在构建通用型 AI Agent 的道路上，目前业界主要形成了两条技术路线：端到端训练和上下文工程。 模型厂商通常拥有丰富的模型训练经验，以及强大的自有闭源基础模型，因此更倾向于通过端到端训练，来充分发挥自身的独特优势。而最近几家通用Agent创业公 司却都选择了后一条路径。 Manus团队最近发表了一篇题为《AI代理的上下文工程：构建Manus的经验教训》的文章，作为上下文工程路线的代表性实践者，他们分享了自己的技术选择和实 战经验。 Manus AI的技术负责人季逸超，在文中坦诚地分享了选择上下文工程而非端到端训练的原因：上一次创业时，他花费大量时间训练的自研模型在GPT-3发布后一夜 之间变得毫无价值。这个惨痛教训让他深刻认识到，在大模型快速迭代的时代，构建系统时应该"成为涨潮中的船，而非固定在海床上的支柱"。 这个来之不易的教训让选择变得清晰：Manus将押注于上下文工程。这使我们能够在几小时内而不是几周内发布改进，并使我们的产品与底层模型保持正交：如果 模型进步是涨潮，我们希望Manus成为船，而不是固定在海床上的支柱。 尽管如此，上下文工程远非简单直接。这是一门实验科学——我们已经四次重建代理框架， ...