Manus
AI agent 公司——以「Stochastic Graduate Descent」式迭代发展出生产验证的 context engineering 框架
Manus 历经四次架构重建，总结出 context engineering 五维框架。核心经济洞察：agent loop 的 prefill/decode 比例约 100:1，prefix cache 命中率是首要生产成本杠杆（Claude Sonnet：命中 3.00/MTok——10× 成本差）。
Manus
简介
Manus 是一家 AI agent 公司，开发了同名的通用自主 agent 产品。在上下文工程（context engineering）领域，Manus 团队以公开分享生产级 agent 架构经验著称，其博客文章《Context Engineering for AI Agents: Lessons from Building Manus》（作者：Yichao “Peak” Ji）成为行业重要参考。
对 Context Engineering 的贡献
Manus 经历了四次架构重建（自称”Stochastic Graduate Descent”），发展出一套生产验证的 context engineering 五维框架：
| 维度 | 核心策略 |
|---|---|
| Context Offloading | 文件系统作为无限外部 memory，零 token 成本 |
| Context Reduction | 仅限可恢复压缩（保留路径/URL 指针） |
| Context Retrieval | 文件搜索工具作为结构化检索层 |
| Context Isolation | 子 agent 在独立 context window 中运行 |
| Context Caching | Stable prefix engineering + session affinity 路由 |
核心经济洞察：agent loop 的 prefill/decode 比例约 100:1，prefix cache 命中率（Claude Sonnet：命中 3.00/MTok）是首要生产成本杠杆。
代表性技术决策
Logit Masking 替代动态工具移除：在 agent loop 中修改 tools 数组会破坏 KV cache。Manus 保持完整工具集不变，通过解码阶段的 logit masking 约束动作空间。
todo.md 的注意力工程：通过在每次迭代中更新 todo.md 文件，将全局计划维持在 context 近期位置，对抗”中间迷失”（lost-in-the-middle）退化。
错误保留策略：刻意保留失败记录和错误信息，为模型提供隐式 belief update，使错误恢复行为自然涌现。
相关来源
- Manus Context Engineering 博客 — 五维框架、KV cache 优化、生产经验
- Prefix caching — Manus 对 prefix cache 优化的具体实践