1
2
-
总结（Summarization）：比如，Agent在执行了一系列网页搜索后，会产生大量的工具调用输出。我们可以让另一个模型或一个精心设计的Prompt，将这些冗长的输出总结成几句关键结论，再放回上下文中。
-
压缩（Compression）：将信息进行结构化、有损或无损的压缩，剔除冗余部分。
-
索引（Indexing）与向量搜索（Semantic Search）：适用于大规模、非结构化数据的快速语义匹配。
-
文件系统（File System）与简单搜索工具：例如，通过`glob`（文件路径模式匹配）和`grep`（文本内容搜索）等命令，在代码库或日志文件中进行精准查找。
3
-
卸载（Offload）：在`Scope`阶段，Agent会先制定一份详细的研究计划纲要。这份纲要被立刻“卸载”并保存到外部文件中，而不是留在上下文中，因为它在`Research`阶段会不断被其他信息填充。当进入`Write`阶段时，这份计划纲要会被重新“检索”回来，作为撰写报告的核心指引。 -
减少（Reduce）：在`Research`阶段，Agent会进行多轮网页搜索和资料分析，产生大量消耗Token的观察结果。系统会运用“减少”策略，将这些冗长的搜索结果实时地总结成精炼的要点。 -
隔离（Isolate）：`Scope`、`Research`、`Write`这三个阶段可以由不同的子智能体负责，每个子智能体拥有独立的上下文，专注于自己的任务，互不干扰，这就是“隔离”思想的体现。
4
-
触发时机：Manus通过大量评估测试发现，模型的上下文窗口远在达到1M的上限之前（通常在128K到200K之间）就会开始“腐烂”。他们将这个“预腐烂阈值”作为触发“减少”操作的信号。
-
“压缩”优先，且可逆：触发后，系统首先启动“压缩”。例如，一个文件写入操作包含`路径`和`内容`两个字段，在压缩格式中，可以安全地舍弃超长的`内容`字段，仅保留`路径`。因为聪明的Agent后续可以通过路径重新读取文件，信息并未丢失，只是被外置了。这种可逆性至关重要，因为你永远不知道历史记录中的哪个细节会在未来变得关键。
-
谨慎“总结”，并备份：当多轮“压缩”后效果甚微时，系统才启动“总结”。但在总结前，会先将原始的、未压缩的上下文内容卸载备份到日志文件中，以便随时通过`grep`和`glob`检索恢复。同时，总结会特意保留最近几次完整的工具调用细节，以帮助模型理解中断位置，保持执行风格和语气的连贯性。
-
通过通信（Communicating）：适用于简单、独立的任务。主Agent向子Agent发送一个清晰的Prompt，子Agent的上下文仅包含该Prompt。主Agent不关心过程，只关心结果。这有点像任务外包，高效且隔离彻底。
-
共享上下文（Shared Context）：适用于需要完整历史记录的复杂任务（如DeepResearch）。子Agent可以看到主Agent的全部历史上下文（工具调用、观察结果等），但拥有自己独立的System Prompt和行为空间。这样做避免了让子Agent重新读取所有外部文件造成的延迟和Token浪费，但成本较高，因为无法复用KV缓存。
-
第一级：Function Calling：仅保留数量固定的原子级核心功能，如读写文件、执行Shell、搜索等。它们边界清晰，可组合性强。 -
第二级：沙箱实用工具（Sandbox Utilities）：在虚拟机沙箱中，预装大量实用程序（如格式转换器、语音识别工具）。Agent通过执行Shell命令来调用它们，完全不占用Function Calling的上下文空间。 -
第三级：软件包和API（Package & APIs）：对于需要大量计算或外部数据的任务（如分析全年股票数据），Agent可以在沙箱中运行Python脚本，调用各种库和API完成计算，然后仅将最终的总结结果返回到上下文中。
5
-
卸载 (Offload) + 检索 (Retrieve) = 更高效的 缩减 (Reduce)
-
稳定的 检索 (Retrieve) 是确保 隔离 (Isolate) 安全的前提
-
隔离 (Isolate) 会拖慢上下文处理速度，但同时也降低了 缩减 (Reduce) 的频率
-
过度的 隔离 (Isolate) 和 缩减 (Reduce)，会损坏 缓存 (Cache) 的效率及输出质量
6
-
`我修改过的文件`: [文件列表]
-
`用户的核心目标`: [目标描述]
-
`我上次中断的地方`: [状态描述]
