3 个有用工具
1 个有趣案例
3 个鲜明观点
https://github.com/aw31/openai-imo-2025-proofs
Manus「删博跑路」后，创始人首次深度复盘：公开产品细节，总结教训
与其耗时训练，不如围绕大模型构造「记忆」和流程。上下文工程让你在几小时而不是几周内发布产品更新。
输入越稳定，缓存命中率越高，成本和延迟越低。三条实战建议：
- 避免提示中使用时间戳；
- 只追加上下文，避免修改历史记录；
- 手动标记缓存断点，保障前缀一致性。
动态修改工具列表会让缓存失效、模型混乱。Manus 使用「遮蔽 token logits」的方法，让模型「看不见」不应调用的工具。
大模型上下文再长也会被打满。Manus 让模型把长期记忆写入虚拟文件系统，按需读写，实现「外部记忆」，规避信息丢失。
模型容易「中途忘记目标」。Manus 会不断用自然语言更新并重述 todo.md 文件，把全局目标拉回注意力焦点，防止任务跑偏。
失败是构建 Agent 过程中的一部分。保留错误日志（如失败的操作、堆栈信息），能帮助模型更新内部信念，减少重复错误。
模型会盲目模仿上下文中的行为模式。Manus 通过引入结构化变化（如不同措辞或顺序），避免模型在长任务中陷入复制粘贴式幻觉。
