Meta 花 25 億美元收購的 Manus，核心技術已開源

用過 AI Agent 處理複雜任務的人都知道：做著做著，AI 不知不覺就跑偏了，做的事和你最初的要求完全不搭邊。

這不是使用者的問題，而是大型語言模型的結構性缺陷。解決了這個問題的公司 Manus 被 Meta 以 25 億美元收購。最近，一位開發者將其核心原理實現為 Claude Code 技能並開源，三天內 GitHub Star 數逼近 1,000。

問題本質 - AI Agent 為什麼會忘記目標

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

• 對話越長，最初設定的目標就越容易被擠出模型的注意力範圍
• 關鍵資訊逐漸滑出注意力機制的有效區間
• Agent 慢慢偏離原始請求方向

這種現象叫目標漂移（Goal Drift）。當工具呼叫超過 50 次左右，幾乎無法避免。

Manus 的解法 - 把檔案系統當外部記憶

Manus 的答案出奇地簡單：讓 AI 做筆記。

• 將檔案系統作為 Agent 的持久化記憶儲存
• 徹底繞過上下文視窗的物理限制
• 需要時隨時從磁碟讀取已儲存的資訊

這種方法屬於**上下文工程（Context Engineering）**的一種形式 - 設計資訊如何在 LLM 工作記憶內外流動。

開源實現 - 三檔案記憶系統

這個名為 planning-with-files 的 Claude Code 技能，用三個 Markdown 檔案實現了 Manus 的核心原理。

• task_plan.md - 包含目標、進度步驟和錯誤日誌的主計畫。設計上要求 Agent 在每次重大決策前讀取此檔案
• notes.md - 儲存研究結果和中間資料的暫存區。防止上下文視窗過載
• [deliverable].md - 最終產出物的累積檔案

精妙之處在於其簡潔。不需要自訂基礎設施，不需要資料庫 - 磁碟上的 Markdown 檔案就夠了。

核心機制 - 每次決策前重讀計畫檔案

這套系統最重要的規則就一句話：

「在做任何重大決策之前，先讀計畫檔案。」

• LLM 的注意力機制對最近輸入的 token 反應最強
• 決策前讀取 task_plan.md，原始目標就會被恢復到上下文頂端
• 不是靠擴大上下文視窗，而是靠最佳化資訊在視窗內的位置來解決問題

擴大上下文視窗是蠻力。策略性的資訊定位才是工程。

錯誤處理 - 打破無限重試迴圈

第二個關鍵設計是強制記錄錯誤。

• 出錯時必須寫入 task_plan.md 的錯誤區域
• 迫使 AI 明確承認失敗，而非默默重試
• 引導 Agent 修改計畫，而不是重複同樣的錯誤
• 除錯日誌作為副產品自動累積

沒有這個機制，Agent 會反覆撞同一堵牆 - 消耗 token 和上下文卻毫無進展。

啟示 - AI Agent 效能的新基準

三天近 1,000 Star 的原因很清楚：價值數十億美元的架構洞察，現在只要有終端機就能用。

更深層的啟示是，AI Agent 的效能不取決於模型大小或參數數量，而取決於記憶架構設計 - 如何圍繞模型的侷限性來組織資訊流。

最好的 Agent 不是腦子最大的那個，而是懂得做筆記的那個。

連結：planning-with-files on GitHub