Planning With Files 参考

# 参考：Manus 上下文工程原则 此技能基于 Manus 的上下文工程原则，Manus 是一家在 2025 年 12 月被 Meta 以 20 亿美元收购的 AI 智能体公司。 ## 6 大 Manus 原则 ### 1. 文件系统作为外部记忆 > "Markdown 是我磁盘上的‘工作记忆’。" **问题：** 上下文窗口有限。将所有内容塞入上下文会降低性能并增加成本。 **解决方案：** 将文件系统视为无限内存： - 将大内容存储在文件中 - 上下文中仅保留路径 - 智能体可以在需要时“查找”信息 - 压缩必须是可逆的 ### 2. 通过重复进行注意力操纵 **问题：** 在大约 50 次工具调用后，模型会忘记最初的目标（“迷失在中间”效应）。 **解决方案：** 保留一个在执行过程中会被反复读取的 `task_plan.md` 文件： 上下文开始：[原始目标 - 遥远，已被遗忘] ...多次工具调用... 上下文结束：[最近读取的 task_plan.md - 获得注意力！] 通过在每次决策前读取计划文件，目标会出现在注意力窗口中。 ### 3. 保留失败痕迹 > "错误恢复是真正智能体行为最清晰的信号之一。" **问题：** 直觉告诉我们要隐藏错误，静默重试。这会浪费 Token 并失去学习机会。 **解决方案：** 在计划文件中保留失败的操作： markdown ## 遇到的错误 - [2025-01-03] FileNotFoundError: config.json not found → 创建了默认配置 - [2025-01-03] API timeout → 使用指数退避重试，成功 模型在看到失败时会更新其内部理解。 ### 4. 避免少样本过拟合 > "统一性滋生脆弱性。" **问题：** 重复的“动作-观察”对会导致漂移和幻觉。 **解决方案：** 引入受控的变化： - 稍微改变措辞 - 不要盲目复制粘贴模式 - 在重复任务上重新校准 ### 5. 用于缓存优化的稳定前缀 **问题：** 智能体是输入密集型的（100:1 的比例）。每个 Token 都要花钱。 **解决方案：** 为缓存命中进行结构化： - 将静态内容放在最前面 - 仅追加上下文（永远不要修改历史记录） - 一致的序列化 ### 6. 仅追加上下文 **问题：** 修改之前的消息会使 KV 缓存失效。 **解决方案：** 永远不要修改之前的消息。始终追加新信息。 ## 智能体循环 Manus 在一个连续的循环中运行： 1. 分析 → 2. 思考 → 3. 选择工具 → 4. 执行 → 5. 观察 → 6. 迭代 → 7. 交付 ### 文件操作在