【深度專題】Context Engineering 是什麼？為什麼 Manus 團隊花千萬美金踩坑，只為搞懂「怎麼喂模型」？

什麼是上下文工程（Context Engineering）？

在生成式 AI 崛起後，越來越多開發者開始打造 AI Agent：讓語言模型像助理一樣，連續思考、多步操作、甚至自己規劃任務。
這些 Agent 不需要自己「從零訓練一個模型」，因為 GPT-4、Claude、Gemini 等模型已經夠聰明了——真正的挑戰，變成了「你餵進去的上下文好不好」。

所謂「上下文」，其實就是模型的輸入

對語言模型來說，它不記得你是誰，也不會主動學習，它只會根據「這一次輸入的內容」來猜下一個字要說什麼。
這次的輸入，就是上下文（context）。

所以，如果你希望一個 AI Agent 有記憶、有邏輯、有工具使用能力，那你就必須：

• 給它一個設計好的系統提示（system prompt）
• 讓它記得前面發生過什麼事（歷史輸入/輸出）
• 教它怎麼執行工具（Tool 使用規則）
• 幫它整理資訊（壓縮 / 儲存觀察到的資料）
  這一切的「設計上下文流程」的技術，就叫做 Context Engineering。

你可以把 Context Engineering 想像成「餵模型吃好吃的 prompt 食譜」：

就像一位語言模型是天才廚師，但你不給食材、或亂給食材，它也煮不出你想吃的東西。Context Engineering 就是那位掌控食材的人——
它決定：

• Prompt 要怎麼寫：清楚、具體、有格式
• 資料怎麼整理：要 JSON 嗎？還是 YAML？還是像自然語言？
• 記憶怎麼儲存：要放進上下文嗎？還是寫進檔案？
• 任務怎麼規劃：先做什麼？做完要不要複查？錯了要怎麼補救？

這一切都不改模型本身，只透過喂它更好的上下文，就能大幅改變它的表現。

Manus 團隊：用千萬美金踩坑後得出的設計哲學

Manus 是一個 AI agent 平台，從一開始就做出了一個與眾不同的決定：

❝ 不自己訓練模型，也不靠微調，而是全力投注在 Context Engineering 上。 ❞

他們在實作過程中踩遍各種地雷、重寫了 6 次框架，最終把經驗整理成一套極具參考價值的準則，稱得上是「實戰中淬鍊出的上下文工程七大原則」。

這些原則背後，並不是空泛的哲學，而是與現實中的 API 成本、執行延遲、錯誤率、使用體驗息息相關的架構設計關鍵。

接下來，我們就來逐條拆解這七個 Manus 團隊的「Context Engineering 生存法則」，看看如何透過 prompt、記憶、工具與錯誤處理的精細設計，讓一個 AI Agent 真的能用、能學、能修正。

Manus AI 團隊七大實戰心法：反共識卻實用

上下文工程比自己訓練模型更香

❝ 別造輪子，造路給模型走就夠了。 ❞

Manus 團隊一開始就做出戰略選擇：不訓練自己的模型，而是用現成的大模型＋自己控制上下文。這樣不但能更快出產品，每次模型更新（例如 Claude、GPT 升級）也能立刻受益。

KV-Cache 命中率是效能的命門

一個 prompt prefix 不穩，就讓你損失 10 倍成本。

KV-Cache（Key-Value Cache） 是大模型記憶機制的一部分，若上下文前綴保持一致，就能節省大量重複計算。
例如：Claude Sonnet 的 cache 命中每 1M tokens 僅需 $0.3 美元，未命中則要 $3！

避免 cache 失效的技巧包括：

• Prompt 前綴不能動（不能加 timestamp）
• JSON 序列要穩定（key 順序一致）
• 不動舊內容，只 append 新訊息

上下文只能「加」，不能「改」

就像寫日記，不能刪昨天的內容。

這是為了維持上下文一致性與 cache 命中率。哪怕只改了一行錯字或換了格式，都可能導致重新編碼整個上下文。最好的做法是：永遠追加、永不修改。

工具多，不代表要亂加減

❝ 遮蔽程式碼比刪除更聰明。 ❞

當 Agent 能使用的工具越來越多（例如 plugin、生成功能等），你會想根據任務刪掉無用工具。但這會讓上下文改變，導致 cache 崩潰＋模型混亂。

Manus 的做法是「不刪除工具，只在解碼時用 token 掩碼遮住它們」，讓模型看不到不該選的選項。
例如：

• browser_ 開頭的是網頁工具
• shell_ 是終端工具
  這種命名讓模型能按情境選工具，上下文卻維持不變。

檔案系統是「外掛記憶」

大語言模型記憶有限，但檔案系統沒限制。

當 agent 執行複雜任務時，可能會與 PDF、網頁、Codebase 等交互，大量內容無法塞進上下文。

Manus 的解法：直接讓模型學會寫入/讀取 sandbox 中的檔案。
只要記住「檔案路徑」，需要時再抓內容回來，這讓 context 永遠保持輕巧，但 agent 卻像有無限記憶一樣聰明。

錯誤紀錄是 agent 成長的關鍵

別刪錯誤訊息，那是模型學會「別再做傻事」的依據。

模型會犯錯，像選錯工具、看錯格式、工具回傳錯誤等。不要清掉這些紀錄，因為 留下錯誤紀錄，模型才能調整行為。這是一種「自然語言式的 reinforcement」。

Few-shot 太單一，模型會陷入套路

多樣化提示，才有多樣化行為。

過去提示學習講求「一致性」，但對 Agent 來說，過度一致會導致「模式僵化」。例如讓 Agent 檢查 20 份履歷，它會逐漸「進入機械模式」，開始複製貼上、不看上下文。

解法是：加入微小變異（phrasing、順序、格式等），讓模型「保持清醒」，不被自己的例子誤導。

結論：真正的 Agent 時代，不靠大模型，而靠上下文工程

AI Agent 的真正威力，不在於模型有多強，而在於能不能處理複雜上下文、連續任務與不確定環境。

這篇 Manus 團隊的 blog，展示了「模型升級靠 OpenAI，Agent 智慧靠你自己」的關鍵觀念。如果你正要做 AI 應用，這 7 條上下文設計原則，可能會讓你少走 3 個月冤枉路、少燒 3 萬美金。

Source:

Context Engineering for AI Agents: Lessons from Building Manus