#260. AI Agent的“上下文工程”实战指南 —— LangChain与Manus创始人深度对话

episode

跨国串门儿计划 not yet transcribed

▲ 0

Transcript

This episode hasn't been transcribed yet Upvotes decide what gets transcribed next — 0 so far. Sign in to upvote

More from 跨国串门儿计划

#365.风险共担与非对称性：塔勒布对话纳瓦尔，拆解真实世界的运行逻辑 1h 9m · 20 Dec 2025

All episodes from 跨国串门儿计划 →

Report any issue

Source

Recorded17 Oct 2025

Publisherfeed.xyzfm.space ↗

Handlerec:3930796

Show notes

📝 本期播客简介本期我们克隆了LangChain创始工程师Lance与Manus联合创始人兼首席科学家Peak的一场精彩对话。他们深入探讨了AI Agent领域前沿的“上下文工程”概念。Lance首先介绍了上下文工程的兴起，指出随着Agent自主运行和频繁调用工具，上下文信息会无限增长，导致模型性能下降。他分享了五大核心策略：将不必要的信息“卸载”到外部文件系统、对上下文进行“精简”或“总结”、根据需要“检索”关键信息、通过子Agent实现“上下文隔离”，以及“缓存”上下文以提高效率。Peak则从Manus的实践出发，分享了更多独到见解。他强调初创公司应优先依赖通用大模型和上下文工程，而非过早微调。Peak详细区分了“压缩”和“总结”两种精简方式，前者可逆且保留关键信息，后者则在上下文达到阈值时谨慎使用。在上下文隔离方面，他借鉴Go语言理念，区分了“通过通信”和“通过共享上下文”两种模式。最引人注目的是Manus的“分层动作空间”：将工具卸载为原子“函数调用”、沙箱内的“命令行工具”和可编写Python脚本调用的“代码包与API”，极大地扩展了Agent的能力，同时避免了上下文混淆。他们还探讨了如何通过结构化输出优化总结和Agent间通信，以及在实践中简化架构、信任模型所带来的巨大提升。这是一场关于如何构建高效、智能AI Agent的深度思考，为开发者提供了宝贵的实战经验。（主播：迭代版本没迭代出来，，，效果没达到预期，重新用老版本复更了 qwq）👨‍⚕️ 本期嘉宾Lance，LangChain 的创始工程师之一。Peak，Manus 的联合创始人和首席科学家。⏱️ 时间戳00:00 开场 & 播客简介00:00 欢迎收听跨国串门计划 & 本期内容简介02:35 嘉宾介绍：Lance (LangChain) & Peak (Manus)03:03 上下文工程：Lance 铺垫，Peak 深入分享新想法03:46 上下文工程的兴起与挑战03:46 从提示工程到上下文工程的演变04:46 Agent 运行中上下文无限增长的问题06:17 上下文过长导致模型性能下降的矛盾06:30 Lance: 上下文工程五大策略06:30 策略一：上下文卸载 (Offloading)07:47 策略二：上下文精简 (Compaction/Summarization)09:03 策略三：上下文检索 (Retrieval)10:03 策略四：上下文隔离 (Isolation)10:36 策略五：上下文缓存 (Caching)11:00 OpenDevin Research 项目中的应用实例13:09 Peak: Manus 的上下文工程实践14:04 为何初创公司应依赖通用大模型和上下文工程17:29 上下文精简：可逆的“压缩”与谨慎的“总结”21:33 上下文隔离：Go 语言启发的“通过通信”与“通过共享上下文”模式24:07 上下文卸载：解决工具上下文混淆25:00 Manus 的分层动作空间：函数调用、命令行工具、代码包/API30:37 上下文工程的平衡艺术：避免过度工程，信任模型31:12 Q&A 环节31:48 工具与沙箱：Agent 如何调用沙箱中的 Shell 工具32:43 记忆与评估：索引 vs. 文件系统，Agent 的长期记忆与用户反馈机制34:45 模型选择与架构演进：架构演进，模型进步下的持续重构与评估36:46 模型选择与架构演进：上下文数据格式，优先选择基于行的纯文本38:03 模型选择与架构演进：结构化输出，优化总结和 Agent 间通信39:32 模型选择与架构演进：复杂搜索场景下的“Agent 即工具”范式42:09 模型选择与架构演进：Agent 间通信，Manus 的“Agentic MapReduce”与模式约束43:57 模型选择与架构演进：模型选择，旗舰模型成本效益与任务级路由45:56 模型选择与架构演进：工具选择与分层动作空间的优势48:56 规划策略：从 todo.md 到独立的规划器 Agent50:28 多 Agent 设计：避免角色拟人化，聚焦核心功能 Agent51:44 知识管理器：回顾对话，识别长期记忆内容52:24 安全与护栏：沙箱、出站流量检查、用户手动确认敏感操作53:48 评估方法：用户反馈、内部自动化测试与人工评估55:36 强化学习与可验证奖励：当前不适用非固定动作空间57:23 模仿模型提供商工具：不建议使用相同名称58:45 结束语58:45 Peak 感谢与呼吁试用 Manus🌟 精彩内容💡 上下文工程：Agent 时代的核心挑战Lance 解释了“上下文工程”的兴起，指出随着 AI Agent 的自主运行和工具调用，上下文信息会无限增长，导致模型性能显著下降。这门艺术与科学旨在精确管理上下文窗口，确保 Agent 始终获得下一步决策所需的关键信息。“Agent 需要利用大量上下文信息来调用工具，但我们又知道上下文越长，模型性能就会下降。这是一个很棘手的局面。”🛠️ Manus 的分层动作空间：扩展 Agent 能力Peak 介绍了 Manus 独特的“分层动作空间”，将工具分为三层：原子“函数调用”（如读写文件）、沙箱内的“命令行工具”（如格式转换器）和可编写 Python 脚本调用的“代码包与 API”。这一设计极大地扩展了 Agent 的能力，同时避免了上下文混淆，并保持了模型接口的简洁性。“我们不把 MCP 工具注入到函数调用空间，而是在沙箱内通过命令行界面来完成所有操作。”🚀 上下文精简：可逆“压缩”与谨慎“总结”Manus 区分了两种上下文精简方式：“压缩”是可逆的，通过移除可重建信息（如文件内容，只保留路径）来减少上下文，确保信息不丢失。而“总结”是不可逆的，仅在上下文达到性能衰减阈值时谨慎使用，并会先将完整上下文卸载到文件系统以备恢复。“我们认为这种‘可逆性’至关重要，因为 Agent 的预测是基于之前的动作和观察结果链式进行的，你永远不知道哪个过去的动作会在十步之后突然变得超级重要。”💬 结构化输出：优化 Agent 间通信与总结在 Q&A 环节，Peak 强调了使用结构化输出（模式/Schema）的重要性。无论是 Agent 间的通信（如 Manus 的“Agentic MapReduce”中子 Agent 提交结果），还是对上下文进行总结，定义清晰的模式都能确保信息以稳定、完整的方式传递，避免自由格式总结可能带来的信息丢失或不一致。“不要用一个自由格式的提示让 AI 生成所有东西。相反，你可以定义一种模式（schema），就像一个表单，有很多字段，然后让 AI 去填充。”❤️ 信任模型与简化架构Peak 总结道，上下文工程是一门平衡的艺术，但 Manus 最大的进步来自于简化架构和对模型更多的信任。他建议开发者避免过度工程，因为模型能力在不断提升，移除不必要的复杂层反而能让系统更快、更稳定、更智能。“每一次我们简化架构，系统都会变得更快、更稳定、更智能。因为我们认为，上下文工程的目标是让模型的工作变得更简单，而不是更难。”🌐 播客信息补充翻译克隆自：Context Engineering for AI Agents with LangChain and Manus本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的使用 AI 进行翻译，因此可能会有一些地方不通顺；如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.