Manus战略调整与技术路线 - 公司近期撤出中国市场并清空国内社交账号内容，全力转战海外市场，官方解释为经营效率调整及国际化布局[1] - 联合创始人季逸超发布技术博客，从技术角度回应战略调整，总结Agent研发经验教训[1] - 技术侧重点转向上下文工程，通过构造"记忆"与流程实现产品快速迭代，核心目标是节省底层模型训练成本并提高训练效率[1] 上下文工程的技术细节 - 上下文在大模型中指任务处理时的参考信息集合，可增强模型理解能力、任务性能及输出连贯性[2] - 月之暗面Kimi创始人杨植麟认为无损长上下文是实现个性化交互的关键，用户交互历史本身就是最佳个性化过程[2] - KV-Cache命中率是Transformer模型推理阶段的效率核心，高命中率可提升推理效率、优化资源利用率并降低计算成本[2] 公司技术路线的决策背景 - 基于Peak Labs创业教训：团队曾投入开放信息提取模型研发，但GPT-3与Flan-T5的出现使自研模型失去竞争力[3] - 当前策略放弃基座模型研发，选择使用开源基础模型训练端到端Agent或基于前沿模型上下文能力构建Agent[3] - 经历四次Agent框架调整才实现局部最优解，反映上下文工程实施的复杂性[3] 当前技术策略的局限性 - 依赖外部多模型组合与工程优化，在任务连贯性与准确性上弱于OpenAI专用端到端训练的ChatGPT Agent[4] - OpenAI底层模型优势吸引开发者与用户至大厂平台，创业公司虽在垂直领域有空间，但面临市场份额争夺挑战[4] - Agent行业存在同质化严重、商业模式不明、成本高企等问题，上下文工程亮点不足以形成显著差异化[4]