大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



 
  
    
     
当前做 AI Agent 的公司，无论 Manus、Cursor、Anthropic 还是 OpenAI，本质上都在解决同一个问题：LLM 应该什么时候看到什么信息，信息应该如何组织。
 

有意思的是，这些公司都把自己的方案公开了——通过博客、SDK 文档、研究论文。每家公司从不同的约束出发，走出了不同的方案。有些方案趋于一致，有些甚至互相矛盾。

这篇文章把各家的方案拆开来看，做了横向对比，总结出哪些技术正在成为行业标准，哪些还在实验阶段。

• 1. 问题背景
• 2. Manus：六条生产原则
• 2.1 背景
• 2.2 六条原则
• 3. Cursor：动态上下文发现
• 3.1 背景
• 3.2 五种技术
• 4. Anthropic：注意力预算框架
• 4.1 背景
• 4.2 核心策略
• 5. OpenAI：会话记忆即基础设施
• 5.1 背景
• 5.2 三种模式
• 6. Google：长上下文赌注
• 6.1 背景
• 6.2 方案
• 7. LangChain：框架分类法
• 7.1 背景
• 7.2 四个操作
• 8. 方案对比矩阵
• 8.1 上下文窗口管理
• 8.2 信息检索
• 8.3 规划与一致性
• 8.4 多 Agent 与隔离
• 8.5 记忆与健壮性
• 9. 总结
• 9.1 共识
• 9.2 争议
• 9.3 未解决
• 9.4 值得关注
• 10. 开放问题
• 参考资料

---

1. 问题背景

---

所有公司都面对同一个约束：上下文窗口是有限的，而 Agent 生成的 token 是指数级增长的。

一个典型任务大概涉及 50 次工具调用。每次调用都会向上下文添加观察结果。没有干预的话，窗口很快就会填满，性能下降——这就是"上下文腐烂"（context rot）。

各公司的叫法不同，Anthropic 称之为"注意力预算"问题，LangChain 用"上下文窗口 = RAM"做类比，但结论是一致的：更聪明的上下文管理，比更大的上下文窗口更重要。

---

2. Manus：六条生产原则

---

2.1 背景

Manus 服务数百万用户。典型任务平均 50 次工具调用，输入与输出 token 比例是 100:1。

他们重写了四遍 Agent 框架，每次都是因为发现了更好的上下文塑形方式。他们把这个过程称为"随机梯度下降"。

2.2 六条原则

KV-Cache 是神圣的。 缓存的 token 成本是 ，未缓存是3/MTok，相差 10 倍。保持 prompt 前缀稳定，日志只追加。即使重新排列 JSON 键名也会使缓存失效。

用 Logit 屏蔽而非移除工具。 所有工具永久加载。每步的可用性通过在解码时约束输出 token 概率来控制。上下文保持稳定，只有行为约束在变。

文件系统作为扩展记忆。 大型观察写入文件；只有轻量级引用留在上下文里。只要可逆，压缩就 OK。

通过背诵操作注意力。 一个"活"的待办事项列表每步更新并重新阅读，把当前目标放在高注意力区域（上下文末尾）。

保留错误，不清理。 失败的操作留在上下文里用于隐式信念更新，减少重复犯错。

结构化变化防止固化。 不同迭代使用不同的序列化模板和措辞，防止模型陷入僵化的重复模式。

---

3. Cursor：动态上下文发现

---

3.1 背景

Cursor 在 2026 年 1 月的研究博客中描述了五种技术。核心发现是：随着模型变强，少给细节、让 Agent 自己拉上下文，效果反而更好。他们用 A/B 测试数据支撑这个结论。

3.2 五种技术

文件作为工具输出接口。 大型 JSON 响应写入文件。Agent 通过 tail/grep 增量读取。不做不必要的摘要。

聊天历史文件实现无损压缩。 完整历史在摘要前保存到文件。Agent 可以恢复任何丢失的细节——有损压缩变成了无损压缩。

技能作为可发现文件。 领域能力存为文件，通过搜索发现，不预加载到 system prompt 里。

懒加载 MCP 工具。 只预加载工具名称。按需获取完整定义。A/B 测试中减少了 46.9% 的 token。

终端会话作为文件。 Shell 历史变成可搜索的文件，Agent grep 需要的内容。

核心假设：模型现在足够好，知道自己需要什么上下文。

---

4. Anthropic：注意力预算框架

---

4.1 背景

Anthropic 在 2025 年 9 月发布了被很多人视为上下文工程奠基性的框架，2026 年 1 月深入探讨了长时间运行的 Agent Harness，2025 年 11 月研究了基于 MCP 的代码执行。这些工作都建立在构建 Claude Code 的基础上。

4.2 核心策略

System Prompt 的金发女孩区。 Anthropic 发现了两种失败模式：过度工程的 system prompt（2K+ 词的 if-else 逻辑，在边缘情况崩溃），以及模糊的 prompt 如"be helpful"（模型无所适从）。他们的解决方案：把 prompt 组织成清晰的部分（XML 标签或 markdown 标题），用典型示例展示预期行为，让模型处理边缘情况而不是硬编码。

即时检索。 Agent 在运行时根据实际需要检索上下文，正在从推理前 RAG 转向循环内检索。

无重叠的精简工具。 如果人类工程师说不出在给定情况下该用哪个工具，模型也不行。工具应该是自包含且明确的。

95% 时压缩。 Claude Code 在窗口达到 95% 容量时自动摘要。对于长时间运行的 Agent，一个初始化 Agent 写一个跨窗口持久化的全面需求文件（200+ 特性）。

代码执行优于直接工具调用。 对于多服务器的 MCP，Agent 写代码调用工具而不是直接调用。定义留在文件系统里。

两种失败模式：Agent"一杆进洞"复杂项目（在实现中途耗尽上下文），以及压缩在跨窗口时信息传递不完整。解决方案：文件系统里的结构化规划文件。

---

5. OpenAI：会话记忆即基础设施

---

5.1 背景

OpenAI 的方案记录在他们的 Agents SDK 和两份详细的 cookbook 中——一份关于短期会话记忆（2025 年 9月），一份关于长期上下文个性化（2025 年 12 月）。

他们的贡献是面向框架的：开发者可以直接采用的模式。

5.2 三种模式

截断。 删除更早的轮次，保留最后 N 个。简单、确定性、零延迟，但会导致早期约束"失忆"。

压缩。 用单独的模型调用摘要更早的历史。摘要作为"清洁室"可以修正之前的错误。风险：摘要漂移。

基于状态的长期记忆。 结构化状态对象（profile + notes）跨会话持久化。每次运行：提炼记忆 → 合并 notes → 注入状态（优先级：最新输入 → 会话 → 全局默认）。

关键区别：OpenAI 把基于检索的记忆（作为文档搜索过去交互）与基于状态的记忆（带优先级的结构化字段）做了对比。基于状态的支持信念更新而非事实积累，更可靠、更确定性。

---

6. Google：长上下文赌注

---

6.1 背景

Google 的方案与名单上的其他人都不同。其他公司专注于把正确的 token 塞进有限的窗口，Google 押注富足——Gemini 模型提供高达 2M token 的上下文，研究测试甚至到 10M。他们的 ReadAgent 论文（2024）为记忆压缩提供了互补的研究角度。

6.2 方案

“全放进去。” 默认填满上下文窗口。RAG 和摘要是有限上下文模型的 workaround。证据：Gemini 仅从上下文材料就学会了翻译 Kalamang（不到 200 speakers）。

上下文缓存。 通过缓存 API 减少高达 75% 的成本，类似于 Manus 的 KV-cache 优化。

渐进截断。 压缩更早的上下文同时保持逻辑线程。

ReadAgent - Gist Memory（研究）。 把交互压缩成情景"gist 记忆"，需要时查找原文。有效上下文增加 20 倍。模型人类阅读长文档的方式。

多样本上下文学习。 独特优势利用巨大的上下文窗口——数百/数千个样本在上下文里，达到微调模型的表现。

张力在于：长上下文没有消除上下文工程，但改变了它的样子。研究仍然显示上下文长度增加时性能下降 15-47%。

---

7. LangChain：框架分类法

---

7.1 背景

他们的贡献是分类学的——把别人的做法组织成连贯的框架，基于他们的 LangGraph 实现和"Deep Agents"分析。

7.2 四个操作

写——把上下文保存在窗口外。 草稿本、持久化状态对象、文件系统存储。例子：Anthropic 的多 Agent 研究员把计划存到记忆里，因为超过 200K token 的上下文会被截断。

拉——拉取相关上下文。 RAG、语义搜索、文件系统遍历（grep/glob）。挑战是在正确的时间检索正确的上下文，不只是最语义相似的。

压缩——只保留必要的 token。 对话摘要、工具输出压缩。LangChain 测量到端到端摘要从 115K 减少到 60K token。

隔离——跨 Agent 分割上下文。 多 Agent 架构中子 Agent 有自己的上下文窗口，防止"上下文污染"——无关细节在共享窗口里累积。

No-op 工具作为上下文工程。 他们的"Deep Agents"分析发现 Claude Code 的待办事项工具功能上什么都不做，但它纯粹是一种上下文策略——强制 Agent 表述它的计划，在长轨迹中保持正轨。

---

8. 方案对比矩阵

---

图例：[C] = 核心差异化特性 [Y] = 使用/倡导 [–] = 公开未讨论 [alt] = 同一问题的不同方案

8.1 上下文窗口管理

8.2 信息检索

8.3 规划与一致性

8.4 多 Agent 与隔离

8.5 记忆与健壮性

---

9. 总结

---

9.1 共识

• 文件系统作为扩展记忆。

  动态优于静态检索。长时间任务用持久化计划文件。错误追踪保留，不清理。

9.2 争议

• 工具过载怎么处理：

  Manus 的 logit 屏蔽 vs Cursor 的懒加载——相反的策略，都有效。

• 长上下文 vs 精简上下文：

  Google vs 其他所有人。

• 用框架还是原始原语。

9.3 未解决

• 会话记忆：

  没有两家公司做法相同。

• 上下文工程评估：

  没有标准 benchmark。Cursor 的 46.9% token 减少是少数公开的数据之一。

• 何时隔离子 Agent 上下文 vs 共享：

  仍然是纯经验性的。

9.4 值得关注

做出最好 Agent 的团队一直在简化。Manus 重写了五遍。每遍都在删除东西。如果你的 Agent harness 越来越复杂，而模型越来越好，那就有问题了。

---

10. 开放问题

---

• 长上下文 vs 智能压缩——规模化后谁赢？
• 子 Agent 应该共享上下文还是只传递结果？
• 怎么评估上下文工程的质量？

为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选

很简单，这些岗位缺人且高薪

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

深耕科技一线十二载，亲历技术浪潮变迁。我见证那些率先拥抱AI的同行，如何建立起效率与薪资的代际优势。如今，我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理，分享于此，为你扫清学习困惑，共赴AI时代新程。

我整理出这套 AI 大模型突围资料包【允许白嫖】：

• ✅从入门到精通的全套视频教程
• ✅AI大模型学习路线图（0基础到项目实战仅需90天）
• ✅大模型书籍与技术文档PDF
• ✅各大厂大模型面试题目详解
• ✅640套AI大模型报告合集
• ✅大模型入门实战训练

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

包含提示词工程、RAG、Agent等技术点

全过程AI大模型学习路线

市面上的大模型书籍确实太多了，这些是我精选出来的

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：
有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓