# Meta以36億美元收購Manus嘅秘密：AI代理失敗嘅真正原因

> Author: Tony Lee
> Published: 2026-02-08
> URL: https://tonylee.im/zh-HK/blog/manus-meta-acquisition-context-engineering-secret/
> Reading time: 2 minutes
> Language: zh-HK
> Tags: ai, ai-agents, context-engineering, meta, manus, architecture

## Canonical

https://tonylee.im/zh-HK/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以約36億美元收購咗Manus。秘密唔係更大嘅模型，而係情境工程。以下係大多數AI代理忽略嘅關鍵。

## Summary

Meta以36億美元收購Manus嘅秘密：AI代理失敗嘅真正原因 is part of Tony Lee's ongoing coverage of AI agents, developer tools, startup strategy, and AI industry shifts.

## Outline

- 幻覺臨界點：第8至9項就開始編故事
- 點解更大嘅情境窗口反而更差
  - 迷失於中間（Lost in the Middle）
  - 指數級成本上升
  - 認知天花板（Cognitive Ceiling）
  - 訓練偏差
- 真正嘅解決方案：多代理並行架構
- 保留錯誤：AI代理從失敗中學習
- 檔案系統作為記憶體：無限擴展嘅秘密
  - 寫入檔案就似寫筆記
  - URL壓縮技術
- 自我複述：todo.md嘅威力
- Completed
- In Progress
- Next Steps
- 情境工程先係真正嘅護城河
- 參考資料

## Content

Meta最近以約36億美元收購咗Manus，呢單收購震撼咗成個AI行業。但真正嘅重點唔係收購金額，而係Manus團隊發現咗一個令大多數AI代理失敗嘅根本問題：情境工程（Context Engineering）。

當所有人都聚焦於更大嘅模型、更長嘅情境窗口（context window）時，Manus團隊發現咗一個令人不安嘅真相：**問題唔係情境唔夠大，而係我哋使用情境嘅方式根本錯晒。**

## 幻覺臨界點：第8至9項就開始編故事

Manus團隊喺實際應用中發現咗一個關鍵嘅失敗模式。當你要求AI代理研究50間公司時，佢哋發現AI會喺**第8至9間公司**就開始捏造資料。

呢個唔係模型嘅bug，而係一個系統性問題。當情境不斷累積時，AI會開始：

- 混淆唔同公司嘅資料
- 重複之前嘅回應模式
- 為咗保持一致性而編造事實
- 喺細節上出現微妙但致命嘅錯誤

呢個「幻覺臨界點」（fabrication threshold）出現得咁早，令人震驚。即使係最先進嘅模型都無法避免。

## 點解更大嘅情境窗口反而更差

業界一直追求更長嘅情境窗口 - 100K、200K、甚至1M token。但Manus團隊發現，情境窗口越大，問題反而越嚴重：

### 迷失於中間（Lost in the Middle）

研究顯示，語言模型對情境**開頭同結尾**嘅資訊最為敏感，但對中間嘅資訊基本上視而不見。當你將50間公司嘅資料全部塞入一個情境時，第20至40間公司嘅資料基本上被忽略咗。

### 指數級成本上升

情境窗口唔係線性成本。一個200K token嘅情境可能需要：
- 10倍嘅計算成本
- 更長嘅回應時間
- 更高嘅失敗率

### 認知天花板（Cognitive Ceiling）

就算模型理論上支援1M token，實際上佢哋嘅「工作記憶」仍然有限。好似人類一樣，你可以讀一本書，但唔代表你可以同時記住每一頁嘅細節。

### 訓練偏差

大多數模型嘅訓練資料都係較短嘅文檔。當你俾一個100K token嘅情境時，模型係喺應對一個佢從未真正見過嘅使用場景。

## 真正嘅解決方案：多代理並行架構

Manus嘅突破唔係追求更大嘅情境窗口，而係**分解問題，為每個子任務提供全新嘅情境**。

佢哋嘅Wide Research架構做法係咁：

1. **將50間公司分拆為50個獨立任務**
2. **啟動50個並行嘅子代理（sub-agents）**
3. **每個代理只專注於一間公司，擁有全新嘅情境**
4. **主代理負責協調同整合結果**

呢個方法嘅威力喺於：

- **每個子代理都從零開始**，冇累積嘅錯誤
- **並行執行**，速度比順序執行快50倍
- **情境始終保持清晰**，冇「迷失於中間」嘅問題
- **錯誤隔離**，一個代理嘅失敗唔會影響其他代理

## 保留錯誤：AI代理從失敗中學習

大多數系統會隱藏或清除錯誤訊息，但Manus發現**保留錯誤記錄係提升準確性嘅關鍵**。

點解錯誤咁重要？

- **避免重複失敗**：如果代理知道某個API調用失敗咗，佢唔會再嘗試同樣嘅方法
- **提供情境線索**：錯誤訊息包含咗關於系統狀態嘅寶貴資訊
- **訓練自我修正**：代理可以學識分析錯誤並調整策略

呢個類似於人類嘅學習過程 - 我哋記得失敗，從而避免重蹈覆轍。

## 檔案系統作為記憶體：無限擴展嘅秘密

Manus團隊發現咗一個簡單但強大嘅模式：**將檔案系統視為AI嘅外部記憶體**。

### 寫入檔案就似寫筆記

與其將所有資訊保留喺情境窗口入面，不如：

```markdown
研究結果 → 寫入 research/company-001.md
中間狀態 → 寫入 state/progress.json
發現 → 寫入 findings/insights.md
```

每次AI需要資訊時，佢會：
1. 讀取相關檔案
2. 處理資訊
3. 寫回結果

呢個模式令情境窗口保持精簡，同時擁有**無限嘅長期記憶**。

### URL壓縮技術

對於網頁內容，Manus使用咗一個聰明嘅技巧：

- **唔係將全部HTML塞入情境**
- **而係保留URL作為參考**
- **需要時先再讀取**

一個200KB嘅網頁可以壓縮成一個50字節嘅URL。呢個係**4000倍嘅壓縮率**。

## 自我複述：todo.md嘅威力

Manus團隊發現咗情境窗口嘅另一個關鍵特性：**模型對情境結尾嘅資訊最為敏感**。

佢哋嘅解決方案係一個持續更新嘅`todo.md`檔案：

```markdown
# Current Task: Research Company #23

## Completed
- [x] Company 1-22 researched
- [x] API rate limit identified

## In Progress
- [ ] Fetch company #23 financial data
- [ ] Analyze market position

## Next Steps
- [ ] Companies 24-50
- [ ] Generate summary report
```

每次代理執行任務後，佢會更新呢個檔案，然後將佢**放喺情境嘅最後**。

呢個做法產生咗幾個關鍵效果：

1. **將目標推到最敏感位置**：情境結尾嘅資訊獲得最多關注
2. **持續自我提醒**：代理始終知道佢而家做緊乜嘢
3. **進度追蹤**：清晰嘅已完成/進行中/待辦狀態
4. **錯誤恢復**：如果中斷，代理可以從todo.md恢復

呢個模式類似於人類嘅「自我對話」 - 我哋會不斷提醒自己當前嘅目標同進度。

## 情境工程先係真正嘅護城河

Meta願意支付36億美元收購Manus，唔係因為佢哋有更好嘅模型，而係因為佢哋掌握咗**情境工程**嘅核心技術。

呢啲技術包括：

- **多代理架構**：分解問題，並行執行，保持情境清晰
- **錯誤保留**：從失敗中學習，避免重複錯誤
- **檔案系統記憶**：無限擴展，精簡情境
- **URL壓縮**：4000倍壓縮率，突破情境限制
- **自我複述**：todo.md推送目標到情境結尾，最大化關注度

當所有人都喺追求更大嘅模型時，Manus團隊發現咗一個更根本嘅真相：**唔係情境唔夠大，而係我哋使用情境嘅方式錯咗。**

如果你而家仲喺構建順序執行、單一情境嘅AI代理，你已經輸咗。情境工程唔係附加功能，而係決定AI代理成敗嘅核心競爭力。

## 參考資料

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

## Citation

- Author: Tony Lee
- Site: tonylee.im
- Canonical URL: https://tonylee.im/zh-HK/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-HK/blog/
This content is original and authored by Tony Lee. Please attribute when quoting or referencing.