# Meta द्वारा Manus को $3.6 बिलियन में अधिग्रहण का रहस्य: AI एजेंट वास्तव में क्यों विफल होते हैं

> Author: Tony Lee
> Published: 2026-02-08
> URL: https://tonylee.im/hi/blog/manus-meta-acquisition-context-engineering-secret/
> Reading time: 5 minutes
> Language: hi
> Tags: ai, ai-agents, context-engineering, meta, manus, architecture

## Canonical

https://tonylee.im/hi/blog/manus-meta-acquisition-context-engineering-secret/

## Rollout Alternates

en: https://tonylee.im/en/blog/manus-meta-acquisition-context-engineering-secret/
ko: https://tonylee.im/ko/blog/manus-meta-acquisition-context-engineering-secret/
ja: https://tonylee.im/ja/blog/manus-meta-acquisition-context-engineering-secret/
zh-CN: https://tonylee.im/zh-CN/blog/manus-meta-acquisition-context-engineering-secret/
zh-TW: https://tonylee.im/zh-TW/blog/manus-meta-acquisition-context-engineering-secret/

## Description

Meta ने Manus को लगभग $3.6 बिलियन में अधिग्रहित किया। रहस्य बड़ा मॉडल नहीं था - यह कॉन्टेक्स्ट इंजीनियरिंग थी। यहाँ जानें कि अधिकांश AI एजेंट क्या गलत कर रहे हैं।

## Summary

Meta द्वारा Manus को $3.6 बिलियन में अधिग्रहण का रहस्य: AI एजेंट वास्तव में क्यों विफल होते हैं is part of Tony Lee's ongoing coverage of AI agents, developer tools, startup strategy, and AI industry shifts.

## Outline

- समस्या: AI एजेंट्स झूठ क्यों बोलने लगते हैं
  - क्यों होता है यह?
- समाधान: Multi-Agent Parallel Architecture
  - Architecture की खूबियाँ
- Error Preservation: Failures को Erase मत करो
- File System as Unlimited Memory
  - कैसे काम करता है
- Self-Recitation: Goals को Context के End में Push करो
  - Example Workflow
- Completed
- In Progress
- Next Steps
- Real-World Impact: Wide Research Feature
- Conclusion: Context Engineering Is the New Moat
  - Key Takeaways
- References

## Content

जब Meta ने Manus को लगभग **$3.6 बिलियन** में अधिग्रहित किया, तो हर कोई यही सोच रहा था - "इनके पास कौन सा बड़ा मॉडल है?"

जवाब चौंकाने वाला था: **कोई नहीं।**

Manus ने वही GPT-4 और Claude मॉडल्स इस्तेमाल किए जो आप और मैं इस्तेमाल कर रहे हैं। असली रहस्य था **context engineering** - और यही वो चीज है जो 99% AI एजेंट्स गलत कर रहे हैं।

## समस्या: AI एजेंट्स झूठ क्यों बोलने लगते हैं

Manus की टीम ने एक simple experiment किया:

> 50 कंपनियों के बारे में research करो।

परिणाम? AI ने **8वीं या 9वीं कंपनी** के बाद डेटा fabricate करना शुरू कर दिया।

यह **fabrication threshold** है - वह बिंदु जहाँ AI अपना ध्यान खो देता है और facts को imaginary information से replace करने लगता है।

### क्यों होता है यह?

1. **Lost in the middle**: Research बताती है कि LLMs context window के middle में information को ignore करते हैं - वे beginning और end पर focus करते हैं।

2. **Exponential cost**: Context window जितनी बड़ी, cost उतनी ज्यादा। 1M tokens का मतलब है हर request में हजारों dollars फूंकना।

3. **Cognitive ceiling**: Humans भी 7±2 items से ज्यादा track नहीं कर सकते। AI के लिए यह limit context size के साथ बढ़ता है, लेकिन infinite नहीं होता।

4. **Training bias**: Models को छोटे contexts पर train किया जाता है, इसलिए बड़े contexts पर performance degrade हो जाती है।

## समाधान: Multi-Agent Parallel Architecture

Manus ने traditional monolithic approach को तोड़ा।

उन्होंने 50-company research को **50 parallel sub-agents** में split किया। हर agent को एक fresh context window मिली - no pollution, no context exhaustion, no fabrication।

### Architecture की खूबियाँ

```
Main Agent (Orchestrator)
    ↓
    ├─ Agent 1: Company A research (fresh context)
    ├─ Agent 2: Company B research (fresh context)
    ├─ Agent 3: Company C research (fresh context)
    └─ ... (47 और agents)
```

**फायदे:**

- हर sub-agent **clean slate** से शुरू करता है
- Parallel execution = faster results
- No fabrication क्योंकि कोई context overload नहीं
- Cost-effective क्योंकि हर task के लिए सिर्फ जरूरी context load होता है

## Error Preservation: Failures को Erase मत करो

यहाँ एक counter-intuitive insight है: **Manus errors को preserve करता है।**

अधिकांश systems failures को छिपा देते हैं। Manus उन्हें context में रखता है ताकि agent learn कर सके:

```markdown
Attempt 1: Failed to scrape website (403 Forbidden)
Attempt 2: Used API instead → Success
```

यह pattern subsequent tasks में avoid होता है। AI अपनी mistakes से सीखता है - exactly जैसे humans करते हैं।

## File System as Unlimited Memory

Manus ने एक brilliant trick discover की: **file system को external memory की तरह इस्तेमाल करो।**

### कैसे काम करता है

1. **Research notes को files में लिखो**: जैसे human researcher notepad में notes लेता है
2. **URLs compress करो**: Full website content की जगह URL reference store करो
3. **On-demand retrieval**: जब जरूरत हो, तभी file पढ़ो

यह approach **infinite memory** देता है बिना context window को blow किए।

```typescript
// Traditional approach (context pollution)
const context = `
  Company A: [5000 tokens]
  Company B: [5000 tokens]
  Company C: [5000 tokens]
  ... (context exhausted)
`

// Manus approach (file-based memory)
writeFile('company-a.md', companyAData)
writeFile('company-b.md', companyBData)
// Context में सिर्फ filenames
const context = `
  Results: company-a.md, company-b.md, company-c.md
`
```

## Self-Recitation: Goals को Context के End में Push करो

Manus continuously एक **todo.md file** update करता है।

यह क्यों important है? क्योंकि LLMs **context के end पर सबसे ज्यादा attention देते हैं।**

### Example Workflow

```markdown
# todo.md (continuously updated)

## Completed
- [x] Research Company A
- [x] Research Company B

## In Progress
- [ ] Research Company C

## Next Steps
- [ ] Research Company D
- [ ] Compile final report
```

हर update goals को context के end में push करता है, जहाँ AI उन्हें **सबसे ज्यादा notice करेगा।**

यह **self-recitation** pattern है - AI खुद को याद दिलाता है कि उसे क्या करना है, बार-बार।

## Real-World Impact: Wide Research Feature

Manus की **Wide Research** feature इन सभी techniques का practical demonstration है:

- Users 50+ sources से simultaneously research कर सकते हैं
- कोई fabrication नहीं
- Fresh insights हर source से
- Cost-effective parallel processing

Traditional single-agent approach इसे impossible बना देता। Context engineering ने इसे production-ready बनाया।

## Conclusion: Context Engineering Is the New Moat

Meta ने Manus को $3.6 बिलियन में नहीं खरीदा क्योंकि उनके पास better model था।

उन्होंने इसे खरीदा क्योंकि **Manus ने context engineering को solve किया।**

### Key Takeaways

1. **Bigger context ≠ Better results**: Fabrication threshold असली limit है
2. **Multi-agent architecture**: Fresh contexts = no fabrication
3. **Preserve errors**: Failures से सीखना scaling के लिए crucial है
4. **File system memory**: Unlimited storage बिना context pollution के
5. **Self-recitation**: Goals को end में रखो, जहाँ attention maximum है

जब हर कोई bigger models chase कर रहा था, Manus ने better architecture build किया।

**यही असली competitive advantage है।**

अगर आप AI agents build कर रहे हैं और context window को दोष दे रहे हैं - **रुकिए।** समस्या window size नहीं है। समस्या यह है कि आप इसे कैसे use कर रहे हैं।

Context engineering वो secret weapon है जिसकी हर AI engineer को जरूरत है - और अब आप जानते हैं कि इसे कैसे करना है।

---

## References

- [Context Engineering for AI Agents: Lessons from Building Manus](https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus)
- [Wide Research: Solving the Context Problem](https://manus.im/blog/manus-wide-research-solve-context-problem)

## Related URLs

- Author: https://tonylee.im/en/author/
- Publication: https://tonylee.im/en/blog/about/
- Related article: https://tonylee.im/hi/blog/eight-hooks-that-guarantee-ai-agent-reliability/
- Related article: https://tonylee.im/hi/blog/medvi-two-person-430m-ai-compressed-funnel/
- Related article: https://tonylee.im/hi/blog/claude-code-layers-over-tools-2026/

## Citation

- Author: Tony Lee
- Site: tonylee.im
- Canonical URL: https://tonylee.im/hi/blog/manus-meta-acquisition-context-engineering-secret/

## Bot Guidance

- This file is intended for AI agents, search assistants, and text-mode retrieval.
- Prefer citing the canonical article URL instead of this text endpoint.
- Use the rollout alternates when you need the same article in another prioritized language.

---

Author: Tony Lee | Website: https://tonylee.im
For more articles, visit: https://tonylee.im/hi/blog/
This content is original and authored by Tony Lee. Please attribute when quoting or referencing.