一位拥有10年NLP（自然语言处理）经验的AI创业公司联创坦言：“对于创业公司，过早微调（Fine-tuning）模型是一个陷阱。”
这不是危言耸听。
Manus的联合创始人兼首席科学家Peak，在最近与LangChain创始人的对谈中，分享了他的“血泪教训”：他的上一个产品，迭代速度被长达1-2周的模型训练周期活活拖死。
这一次，他选择把所有赌注压在“上下文工程”（Context Engineering）上，并为此，他的团队在短短几个月内，将产品重构了整整5次。
为什么他如此笃定？
1. “微调”的陷阱：被模型拖垮的“上一个”公司
在创立Manus之前，Peak已经在NLP领域摸爬滚打了10年。他的上一个创业项目，和现在许多AI团队一样，选择了“训练自有模型”的重度路线。
结果是灾难性的。
“我们的产品创新速度，完全被模型的迭代速度给限制了。”Peak回忆道。
在产品还没找到PMF（市场契合点）的阶段，他们却在花费大量时间“提升那些可能根本不重要的基准测试”。一个单一的“训练-评估”周期，就需要1到2周。
当团队在焦急地等待模型时，市场窗口早已关闭。
但最大的“陷阱”还不是时间，而是“僵化”。
“当你微调一个模型时，”Peak解释道，“你通常会固定一个‘行动空间’（Action Space）。”
这就像你花重金打造了一把精妙绝伦的“屠龙宝刀”。但如果第二天，巨头发布了（比如多模态MCP），市场不再需要“屠龙”，而是需要“飞天”，你这把刀就成了一堆废铁。
“Manus的设计就曾被MCP的发布彻底改变。”Peak坦言，如果他们当时死磕微调，唯一的下场就是被市场活活抛弃。
2. 划清界限：AI应用层的真正边界
经历了上一次的“痛苦”领悟，Peak这次为Manus找到了一个清晰无比的战略边界。
“你必须坚定地划清你的界限（Be firm about where you draw the line）。”
对于AI应用层创业，这条界限就是“上下文工程”。
Peak认为，这是目前应用和模型之间最清晰、最实用的边界。创业公司应该“尽可能久地”依赖通用大模型，而不是试图在模型层与巨头竞争。
巨头的护城河是“模型”，而应用层的护城河，就是你“使用”模型的能力——即“上下文工程”。
