例子：一个工具调用，完整信息是{path: "file.txt", content: "..."}。在“压缩”后，只保留{path: "file.txt"}。
优势：信息“零”丢失，只是被“外置”了。
2. 摘要 (Summarization)：不可逆的“遗忘”
定义：对历史信息进行总结，彻底丢弃原文。
优势：大幅度释放上下文空间。
Manus的策略堪称精妙：
设置“腐烂”闹钟：首先，团队会设置一个“腐烂阈值”，比如128K。
先“压缩”，后“摘要”：当上下文达到128K时，系统首先触发“压缩”。只在“压缩”的收益也变小时，才万不得已触发“摘要”。
“压缩”的艺术：执行“压缩”时，只压缩最老的50%历史，并保留最新的50%工具调用的完整信息。这能确保模型有足够的新鲜“样例”来模仿，防止其行为错乱。
“摘要”的技巧：执行“摘要”时，会使用原始的、未经压缩的数据来总结，以保证信息保真度。并且，同样会保留最后几个工具调用的全量信息，防止模型“忘记自己刚刚在干什么”。
6. 在流沙上构建：5次重构与“更贵”的开源
这套复杂的“上下文工程”架构，就是Manus的护城河。它让Manus有能力在“流沙”（不断迭代的大模型）之上构建稳固的应用。
“从3月到现在，我们已经重构了5次。”Peak说。
这种“上下文工程”能力，也让他们在选择模型时有了更反直觉的洞察。
Peak甚至认为，对于Agent应用，使用开源模型可能“更贵”。
“这很有趣，关键在于成本。”他解释道，“Agent的输入（上下文）远大于输出，KV缓存至关重要。”而头部API厂商（如Anthropic）在分布式KV缓存上做了坚实的基建，使得在超长上下文中，API的成本甚至低于自托管的开源模型。
7. 结语：构建更少，理解更多
回顾Manus的历程，Peak给出了他最深刻的领悟：
“我们最大的飞跃，不是来自添加了更花哨的上下文管理技巧，而是来自‘简化’和‘移除不必要的层’。”
“我们最终的哲学是：构建更少，理解更多（Build less and understand more）。”
这位10年NLP老兵最后总结道：
“上下文工程的真正目标，不是让你的系统更复杂，而是让模型的工作，变得更简单。”
from Langchain
Context Engineering for AI Agents with LangChain and Manus
优势：信息“零”丢失，只是被“外置”了。
2. 摘要 (Summarization)：不可逆的“遗忘”
定义：对历史信息进行总结，彻底丢弃原文。
优势：大幅度释放上下文空间。
Manus的策略堪称精妙：
设置“腐烂”闹钟：首先，团队会设置一个“腐烂阈值”，比如128K。
先“压缩”，后“摘要”：当上下文达到128K时，系统首先触发“压缩”。只在“压缩”的收益也变小时，才万不得已触发“摘要”。
“压缩”的艺术：执行“压缩”时，只压缩最老的50%历史，并保留最新的50%工具调用的完整信息。这能确保模型有足够的新鲜“样例”来模仿，防止其行为错乱。
“摘要”的技巧：执行“摘要”时，会使用原始的、未经压缩的数据来总结，以保证信息保真度。并且，同样会保留最后几个工具调用的全量信息，防止模型“忘记自己刚刚在干什么”。
6. 在流沙上构建：5次重构与“更贵”的开源
这套复杂的“上下文工程”架构，就是Manus的护城河。它让Manus有能力在“流沙”（不断迭代的大模型）之上构建稳固的应用。
“从3月到现在，我们已经重构了5次。”Peak说。
这种“上下文工程”能力，也让他们在选择模型时有了更反直觉的洞察。
Peak甚至认为，对于Agent应用，使用开源模型可能“更贵”。
“这很有趣，关键在于成本。”他解释道，“Agent的输入（上下文）远大于输出，KV缓存至关重要。”而头部API厂商（如Anthropic）在分布式KV缓存上做了坚实的基建，使得在超长上下文中，API的成本甚至低于自托管的开源模型。
7. 结语：构建更少，理解更多
回顾Manus的历程，Peak给出了他最深刻的领悟：
“我们最大的飞跃，不是来自添加了更花哨的上下文管理技巧，而是来自‘简化’和‘移除不必要的层’。”
“我们最终的哲学是：构建更少，理解更多（Build less and understand more）。”
这位10年NLP老兵最后总结道：
“上下文工程的真正目标，不是让你的系统更复杂，而是让模型的工作，变得更简单。”
from Langchain
Context Engineering for AI Agents with LangChain and Manus
