从 Manus 到 Cursor：揭示 AI Agent 上下文工程的实战与过度工程化的真相

作品声明：个人观点、仅供参考

现在，AI代理的竞争越来越激烈，而上下文工程则成了这场竞争的重心。你想想，代理在开发时，上下文信息的质量直接影响到模型的推理能力。

不过，在众多团队争先恐后进行上下文优化的时候，Manus和Cursor这两家行业领头羊却提出了一个颇为反常的观点：避免对上下文进行过度工程化，才是提升代理效率的关键所在。

它们跳出了“怎样把更多信息塞进上下文”的传统思维，转而去探讨“如何为代理创造一个信息丰富、易于探索的外部环境”。这样的实践思路，给行业带来了非常有价值的启示。

一、上下文缩减：从“硬塞”到“卸载”，破解上下文腐烂难题

随着代理工具调用的增多，上下文信息也在不断膨胀，每次调用的结果都要加到对话记录中，少的几十轮，多的上百轮交互，最终就会出现业内所说的上下文腐烂：推理速度慢、输出质量差、无意义的重复频繁。

针对这个问题，Cursor和Manus各自提出了不同的解决方案，但它们的核心思路却是一致的：上下文卸载，也就是把冗余的信息移到上下文窗口之外，必要时再精准地召回。

Cursor：万物皆可文件化，极致简洁的动态发现

Cursor把“卸载”这一理念发挥到了极致。它的核心思路是以文件为基础单元，将所有冗长的信息转化为可检索的文件，供代理按需取用。

1. 工具结果文件化：面对Shell命令和MCP协议返回的大量JSON响应，Cursor不再简单地截断，而是直接写入文件，仅在上下文中留下“结果在output.log中”的提示。代理可以先用tail查看关键信息，必要时再读取完整内容，这样既节省Token又不丢失细节。
2. 聊天记录文件化：当上下文窗口达到上限时，Cursor会生成一份工作摘要，同时保留完整聊天历史的文件引用。若代理发现摘要遗漏了重要信息，就能自主检索历史文件，避免摘要造成的知识流失。
3. 终端会话文件化：集成终端的所有输出会自动同步到本地文件，用户问“命令为何失败”时，代理能迅速定位日志文件，甚至用grep筛选出错误行，无需手动复制粘贴。

在Cursor看来，文件是简单且强大的基础单元，这种方式比起开发新的抽象接口更安全、更容易落地。它提倡的动态上下文发现模式，实际上就是把信息检索的主动权交还给代理。

Manus：结构化可逆缩减，分阶段化解腐烂风险

与Cursor的简洁直接相比，Manus设计了一套有明确触发机制、分阶段执行的结构化缩减流程，其核心是在性能下降前主动干预，并尽量保证信息的可逆性。

1. 先定阈值：提前拦截腐烂信号
   Manus发现，模型的实际性能拐点远低于硬件规定的上下文上限，例如百万Token级别的模型，可能在20万Token时就开始显现腐烂迹象。因此，团队经过大量评估，划定了12.8万-20万Token的腐烂前阈值，作为触发缩减操作的信号。
2. 第一阶段：紧凑化，无损可逆的轻量化
   这是一种“剥离冗余”的无损操作，核心逻辑是：移除所有可从外部状态重建的信息。
   举个例子，代理在调用工具时向文件写入内容，历史记录中原本包含path和content两个字段。一旦写入成功，冗长的content就可以从上下文中剥离，只保留path。信息没有丢失，只是被“外部化”到文件系统中，后续需要时，代理凭借path就能找回完整内容。
   需要注意的是，紧凑化仅针对较早的50%历史记录，最新的工具调用将被完整保留，作为模型学习的例子。
3. 第二阶段：摘要化，有损但带保险的压缩
   当紧凑化收益达到极限时，Manus才会启动摘要化——这是一种有损的操作，但团队为其加上了“保险”：生成摘要前，会将完整上下文转储为日志文件。
   即便摘要丢失了细节，代理依然可以像开发者一样，用grep等命令从日志中检索数据。而且摘要化会保留最后几次完整的工具调用记录，以便模型能平滑衔接后续工作，保持行为一致性。

Manus强调，紧凑化是可逆的，而摘要化是不可逆的，二者结合，既实现了上下文的精简，又最大程度降低了信息损失。

二、工具管理：从“全量注入”到“动态发现”，告别工具过载

随着代理能力的增强，配备的工具越来越多，另一个问题也随之而来：将所有工具的详细描述塞进上下文，不仅浪费Token，还容易导致上下文混淆，使模型面对众多工具无所适从，甚至会出现错误的工具幻觉。

对此，Cursor和Manus都选择把主动权交给代理，让工具“动态可寻”而非“静态预置”。

Cursor：工具说明书文件化，索引+发现双层架构降本增效

Cursor的解决方案延续了“文件化”思路：将所有MCP工具和代理技能的详细定义同步到本地文件夹，上下文只保留工具名称列表。
它将工具管理分为两层：

• 索引层：系统提示词中仅含工具名称，极少占用Token；
• 发现层：工具的详细描述、参数定义、使用方法都存放在文件夹中。

当模型需要调用工具时，就像程序员查文档一样，主动去文件夹中用grep或语义搜索获取信息，再拉取到上下文中进行处理。

高效工具使用的新模式：分层设计让操作更简便

这种新方式真是立竿见影！A/B 测试的结果显示，使用 MCP 工具的任务中，Token 的消耗竟然减少了46.9%。更让人惊喜的是，文件化的操作还让 Agent 能够实时感知工具的状态。比如，当 MCP 服务器需要重新认证时，Agent 会主动提醒用户，而不是默默地“遗忘”了工具。

Manus：分层的行动空间，兼顾缓存友好与灵活性

Manus 认为，动态 RAG 的工具描述有明显缺陷：工具的定义一旦改变，就会重置 KV 缓存，历史调用记录也可能误导模型使用无效工具。所以，团队设计了一套三层行动空间，让复杂工具通过底层原子函数来间接调用。

1. 原子函数调用层（核心层）
   这一层只保留少量固定的原子函数，比如读取和写入文件、执行 Shell 命令，以及在文件和互联网中搜索。这一层的功能边界非常清晰，不会随意变动，特别适合与 KV 缓存配合，并为 Agent 提供统一的外部交互接口。
2. 沙盒工具层（卸载层）
   大部分工具，比如格式转换器、语音识别工具，甚至 MCP 的调用，都被预装在定制的 Linux 虚拟机沙箱里。Agent 其实看不到这些工具的详细定义，而是通过第一层的 Shell 命令与它们互动，比如用 ls /bin 查看工具列表，或者用 mcp_cli –help 来学习如何使用。
3. 软件包与 API 层（代码层）
   针对需要大量内存计算或复杂第三方交互的任务，Agent 可以编写并执行 Python 脚本。比如在分析一整年的股票数据时，Agent 不会把原始数据直接塞进上下文，而是通过脚本进行计算，只返回摘要结果。

这套分层设计的魅力在于：无论工具多复杂，最终都是通过原子函数进行调用，对模型来说，接口变得极为简洁，而且缓存也更稳定。

三、多 Agent 协作：从“共享内存”到“契约通信”，实现高效协同

多 Agent 协作的主要问题在于信息同步的成本高和输出结果的不一致性。Manus 从通信模式和输出约束这两方面入手，提出了一套可行的解决方案。

两种协作模式：灵活选择，平衡隔离与共享

Manus 借鉴了 Go 语言的哲学：“不要通过共享内存来通信，而是通过通信来共享内存”，设计了两种多 Agent 的协作模式：

1. 任务委托模式：通信保持隔离
   这是一个经典的主-子 Agent 架构。主 Agent 会把任务封装成简短的指令发送给子 Agent，子 Agent 拥有独立的上下文，从零开始执行任务，最终只返回结果。
   这种模式适合“重结果、轻过程”的任务，比如搜索代码片段。主 Agent 不需要关心子 Agent 使用了哪些工具，只需要结果列表，就像把子 Agent 当成一个“高级工具”一样。
2. 信息同步模式：共享上下文实现深入协作
   对于那些高度依赖历史信息的复杂任务（比如撰写深度研究报告），任务委托模式的文件传递会引发很大的延迟。这时，子 Agent 会继承主 Agent 的完整上下文，同时拥有独立的系统提示词和行动空间。
   不过，Manus 也提醒，这种模式成本较高，子 Agent 启动时需要填充大量的输入，而且无法复用主 Agent 的 KV 缓存，因此需要根据任务的性质灵活选择。

Agent 化的 MapReduce：用契约确保输出一致性

当多个 Agent 同时工作时，如何确保输出结构一致、内容准确呢？Manus 设计了一套“Agent 化的 MapReduce”系统，核心是用结构化契约约束输出：

1. 共享沙箱：畅通信息传递通道
   所有的 Agent 会话都在同一个虚拟机沙箱中运行，共享文件系统。信息传递不需要复杂的协议，只需传递文件路径，这样就解决了输入同步的问题。
2. 输出 Schema：定义统一契约
   主 Agent 在创建子 Agent 之前，必须先定义输出 Schema，这就像是一个强制执行的 API 合同，明确规定了结果的数据结构。
3. 约束解码：确保契约的遵守
   子 Agent 配备了专门的工具 submit_result，系统通过约束解码技术，确保提交的结果严格符合 Schema 要求。

这套设计的本质就是用模式和结构化输出作为“契约”，让多 Agent 协作的信息传递更加高效和可靠。

四、回归本质：避免过度工程化，把主动权交给模型

从 Cursor 和 Manus 的实践中，我们能看到两者的设计理念高度一致：少即是多，简化优于复杂。

Cursor 的“动态上下文发现”强调，初始上下文提供的细节越少越好，这样 Agent 能自主探索信息；而 Manus 则提倡“少构建，多理解”，认为上下文工程的目标是让模型的工作变得更简单，而不是复杂。季逸超曾提到，Manus 显著的效能提升并不全靠复杂的检索技巧，而是通过架构的简化和对模型的信任。

它们的探索为行业指明了一个重要的发展方向：未来的上下文工程将从“如何塞更多信息”转向“如何营造更好的环境”。随着基础模型能力的提升，把信息检索和工具选择的主动权交给模型，才是更高效、可持续的路径。

毕竟，最优秀的上下文工程，是让模型感觉不到“工程化”的存在。