# Meta 花 25 亿美元收购的 Manus，核心技术已开源

> Author: Tony Lee
> Published: 2026-02-08
> URL: https://tonylee.im/zh-CN/blog/manus-core-tech-open-source-planning-with-files/
> Reading time: 1 minutes
> Language: zh-CN
> Tags: ai, ai-agent, claude-code, 开源, 上下文工程

## Canonical

https://tonylee.im/zh-CN/blog/manus-core-tech-open-source-planning-with-files/

## Rollout Alternates

en: https://tonylee.im/en/blog/manus-core-tech-open-source-planning-with-files/
ko: https://tonylee.im/ko/blog/manus-core-tech-open-source-planning-with-files/
ja: https://tonylee.im/ja/blog/manus-core-tech-open-source-planning-with-files/
zh-CN: https://tonylee.im/zh-CN/blog/manus-core-tech-open-source-planning-with-files/
zh-TW: https://tonylee.im/zh-TW/blog/manus-core-tech-open-source-planning-with-files/

## Description

支撑 Manus 25 亿美元估值的文件记忆系统，现已作为免费 Claude Code 技能发布。每个 AI Agent 开发者都应该了解。

## Summary

Meta 花 25 亿美元收购的 Manus，核心技术已开源 is part of Tony Lee's ongoing coverage of AI agents, developer tools, startup strategy, and AI industry shifts.

## Outline

- 问题本质 - AI Agent 为什么会忘记目标
- Manus 的解法 - 把文件系统当外部记忆
- 开源实现 - 三文件记忆系统
- 核心机制 - 每次决策前重读计划文件
- 错误处理 - 打破无限重试循环
- 启示 - AI Agent 性能的新基准

## Content

用过 AI Agent 处理复杂任务的人都知道：做着做着，AI 不知不觉就跑偏了，干的事和你最初的要求完全不沾边。

这不是用户的问题，而是大语言模型的结构性缺陷。解决了这个问题的公司 Manus 被 Meta 以 25 亿美元收购。最近，一位开发者将其核心原理实现为 Claude Code 技能并开源，三天内 GitHub Star 数逼近 1,000。

## 问题本质 - AI Agent 为什么会忘记目标

LLM 有一个固定大小的工作记忆，叫上下文窗口（Context Window）。

- 对话越长，最初设定的目标就越容易被挤出模型的注意力范围
- 关键信息逐渐滑出注意力机制的有效区间
- Agent 慢慢偏离原始请求方向

这种现象叫**目标漂移（Goal Drift）**。当工具调用超过 50 次左右，几乎不可避免。

## Manus 的解法 - 把文件系统当外部记忆

Manus 的答案出奇地简单：让 AI 做笔记。

- 将文件系统作为 Agent 的持久化记忆存储
- 彻底绕过上下文窗口的物理限制
- 需要时随时从磁盘读取已存储的信息

这种方法属于**上下文工程（Context Engineering）**的一种形式 - 设计信息如何在 LLM 工作记忆内外流动。

## 开源实现 - 三文件记忆系统

这个名为 [planning-with-files](https://github.com/OthmanAdi/planning-with-files) 的 Claude Code 技能，用三个 Markdown 文件实现了 Manus 的核心原理。

- **task_plan.md** - 包含目标、进度步骤和错误日志的主计划。设计上要求 Agent 在每次重大决策前读取此文件
- **notes.md** - 存储研究结果和中间数据的暂存区。防止上下文窗口过载
- **[deliverable].md** - 最终产出物的累积文件

精妙之处在于其简洁。不需要自定义基础设施，不需要数据库 - 磁盘上的 Markdown 文件就够了。

## 核心机制 - 每次决策前重读计划文件

这套系统最重要的规则就一句话：

**"在做任何重大决策之前，先读计划文件。"**

- LLM 的注意力机制对最近输入的 token 反应最强
- 决策前读取 `task_plan.md`，原始目标就会被恢复到上下文顶部
- 不是靠扩大上下文窗口，而是靠优化信息在窗口内的位置来解决问题

扩大上下文窗口是蛮力。战略性的信息定位才是工程。

## 错误处理 - 打破无限重试循环

第二个关键设计是强制记录错误。

- 出错时必须写入 `task_plan.md` 的错误区域
- 迫使 AI 明确承认失败，而非默默重试
- 引导 Agent 修改计划，而不是重复同样的错误
- 调试日志作为副产品自动积累

没有这个机制，Agent 会反复撞同一堵墙 - 消耗 token 和上下文却毫无进展。

## 启示 - AI Agent 性能的新基准

三天近 1,000 Star 的原因很清楚：价值数十亿美元的架构洞察，现在只要有终端就能用。

更深层的启示是，AI Agent 的性能不取决于模型大小或参数数量，而取决于**记忆架构设计** - 如何围绕模型的局限性来组织信息流。

最好的 Agent 不是脑子最大的那个，而是懂得做笔记的那个。

**链接**：[planning-with-files on GitHub](https://github.com/OthmanAdi/planning-with-files)

## Related URLs

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

## Citation

- Author: Tony Lee
- Site: tonylee.im
- Canonical URL: https://tonylee.im/zh-CN/blog/manus-core-tech-open-source-planning-with-files/

## 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/zh-CN/blog/
This content is original and authored by Tony Lee. Please attribute when quoting or referencing.