本文由 Manus 的开发者 Yichao 'Peak' Ji 撰写，分享了在构建 AI Agent（智能体）过程中关于“上下文工程”（Context Engineering）的核心经验。作者指出，相比于耗时且难以迭代的端到端模型微调，Manus 选择基于前沿模型的上下文学习能力进行构建，通过优化上下文结构来实现快速迭代。

文章总结了六大核心原则：

1. 围绕 KV-Cache 设计：KV-Cache 命中率是生产环境的关键指标，直接影响延迟和成本。开发者应保持 Prompt 前缀稳定、采用“仅追加”模式并明确缓存断点。
2. 掩码而非删除：面对庞大的工具库，不应动态删除工具（这会破坏缓存并导致模型困惑），而应通过 Logit 掩码（Masking）在解码阶段限制动作空间。
3. 将文件系统视为上下文：针对长上下文导致的性能下降和高成本，Manus 将文件系统作为外部持久化存储，让模型按需读写，实现可恢复的上下文压缩。
4. 通过“背诵”操纵注意力：利用如 todo.md 的任务列表，让模型在长任务中不断重申目标，防止注意力漂移。
5. 保留错误记录：不要清理失败的尝试，错误记录是模型学习和自我修正的关键证据。
6. 避免过度 Few-shot：过多的同质化示例会导致模型陷入行为模式的死循环，应引入结构化变体以增强鲁棒性。

作者强调，上下文工程是定义 Agent 行为、效率和扩展能力的关键，是构建智能体未来的基石。