Meta 花 25 億美元收購嘅 Manus，核心技術已經開源

用過 AI Agent 做複雜任務嘅人都知：做做吓，AI 唔知幾時就跑偏咗，做嘅嘢同你最初要求完全唔搭界。

呢個唔係用戶嘅問題，而係大型語言模型嘅結構性缺陷。解決咗呢個問題嘅公司 Manus 畀 Meta 以 25 億美元收購。最近，一位開發者將核心原理實現為 Claude Code 技能並開源，三日內 GitHub Star 數逼近 1,000。

問題本質 - AI Agent 點解會唔記得目標

LLM 有一個固定大小嘅工作記憶，叫上下文視窗（Context Window）。

• 對話越長，最初設定嘅目標就越容易畀擠出模型嘅注意力範圍
• 關鍵資訊逐漸滑出注意力機制嘅有效區間
• Agent 慢慢偏離原始請求方向

呢種現象叫做目標漂移（Goal Drift）。當工具呼叫超過 50 次左右，幾乎無可避免。

Manus 嘅解法 - 將檔案系統當外部記憶

Manus 嘅答案出奇咁簡單：畀 AI 做筆記。

• 將檔案系統作為 Agent 嘅持久化記憶儲存
• 徹底繞過上下文視窗嘅物理限制
• 需要嗰陣隨時從磁碟讀取已儲存嘅資訊

呢種方法屬於**上下文工程（Context Engineering）**嘅一種形式 - 設計資訊點樣喺 LLM 工作記憶內外流動。

開源實現 - 三檔案記憶系統

呢個名為 planning-with-files 嘅 Claude Code 技能，用三個 Markdown 檔案實現咗 Manus 嘅核心原理。

• task_plan.md - 包含目標、進度步驟同錯誤日誌嘅主計劃。設計上要求 Agent 喺每次重大決策前讀取呢個檔案
• notes.md - 儲存研究結果同中間資料嘅暫存區。防止上下文視窗過載
• [deliverable].md - 最終產出物嘅累積檔案

精妙之處在於佢嘅簡潔。唔需要自訂基礎設施，唔需要資料庫 - 磁碟上嘅 Markdown 檔案就夠晒。

核心機制 - 每次決策前重讀計劃檔案

呢套系統最重要嘅規則就一句話：

「喺做任何重大決策之前，先讀計劃檔案。」

• LLM 嘅注意力機制對最近輸入嘅 token 反應最強
• 決策前讀取 task_plan.md，原始目標就會畀恢復到上下文頂端
• 唔係靠擴大上下文視窗，而係靠最佳化資訊喺視窗內嘅位置嚟解決問題

擴大上下文視窗係蠻力。策略性嘅資訊定位先係工程。

錯誤處理 - 打破無限重試迴圈

第二個關鍵設計係強制記錄錯誤。

• 出錯時必須寫入 task_plan.md 嘅錯誤區域
• 迫使 AI 明確承認失敗，而唔係靜靜雞重試
• 引導 Agent 修改計劃，而唔係重複同樣嘅錯誤
• 除錯日誌作為副產品自動累積

冇呢個機制，Agent 會反覆撞同一堵牆 - 消耗 token 同上下文但係毫無進展。

啟示 - AI Agent 效能嘅新基準

三日近 1,000 Star 嘅原因好清楚：價值數十億美元嘅架構洞察，而家只要有終端機就用得到。

更深層嘅啟示係，AI Agent 嘅效能唔取決於模型大小或者參數數量，而取決於記憶架構設計 - 點樣圍繞模型嘅局限性嚟組織資訊流。

最好嘅 Agent 唔係腦最大嗰個，而係識得做筆記嗰個。

連結：planning-with-files on GitHub