Meta以36億美元收購Manus的秘密：AI代理失敗的真正原因

Meta 剛以約 36 億美元收購了 Manus。

大家都在討論這筆交易的金額，但真正值得關注的是：為什麼 Manus 成功了，而其他數百個 AI 代理公司失敗了？

答案不是更大的模型。不是更多的參數。也不是更炫的 UI。

秘密在於情境工程（Context Engineering）。

大多數團隊都搞錯了重點。他們以為只要把情境視窗從 200K 拉到 1M token 就能解決問題。結果呢？代理開始產生幻覺、忘記指令、或者單純卡住。

以下是 Manus 團隊學到的教訓，以及為什麼這些經驗值 36 億美元。

編造閾值：AI代理開始說謊的那一刻

想像一下這個任務：研究 50 家公司，找出他們的創辦人、融資輪次和產品特色。

聽起來簡單，對吧？給 AI 代理一個大情境視窗，讓它爬取所有資料，然後整理成表格。

但這裡有個致命問題：到了第 8 或第 9 家公司，代理就開始編造資料。

不是因為模型不夠好。是因為情境視窗塞滿了垃圾資訊。

50 家公司 = 50 個網站 = 數萬行 HTML、導航列、頁尾、Cookie 彈窗、廣告程式碼。真正有用的資訊可能只佔 2%，其餘都是雜訊。

LLM 在嘈雜的情境中會做什麼？它們開始猜測。它們根據「這看起來合理」的模式填補空白。它們編造。

Manus 團隊把這個現象稱為「編造閾值」（fabrication threshold） - 當情境雜訊超過某個比例後，AI 就會從檢索資訊轉變為生成虛構內容。

為什麼更大的情境視窗反而讓問題更糟

業界的直覺反應是：既然情境不夠用，那就加大情境視窗！

但這只會讓事情變得更糟。原因如下：

迷失在中間（Lost in the Middle）

研究顯示，LLM 在處理長情境時會優先關注開頭和結尾，中間部分容易被忽略。

當你塞入 200K token 時，第 87,543 個 token 的關鍵資訊很可能被模型完全忽視。它在那裡，但模型看不見。

指數級成本

200K token 的呼叫成本是 20K token 的 10 倍。更糟的是，處理時間呈指數增長。

Manus 發現，盲目擴大情境視窗會導致成本爆炸，卻沒有帶來相應的效能提升。

認知天花板

人類無法同時在腦中保持 50 個概念。LLM 也一樣。

即使技術上可以「容納」1M token，也不代表模型能有效利用所有資訊。就像給人看一本 1000 頁的書，然後要求完美回憶每個細節 - 理論上可能，實際上不可行。

訓練偏差

大多數 LLM 是在較短的文件上訓練的。當你給它們超長情境時，你實際上是在要求它們處理訓練資料分佈之外的內容。

結果？退化的效能、不可預測的行為、更多幻覺。

解決方案：多代理並行架構

Manus 的突破不是來自更大的情境視窗，而是來自重新思考情境本身的架構。

與其給一個代理塞入 50 家公司的所有資料，不如這樣做：

啟動 50 個並行代理，每個代理只處理一家公司。

每個代理都有一個乾淨、專注的情境：

• 任務：「研究 X 公司」
• 情境：只有 X 公司的網站和資料
• 輸出：結構化的 JSON

沒有雜訊。沒有其他 49 家公司的干擾。只有一個清晰的目標。

然後呢？一個協調代理（coordinator agent）收集所有結果，合併成最終報告。

為什麼這樣有效：

1. 每個代理都有新鮮的情境 - 沒有累積的雜訊或疲勞
2. 並行執行 - 50 個代理可以同時工作，總時間等於處理一家公司的時間
3. 隔離錯誤 - 一個代理失敗不會污染其他代理
4. 可擴展 - 需要研究 500 家公司？啟動 500 個代理

這不是暴力破解。這是情境工程 - 刻意設計每個代理看到什麼、何時看到、以及如何處理。

保留錯誤：從失敗中學習

大多數系統在 AI 犯錯時會怎麼做？清除錯誤訊息，重試，假裝什麼都沒發生。

Manus 做了相反的事：他們把錯誤寫進情境。

為什麼？因為錯誤是資訊。它們告訴代理：

• 「這個方法不管用」
• 「這個網站封鎖了爬蟲」
• 「這個 API 需要身份驗證」
• 「這個查詢太模糊」

當你清除錯誤時，代理會不斷重複同樣的錯誤。當你保留錯誤時，代理會學習調整策略。

Manus 團隊發現，保留錯誤歷史讓代理的成功率提高了 40%。

不是因為模型變聰明了，而是因為它們有了記憶。

檔案系統作為記憶：無限情境的秘密

這裡有個矛盾：我們說要保持情境乾淨和專注，但我們也說要保留錯誤和歷史。

這不是互相矛盾嗎？

不，如果你把檔案系統當作記憶的話。

人類是怎麼處理超出工作記憶容量的複雜任務？我們做筆記。我們寫下來。我們建立外部記憶系統。

AI 代理也可以這樣做。

與其把所有資訊塞進情境視窗，不如這樣做：

1. 代理研究一家公司
2. 將結果寫入 `company_001.json`
3. 只在情境中保留：「Company 001: saved to company_001.json」
4. 需要時再讀取檔案

Manus 更進一步：他們使用 URL 壓縮（URL compression）。

與其在情境中存儲整個網頁內容（可能有 50K token），他們只存儲：

• URL
• 提取的關鍵資料
• 元資料（抓取時間、狀態碼等）

如果代理需要重新檢查某個資訊，它會重新抓取 URL。

這樣一來，情境視窗保持精簡，但代理實際上擁有無限的記憶 - 因為它可以隨時重新載入外部資料。

自我複述：不斷更新的 todo.md

這裡有個微妙但強大的技巧：讓代理不斷重寫自己的目標清單。

Manus 使用一個簡單的檔案：todo.md

代理每完成一個步驟，就會：

1. 標記該項目為完成
2. 加入新發現的子任務
3. 重新排序剩餘項目
4. 將更新後的 todo.md 推送到情境的結尾

為什麼這樣有效？

因為 LLM 的注意力機制對最近的 token 權重更高。

通過不斷將更新後的目標清單推送到情境的結尾，你等於是在告訴模型：「嘿，這才是最重要的。別忘了。」

這是一種「自我複述」（self-recitation）的形式 - 代理持續提醒自己要做什麼、為什麼做、以及還剩下什麼。

結果？更少的偏離主題、更好的任務完成率、更連貫的多步驟推理。

結論：情境工程是真正的差異化優勢

Meta 收購 Manus 不是為了買一個更好的 LLM。OpenAI、Anthropic、Google 都有頂級模型。

Meta 收購 Manus 是為了買如何使用 LLM 的知識。

這個知識的核心是情境工程：

• 知道何時分割情境（多代理）
• 知道保留什麼（錯誤、歷史）
• 知道丟棄什麼（雜訊、冗餘）
• 知道如何構建記憶（檔案系統、URL 壓縮）
• 知道如何引導注意力（自我複述）

其他公司都在追逐更大的情境視窗。Manus 在學習如何更聰明地使用它們。

這就是 36 億美元的差異。

---

延伸閱讀：

• Context Engineering for AI Agents: Lessons from Building Manus
• Wide Research: Solving the Context Problem

---

想要開始實踐情境工程嗎？

下次當你的 AI 代理開始產生幻覺或偏離任務時，不要責怪模型。問問自己：

• 我的情境是否塞滿了雜訊？
• 我是否可以把這個任務分割成更小的、並行的代理？
• 我是否保留了錯誤歷史讓代理學習？
• 我是否使用檔案系統作為外部記憶？
• 我是否不斷提醒代理它的目標？

情境工程不是火箭科學。但它是區分成功的 AI 代理和價值 36 億美元收購的 AI 代理之間的差異。