岗位需求

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

·应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

·零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

·业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

重磅消息

人工智能V6.0升级两大班型：AI大模型全栈班、AI大模型算法班，为学生提供更多选择。

由于文章篇幅有限，在这里我就不一一向大家展示了，学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。

【最新最全版】AI大模型全套学习籽料（可无偿送）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

获取方式：有需要的小伙伴，可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

来智泊AI，高起点就业

培养企业刚需人才

扫码咨询 抢免费试学

⬇⬇⬇

AI大模型学习之路，道阻且长，但只要你坚持下去，就一定会有收获。