今年3月，AI智能体界突然杀出一匹“黑马”——Manus。它的火爆程度，连二手平台上的内测邀请码都被炒到上万元。这款由初创公司“蝴蝶效应”打造的产品，被不少人称为“全球第一款通用Agent”，能自己搞定筛简历、做房产研究、分析股票等一系列任务。
然而，热度还没消退，Manus就被曝“撤出”中国市场，一夜之间清空了国内社交媒体账号，瞬间点燃了行业的争议情绪。
在舆论漩涡中，联合创始人季逸超发布了一篇技术博客——《AI智能体的上下文工程：来自构建Manus的教训》。他没有正面回应质疑，而是选择做一次纯技术复盘，总结了 Manus发展的经验教训。从一开始的战略选择，到产品的不断迭代，内容非常详实，值得一看。
Manus的战略聚焦
（季逸超技术博，截图来自Manus官网）
外界一直有人质疑Manus“没自研底层”，只是套壳。季逸超这次开篇就亮明了态度：这是Manus的战略选择。
他提到了一个词，叫PMF（Product-Market Fit，意思是产品与市场需求达到一个最佳的状态），这是网景创始人Marc Andreessen提出的一个概念。说初创企业最需要优先验证的就是产品与市场的契合度，这是创业成功的首要前提。
很显然Mauns听进去了。
在创业初期，季逸超也想要自研基座，但很快发现这条路效率太低。哪怕不是LLM这样规模的模型，每次微调和评估也需要好几周，根本就顾不上市场需求，更别提验证PMF了。
另外，LLM横空出世了。它揭示了一件事儿，很多公司押注某一套自研模型或者开源架构，其实会带来巨大的技术锁定风险。一旦出现性能更强、价格更低的新模型，迁移成本会高的吓人。
于是，季逸超团队认清了自身边界，在Manus项目一开始就做出了一个关键决策：放弃自研模型，基于前沿模型的上下文学习能力构建一个智能体，“让Manus成为船”。
（季逸超技术博，截图来自Manus官网）
找到自己的战略“单点”，其实是一个“失去”的故事。
创业的残酷就在于，资源有限，欲望无限。所以混沌讲单点击穿，把战略聚焦到一个点上，投入几倍、几十倍甚至上百倍的资源进去，达到某个阈值后，别人才会看见你。
押注“上下文工程”
那么，Manus押注的上下文工程到底是什么东西？
在LLM应用领域，上下文工程（Context Engineering）目前是一个相当关键的概念，也可以说它是继“提示词工程”（Prompt Engineering）后的又一个技术热点。
LLM 的工作方式是这样的：你给它一段文本（上下文），它会生成一段新的文本（输出）。我们没有办法改变模型本身，那优化输出的关键，就在于如何构建最有效的输入文本，来引导模型生成我们期望的输出。
OpenAI的创始科学家 Andrej Karpathy 有一句话很形象：“LLM 是一种新型操作系统。你的任务不是给它零散的命令，而是提供运行所需的全部数据和环境。”
上下文工程，干的就是这个事儿。所谓的“上下文”，不仅是你发送给LLM的单一的提示。你可以把上下文想像成一个系统，它能在恰当的时间，以恰当的格式，提供给模型在生成响应之前看到的一切，让LLM完成任务。让它去推理、决策、执行。
换成人类工作场景，其实每个职业都有自己的上下文。对一个产品经理来说，上下文可以是用户调研报告、需求文档、市场分析、项目进度表……对记者来说，上下文可以是采访录音、新闻档案、公开数据集、消息来源的背景信息……
“上下文工程”，其实是在解决一个AI落地的终极问题：像LLM这样的大模型，到底怎么从“万能但松散”的通用助手，成为一个帮你解决麻烦问题的专家。最后，加入到各行业的工作流当中，实现从技术到生产力的跃迁。
（季逸超技术博，截图来自Manus官网）
技术上的核心优化原则
在这篇技术文档里，季逸超还分享了Manus的六个核心优化原则：
1. 围绕 KV-cache 设计
• 保持提示前缀稳定、上下文只追加、明确缓存断点，降低成本和延迟。
2. 遮蔽而非移除工具
• 避免动态修改工具列表导致缓存失效和模型混乱，通过 logits 屏蔽控制模型能“看见”的工具。
3.文件系统作为上下文外部化内存
• 让模型把长期记忆写入虚拟文件系统，按需读写，实现外部记忆，规避信息丢失。
4. 重写ToDo清单，通过复述操控模型注意力
• 动态更新 todo.md文件，将全局目标拉回到LLM 近期注意力范围，防止任务跑偏。
5. 保留错误记录
• 不隐藏失败尝试，让模型从错误中调整学习，提升长期表现。
6. 打破少样本模式陷阱
• 引入格式和措辞的变化，避免模型陷入模式化行为。
这一系列方法即是技术关键，其实也是Agent商业落地的生命线——稳定性、效率、可扩展性全在里面。
季逸超虽然在舆论层面看似“避开了热点”，只谈技术。但这篇文章从头到尾讲述了一件事儿，那就是锚定“上下文”工程的Manus其实是非常务实的。
为什么“跑路”
所以，为什么它要“跑路”？或许是出于自身利益的综合考量。
有业内人士认为，“跑路”直接原因是投资后的安排。另外，长期来看作为中小型企业，Manus无力承担两个市场的产品研发。
它在商业层面的增长压力也是不容忽视的。之前不少国内用户觉得Manus定价过高，功能上又没有和国内的其他Agent产品形成明显的差异化优势，付费转化率不佳。业内人士指出，“国内市场在C端应用创新上领先，但在付费习惯和成熟度上（尤其是B端企业软件）与北美市场存在差异。”从商业发展的角度看，或许这次战略侧身，是为了把火力集中在更有商业回报的地方。
毕竟，在基础模型厂商凭借底层模型发力Agent赛道的背景下，纯Agent创业公司如何在激烈的竞争中立足，已经是不得不思考的问题。
不论如何，Manus向行业释放了一个信号：在AI Agent 商业化的早期阶段，技术上的核心壁垒，很可能不在模型本身。
这种判断并不是孤立的。
近一年来，无论是国内的“垂直Agent”创业潮，还是海外新一代Agent 的出现，都指向一个事实：单靠大模型的通用能力，无法稳定融入专业工作流，真正的竞争力来自于如何为模型构建一个“系统”——在正确的时间提供正确的信息，让它的推理、决策和行动有据可依。在“百模大战”白热化的阶段，新生代AI公司要想站住脚，Manus的经历可以去琢磨和思考一下。
