# Meta以36億美元收購Manus的秘密：AI代理失敗的真正原因

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

## Canonical

https://tonylee.im/zh-TW/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36億美元收購了Manus。秘密不在於更大的模型，而在於情境工程。以下是多數AI代理忽略的關鍵。

## Summary

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

## Outline

- 編造閾值：AI代理開始說謊的那一刻
- 為什麼更大的情境視窗反而讓問題更糟
  - 迷失在中間（Lost in the Middle）
  - 指數級成本
  - 認知天花板
  - 訓練偏差
- 解決方案：多代理並行架構
  - 為什麼這樣有效：
- 保留錯誤：從失敗中學習
- 檔案系統作為記憶：無限情境的秘密
- 自我複述：不斷更新的 todo.md
- 結論：情境工程是真正的差異化優勢

## Content

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：

```markdown
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](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)

---

**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。

## Related URLs

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

## Citation

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