Meta comprou a Manus por US$ 2,5 bilhões - sua tecnologia-chave agora é open source

Se você já usou agentes de IA para tarefas complexas, já viu isso acontecer: no meio de um fluxo de trabalho longo, o agente está fazendo algo completamente diferente do que você pediu inicialmente.

Isso não é erro do usuário. É uma limitação estrutural dos modelos de linguagem de grande porte. A empresa que resolveu esse problema - Manus - foi adquirida pela Meta por US$ 2,5 bilhões. Agora, um desenvolvedor publicou o princípio fundamental como um skill open source para Claude Code, alcançando quase 1.000 estrelas no GitHub em apenas três dias.

O problema de fundo - Por que agentes de IA esquecem seus objetivos

LLMs operam dentro de uma janela de contexto - uma memória de trabalho de tamanho fixo.

• Quanto mais longa a conversa, mais o objetivo original é empurrado para fora da zona de atenção ativa do modelo
• Informações críticas desaparecem além do alcance efetivo do mecanismo de atenção
• O agente gradualmente se desvia da solicitação original

Esse fenômeno é chamado de deriva de objetivo (Goal Drift). A partir de cerca de 50 chamadas de ferramentas, torna-se quase inevitável.

A solução da Manus - O sistema de arquivos como memória externa

A resposta da Manus foi surpreendentemente simples: fazer a IA tomar notas.

• Usar o sistema de arquivos como armazenamento de memória persistente para o agente
• Contornar completamente os limites físicos da janela de contexto
• Recuperar informações armazenadas sob demanda quando o agente precisar

Essa abordagem é uma forma de engenharia de contexto (context engineering) - projetar como a informação flui para dentro e para fora da memória de trabalho de um LLM.

A implementação open source - Um sistema de memória de 3 arquivos

O skill do Claude Code chamado planning-with-files implementa o princípio da Manus usando três arquivos markdown.

• task_plan.md - O plano mestre contendo objetivos, etapas de progresso e logs de erros. O agente é instruído a ler este arquivo antes de cada decisão importante
• notes.md - Um bloco de notas para resultados de pesquisa e dados intermediários. Previne sobrecarga da janela de contexto
• [deliverable].md - O arquivo de saída final onde o trabalho concluído se acumula

A beleza está na simplicidade. Sem infraestrutura personalizada, sem banco de dados - apenas arquivos markdown no disco.

O mecanismo central - Reler o plano antes de cada decisão

A regra mais importante deste sistema cabe em uma frase:

“Antes de qualquer decisão importante, leia o arquivo do plano.”

• O mecanismo de atenção do LLM responde com mais força aos tokens mais recentemente ingeridos
• Ler task_plan.md logo antes de uma decisão restaura o objetivo original ao topo do contexto
• Isso resolve o problema não expandindo a janela de contexto, mas otimizando o posicionamento da informação dentro dela

Expandir a janela de contexto é força bruta. Posicionamento estratégico de informação é engenharia.

Tratamento de erros - Quebrando o loop de retentativas infinitas

A segunda decisão de design crítica é o registro forçado de erros.

• Quando um erro ocorre, o agente deve registrá-lo na seção de erros do task_plan.md
• Isso força a IA a reconhecer explicitamente falhas em vez de tentar novamente em silêncio
• O agente é guiado para a revisão do plano em vez de repetir o mesmo erro
• Logs de depuração se acumulam automaticamente como efeito colateral

Sem isso, agentes tendem a bater na mesma parede repetidamente - queimando tokens e contexto sem fazer progresso.

O que isso significa - Um novo patamar para o desempenho de agentes

A razão de quase 1.000 estrelas em três dias é clara: um insight arquitetural de bilhões de dólares agora está acessível a qualquer pessoa com um terminal.

A lição mais profunda é que o desempenho de um agente de IA não é determinado pelo tamanho do modelo ou pela quantidade de parâmetros. É determinado pelo design da arquitetura de memória - como você estrutura o fluxo de informação em torno das limitações do modelo.

Os melhores agentes não são os que têm o maior cérebro. São os que sabem tomar notas.

Link: planning-with-files no GitHub