https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus
⦁ 选择上下文工程：团队放弃端到端训练，选择基于前沿大模型的上下文工程，以实现更快的迭代和模型解耦。
⦁ KV-Cache 优化：高缓存命中率能显著减少延迟和推理成本，必须保持上下文前缀稳定、追加式记录，避免频繁变更上下文。
⦁ 工具管理 —— 遮蔽而非移除：不在执行中动态更改可用工具，而是根据上下文遮蔽不需要的操作，防止缓存失效和模型混乱。
⦁ 文件系统做“外部记忆”：将重要信息写入文件系统，超出上下文窗口的信息可随时读写，持久且无限容量。
⦁ 通过“复述”操控模型注意力：不断重写如 todo.md 这类全局目标文件，把关键目标持续推进到模型注意力焦点。
⦁ 保留“错误轨迹”：上下文中不掩盖失败 / 错误记录，让模型能通过真实反馈自我纠正，提升周期任务表现。
⦁ 避免“Few-shot 陷阱”：上下文如有太多同质 action-observation 示例，模型容易机械模仿，需引入模板多样性打破模式。
#AI #Doc
---
如何构建 AI Agent 的上下文工程（Founder’s Park 的中文翻译版质量不错）
⦁ 选择上下文工程：团队放弃端到端训练，选择基于前沿大模型的上下文工程，以实现更快的迭代和模型解耦。
⦁ KV-Cache 优化：高缓存命中率能显著减少延迟和推理成本，必须保持上下文前缀稳定、追加式记录，避免频繁变更上下文。
⦁ 工具管理 —— 遮蔽而非移除：不在执行中动态更改可用工具，而是根据上下文遮蔽不需要的操作，防止缓存失效和模型混乱。
⦁ 文件系统做“外部记忆”：将重要信息写入文件系统，超出上下文窗口的信息可随时读写，持久且无限容量。
⦁ 通过“复述”操控模型注意力：不断重写如 todo.md 这类全局目标文件，把关键目标持续推进到模型注意力焦点。
⦁ 保留“错误轨迹”：上下文中不掩盖失败 / 错误记录，让模型能通过真实反馈自我纠正，提升周期任务表现。
⦁ 避免“Few-shot 陷阱”：上下文如有太多同质 action-observation 示例，模型容易机械模仿，需引入模板多样性打破模式。
#AI #Doc
---
如何构建 AI Agent 的上下文工程（Founder’s Park 的中文翻译版质量不错）
manus.im
Context Engineering for AI Agents: Lessons from Building Manus
This post shares the local optima Manus arrived at through our own "SGD". If you're building your own AI agent, we hope these principles help you converge faster.
