Manus 被 Meta 以三億美元收購，與 LangChain 聯手揭示 AI Agent 開發核心原則

Meta 以三億美元收購 Manus 的消息鋪天蓋地，但真正值得關注的，是 Manus 在與 LangChain 的聯合演講中揭露的內容。這場演講赤裸裸地攤開了打造「真正能用」的 AI Agent 背後的核心原則 - 並且劃出了一條清楚的界線：哪些是新創公司常犯的錯，哪些是真正能交出成果的策略。

Context Rot 的矛盾

Agent 需要工具。工具越多，能力越強。但問題來了：Agent 用的工具越多，Context 就越膨脹 - 而效能會因此直接下滑。

Manus 把這種現象稱為 Context Rot。這是 Agent 開發最核心的矛盾：讓你的 Agent 更強大的東西，同時也讓它變得更笨。

解方是 Context Engineering - 只給模型下一步需要的資訊，不多不少。

Manus 具體列出了六種技術：

• Offload（卸載） - 把佔大量 Token 的資料移到檔案系統，而不是留在 Context 裡
• Reduce（精簡） - 積極移除過時的資訊
• Compact（壓縮） - 可逆地壓縮可還原的資料（例如：移除檔案內容但保留路徑）
• Summarize（摘要） - 不可逆地壓縮資訊，但一定透過結構化的 Schema 來做
• Retrieve（檢索） - 透過搜尋按需提供資訊
• Isolate（隔離） - 使用擁有獨立 Context 的子代理

關鍵洞察：Context 管理不是「有做更好」的最佳化，而是決定你的 Agent 能規模化運作、還是會被自身重量壓垮的核心架構決策。

找到 Product-Market Fit 之前，別急著 Fine-Tune

Manus 點名的最常見新創錯誤之一：在找到 Product-Market Fit 之前就去訓練專用模型。

邏輯很直接。通用模型搭配強大的 Context Engineering，能實現更快的迭代週期。太早做 Fine-Tuning，等於把自己鎖死在尚未驗證的使用者行為假設上。

更尖銳的觀點：你改進模型的速度，決定了產品創新速度的天花板。Fine-Tuning 會拖慢這個循環，Context Engineering 則能讓它保持快速。

Fine-Tuning 留到產品被驗證可行之後再做。在那之前，它就是最昂貴的過早最佳化。

多代理模式：兩種截然不同的方法

Manus 歸納出兩種基本的多代理模式，各自適合不同類型的工作：

溝通模式（Communicating Pattern） - 子代理從一張白紙開始。主代理發送聚焦的請求，子代理獨立處理後回傳結果。最適合低 Context 需求、可平行化的任務，例如程式碼搜尋或資料檢索。

共享記憶體模式（Shared Memory Pattern） - 子代理共享完整的對話歷史，但使用不同的提示詞和工具集。最適合複雜、相互依賴的任務，例如深度研究 - 每一步都建立在前面的發現之上。

選擇哪種模式，不是能力問題，而是 Context 需求問題。如果子任務是自成一體的，用溝通模式。如果它需要完整的上下文，用共享記憶體模式。選錯的後果是：要嘛浪費 Token 在不必要的 Context 上，要嘛讓 Agent 缺乏它所需要的資訊。

三層式行動空間，防止工具過載

工具太多會讓模型搞混。Manus 的解法是分層架構，限制模型在任何時刻看到的工具數量：

原子層（Atomic Layer） - 10 到 20 個核心能力：讀取、寫入、Shell、瀏覽器。這些永遠可用，模型直接呼叫。

沙箱工具（Sandbox Utilities） - 預裝的 CLI 工具，例如轉換器、Linter、格式化工具。模型透過 Shell 來叫用它們，而不是把它們當作專用工具。

套件與 API（Packages and APIs） - 帶有預先驗證 API Key 的 Python 腳本。負責處理外部服務互動，而不需要把完整的 API 介面暴露給模型。

這種分層讓模型的決策空間維持在可管理的範圍。它不用從 200 個工具裡做選擇，而是從 15 個核心動作中挑選，其他都透過 Shell 去執行。結果就是更可靠的工具選擇，以及更少的混淆或幻覺式工具呼叫。

重新思考評估指標

GAIA 之類的公開基準測試無法反映真實使用者的偏好。Manus 的立場很直接：黃金標準是使用者對已完成 Session 的評分，1 到 5 分。

三個評估原則浮現出來：

1. 執行測試優於問答測試 - Agent 能不能在沙箱中實際完成任務？這比它能不能回答關於任務的問題重要得多。
2. 主觀品質需要人工審查 - 視覺精緻度、語氣、整體連貫性無法自動評分。需要一個人實際去看輸出結果。
3. 基準測試分數是必要但不充分的 - 它們證明了基本能力，但不能證明產品是好的。

核心教訓

過度工程是最大的敵人。

最大的效能提升不是來自增加複雜度，而是來自移除複雜度。不要讓模型的工作變得更難，讓它變得更簡單。

這或許就是 Meta 願意為 Manus 付出三億美元的原因。不是因為華麗的功能，而是因為一套聚焦於本質的設計哲學：剝除不需要的東西、毫不留情地管理 Context、打造讓模型能專注於任務而不是淹沒在自身狀態中的系統。

在生產環境中能用的 Agent，不是擁有最多能力的那個，而是讓每一項能力都發揮效用的那個。