# Meta 36亿美元收购Manus背后的秘密：AI智能体失败的真正原因

> Author: Tony Lee
> Published: 2026-02-08
> URL: https://tonylee.im/zh-CN/blog/manus-meta-acquisition-context-engineering-secret/
> Reading time: 3 minutes
> Language: zh-CN
> Tags: ai, ai-agents, context-engineering, meta, manus, architecture

## Canonical

https://tonylee.im/zh-CN/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以约36亿美元收购了Manus。秘密不在于更大的模型，而在于上下文工程。以下是大多数AI智能体忽略的关键。

## Summary

Meta 36亿美元收购Manus背后的秘密：AI智能体失败的真正原因 is part of Tony Lee's ongoing coverage of AI agents, developer tools, startup strategy, and AI industry shifts.

## Outline

- AI 开始撒谎的那一刻
- 更大的记忆不是答案
  - 迷失在中间（Lost in the Middle）
  - 指数级成本
  - 认知天花板
  - 训练偏差
- Manus 的解法：多智能体并行架构
- 不要隐藏你的错误
- Task: Install dependencies
- 文件系统就是真正的记忆
  - 基于文件的上下文存储
  - URL 压缩技巧
- 会自己和自己对话的 AI
  - todo.md 自我朗诵机制
- Current Status (Agent self-check)
- 谁掌握了上下文，谁就掌握了智能体
- 参考资料

## Content

Meta 最近以约 36 亿美元收购了 Manus。Manus 每天能稳定处理数百万次对话 - 而这背后的秘密，既不是更大的模型，也不是更长的上下文窗口。而是一种完全不同的方法论：**上下文工程**（Context Engineering）。

## AI 开始撒谎的那一刻

你有没有发现，当你让 AI 记住一长串待办事项时，它总是会"选择性失忆"？

这不是偶然。研究表明，当列表达到第 8-9 个项目时，AI 就会开始编造内容。这被称为**幻觉阈值**（Fabrication Threshold） - AI 不会承认"我记不住了"，而是会自信地给你一个错误答案。

想象一下，你的 AI 助手管理着 20 个任务、50 个文件、100 条历史消息。它不会告诉你"信息太多了"，而是会悄悄地开始瞎编。

这就是为什么大多数 AI 智能体在真实场景下会崩溃。

## 更大的记忆不是答案

面对这个问题，行业的第一反应是什么？

**扩大上下文窗口。**

从 4K token 到 8K，到 32K，到 128K，现在已经到了 200 万 token。听起来很美好，对吧？

但这里有三个致命问题：

### 迷失在中间（Lost in the Middle）

把 AI 的注意力想象成一个聚光灯。即使上下文窗口再大，它也只能清晰地"看见"开头和结尾。中间的内容？基本上是一片模糊。

研究表明，放在上下文**中间位置**的信息，召回率会大幅下降。这就像给你一本 500 页的书，让你记住第 247 页的某个句子 - 几乎不可能。

### 指数级成本

上下文窗口每翻倍，推理成本就会呈指数级增长。

处理 200 万 token 的单次对话可能花费数百美元。如果你的智能体每天运行数千次任务？成本会直接爆炸。

Manus 每天处理数百万次对话。如果使用传统的"超长上下文"方法，他们早就破产了。

### 认知天花板

这是最根本的问题：**AI 的工作记忆是有限的。**

人类的工作记忆只能同时处理 7±2 个信息块。AI 也类似 - 不管你给它多大的上下文窗口，它的**有效工作记忆**依然有限。

就像你不能通过把所有书籍都放在桌上来提高阅读理解能力。真正的问题是：**如何组织信息，让 AI 在需要时能找到正确的那一块。**

### 训练偏差

还有一个隐藏问题：大多数 LLM 是在**短文档**上训练的。

即使模型支持 200 万 token，它在实际处理超长文本时的表现也会大幅下降 - 因为它从来没有在训练阶段"见过"这么长的真实场景。

## Manus 的解法：多智能体并行架构

Manus 的方法完全不同。他们不是给单个 AI 塞入更多上下文，而是：

**把任务拆分给多个专门的智能体，让它们并行工作。**

想象一个软件开发团队：
- **Planner Agent**：负责制定计划
- **Coder Agent**：负责写代码
- **Reviewer Agent**：负责代码审查
- **Debugger Agent**：负责修复错误

每个智能体只需要关注**自己职责范围内的上下文**，而不是试图记住整个项目的所有细节。

这种架构有几个关键优势：

1. **降低单个智能体的认知负担** - 每个 Agent 的上下文都保持在最佳工作范围内
2. **提高并行效率** - 多个任务可以同时进行
3. **成本可控** - 避免了单次调用处理百万级 token 的高昂成本
4. **容错性更强** - 某个 Agent 出错不会影响整体流程

这就是为什么 Manus 能每天稳定处理数百万次对话。

## 不要隐藏你的错误

大多数智能体有一个致命缺陷：**它们会试图掩盖错误。**

当执行失败时，AI 会倾向于：
- 假装没有发生错误
- 重新生成一个"看起来正确"的答案
- 直接跳过失败的步骤

Manus 的做法完全相反：**保留所有错误痕迹。**

```markdown
## Task: Install dependencies
Status: Failed
Error: npm ERR! 404 Not Found - package 'react-super-lib' not found
Retry 1: Failed
Retry 2: Failed
Alternative: Installed 'react-standard-lib' instead
```

为什么这很重要？

1. **AI 可以从错误中学习** - 知道哪些路径行不通
2. **避免重复错误** - 不会在同一个坑里摔两次
3. **调试能力** - 人类可以快速定位问题根源
4. **上下文连贯性** - AI 理解当前状态是如何演变的

这就像软件开发中的日志系统 - 你不会在程序出错时删除日志，而是要保留完整的错误堆栈。

## 文件系统就是真正的记忆

Manus 发现了一个反直觉的真相：

**与其把所有信息塞进 prompt，不如把它们存进文件系统。**

这听起来很简单，但效果惊人：

### 基于文件的上下文存储

不要这样做：
```
Prompt: "Remember these 50 tasks: 1. Fix bug in auth.ts, 2. Update database schema..."
```

而是这样：
```
Prompt: "Check todo.md for current tasks"
File: todo.md
- [ ] Fix bug in auth.ts (see error.log)
- [ ] Update database schema (see migrations/001.sql)
```

好处：
- **上下文压缩**：用文件路径代替完整内容
- **持久化存储**：信息不会在会话结束后丢失
- **可检索性**：AI 可以随时读取需要的文件
- **人类可读**：开发者可以直接查看和修改

### URL 压缩技巧

Manus 还使用了一个聪明的技巧：**用 URL 代替完整文档内容。**

不要这样：
```
Prompt: "Here's the full React documentation: [10,000 lines of text]"
```

而是这样：
```
Prompt: "Refer to React Hooks documentation at https://react.dev/reference/react/hooks"
```

现代 LLM（如 Claude）可以直接访问 URL 并提取相关信息。这把上下文占用从数万 token 压缩到了几个 token。

## 会自己和自己对话的 AI

Manus 最有趣的发现之一是：

**让 AI 定期朗读自己的待办清单。**

听起来很蠢？但效果惊人。

### todo.md 自我朗诵机制

每隔几步操作，Manus 的智能体就会：
1. 读取 `todo.md`
2. 大声"复述"当前任务列表
3. 确认下一步要做什么
4. 标记已完成的任务

```markdown
## Current Status (Agent self-check)
Completed:
- [x] Created authentication module
- [x] Set up database connection

In Progress:
- [ ] Implement user registration endpoint

Next:
- [ ] Add input validation
- [ ] Write unit tests
```

这模拟了人类的**工作记忆刷新机制**。你在做复杂任务时，是不是也会时不时停下来问自己："我现在做到哪了？"

Manus 的数据显示：
- **平均每个任务需要 50 次工具调用**
- 每 5-10 次调用就会"复述"一次待办清单
- 这将任务完成率提高了约 40%

## 谁掌握了上下文，谁就掌握了智能体

Meta 花 36 亿美元买的不是 Manus 的模型，也不是它的代码。

**买的是它的上下文工程方法论。**

因为他们明白：

> **在 AI 智能体时代，上下文工程的重要性 > 模型大小。**

你可以用最先进的 GPT-5 或 Claude Opus，但如果上下文管理混乱，智能体依然会崩溃。

反过来，即使用稍弱的模型，只要上下文组织得当：
- 多智能体并行架构
- 基于文件的记忆系统
- 错误痕迹保留
- 定期自我复述

你的智能体也能稳定处理复杂的真实场景。

这就是 Manus 的秘密。

也是未来所有 AI 智能体开发者必须掌握的核心技能。

---

## 参考资料

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