Manus 上下文工程：应对大模型多工具调用的三大核心策略

Langchain 和 Manus 最近搞了个线上分享，Manus 首席科学家季逸超分享了 Manus 的上下文工程典型 Manus 任务会使用 50 次工具调用。若不进行上下文工程，工具调用结果会堆积在 LLM 上下文窗口，导致 LLM 性能下降。Manus 上下文工程三大核心方法：（一）缩减（Reduce）：压缩与总结1. 压缩策略：Manus 中许多工具调用有 “完整” 和 “简洁” 两种表示形式。完整版本含工具调用原始内容（如完整搜索结果），存储于沙箱（如文件系统）；简洁版本则存储对完整结果的引用（如文件路径）。当智能体接近上下文窗口限制时，Manus 会用策略执行压缩，将较旧工具结果替换为简洁版本，保留较新工具结果完整形式以指导下一步决策，类似 Anthropic 的上下文编辑功能。2.总结策略：当压缩回报递减时，Manus 会基于完整工具结果生成总结，并使用特定模式定义总结字段，为任何智能体轨迹创建一致的总结对象。（二）隔离（Isolate）：战略性子智能体设计1. 子智能体设置原则：避免多智能体系统中常见的拟人化分工，因 LLM 无人类认知限制，仅使用少量专门子智能体，包括管理工作的规划器、审查对话并确定文件系统保存内容的知识管理器、委派任务的执行器，以减少智能体间通信难度与通信开销。2. 任务规划方式转变：Manus 最初用 todo.md 进行任务规划，但约 1/3 操作用于更新待办清单，浪费 tokens，后转为子智能体模式，由专门规划器通过函数调用子智能体（执行者）。3. 上下文共享规则- 简单任务（如规划器仅需输出）：规划器向子智能体发送指令，类似 Claude Code 的任务工具。- 复杂任务（如子智能体需写入父智能体也使用的文件）：规划器与执行器子智能体共享完整上下文，子智能体虽有自身动作空间（工具）和提示词，但会接收父智能体完整上下文（如完整对话历史）。4. 输出规范：规划器定义子智能体的输出模式，子智能体有 “提交结果” 工具，在向规划器返回结果前填充该模式，Manus 通过约束解码确保输出符合定义模式。（三）卸载（Offload）：分层动作空间1. 工具使用痛点：构建智能体时，使用大量工具会使工具描述占用宝贵 token，且部分工具（常重叠或模糊）会导致模型困惑；动态检索工具（基于任务索引工具描述并实时获取）若与智能体之前调用工具不同，也可能让模型困惑。2. Manus 分层设计- 函数调用层：十分精简，仅含不到 20 个 LLM 可调用的原子函数，如执行任意 shell 命令的 shell 工具、读写文件的文本编辑器，凭借这些简单通用函数，智能体可执行极广泛操作。- 沙箱层：Manus 将许多操作（如语音工具、MCP CLI 等实用工具，以 shell 命令形式存在）推至沙箱层而非函数调用层。智能体指令仅简要提及可用实用工具，指导智能体通过--help等命令了解工具。3. 文件系统访问：Manus 可访问文件系统，类似 Claude Code，使用glob和grep等基本 UNIX 工具搜索文件系统，不依赖索引或向量存储；但 Peak 提到在企业知识库等大规模文档集合场景中，索引有用，可通过 MCP 连接 Manus。总结：缩减：压缩较旧工具结果（如带文件链接），压缩达收益递减时进行总结。卸载：将工具结果保存到上下文窗口外部（如文件系统），以便按需访问。隔离：将任务委派给有独立上下文窗口的子智能体，依任务复杂度共享指令或完整上下文。链接：rlancemartin.github.io/2025/10/15/manus视频：www.youtube.com/watch?v=6_BcCthVvb8

新浪微博 2025-10-17 00:00:00