Planning With Files 参考

# 参考：Manus 上下文工程原则 此技能基于 Manus 的上下文工程原则，Manus 是一家在 2025 年 12 月被 Meta 以 20 亿美元收购的 AI 智能体公司。 ## 6 条 Manus 原则 ### 原则 1：围绕 KV 缓存设计 > "KV 缓存命中率是生产级 AI 智能体最重要的指标。" **统计数据：** - 输入到输出 Token 比率约为 100:1 - 缓存 Token：$0.30/MTok vs 未缓存：$3/MTok - 10 倍的成本差异！ **实施：** - 保持提示词前缀稳定（单 Token 变化会使缓存失效） - 系统提示词中不要包含时间戳 - 使用确定性序列化使上下文变为“仅追加”模式 ### 原则 2：掩码，而非移除 不要动态移除工具（会破坏 KV 缓存）。改用 Logit 掩码。 **最佳实践：** 使用一致的操作前缀（例如 `browser_`, `shell_`, `file_`）以便于掩码。 ### 原则 3：文件系统作为外部记忆 > "Markdown 是我磁盘上的‘工作记忆’。" **公式：** 上下文窗口 = RAM（易失性，有限） 文件系统 = 磁盘（持久性，无限） **压缩必须可恢复：** - 即使网页内容被丢弃，也要保留 URL - 丢弃文档内容时保留文件路径 - 永远不要丢失指向完整数据的指针 ### 原则 4：通过复述操纵注意力 > "在任务中创建并更新 todo.md，将全局计划推送到模型的近期注意力范围。" **问题：** 在约 50 次工具调用后，模型会忘记最初的目标（“迷失在中间”效应）。 **解决方案：** 在每次决策前重读 `task_plan.md`。目标会出现在注意力窗口中。 上下文开始：[原始目标 - 很远，已遗忘] ...多次工具调用... 上下文结束：[最近读取的 task_plan.md - 获得注意力！] ### 原则 5：保留错误的内容 > "把错误的尝试留在上下文中。" **原因：** - 带有堆栈跟踪的失败操作让模型能够隐式更新其信念 - 减少错误重复 - 错误恢复是“真正智能体行为最清晰的信号之一” ### 原则 6：不要过度使用少样本 (Few-Shot) > "统一性滋生脆弱性。" **问题：** 重复的操作-观察对会导致漂移和幻觉。 **解决方案：** 引入受控变化： - 稍微改变措辞 - 不要盲目复制粘贴模式 - 在重复任务上重新校准 --- ## 3 种上下文工程策略 基于 Lance Martin 对 Manus 架构的分析。 ### 策略 1：上下文缩减 **压缩：** 工具调用有 TW