三个Markdown文件如何解决AI Agent的上下文漂移难题

近期，Meta 以 20 亿美元收购了 AI Agent 公司 Manus，引发了业界对其核心技术的关注。一位开发者在社区中分享了其对 Manus 工作流的逆向工程成果，揭示了其应对 AI Agent 普遍困境——上下文漂移——的核心模式。随着任务执行和工具调用的增多，AI Agent 的上下文窗口会不断膨胀，导致早期目标被淹没，任务逐渐偏离轨道。Manus 的解决方案出奇地简洁，其核心仅依赖于三个 Markdown 文件。

核心内容

Manus 工作流的核心是三个 Markdown 文件：task_plan.md 用于通过复选框追踪任务进度；notes.md 用于存储研究过程中的中间内容，避免其塞满主要上下文；deliverable.md 则用于存放最终交付物。其关键机制在于，Agent 在每次进行重大决策前，都会重新读取 task_plan.md 文件。这一操作并非为了减少 token 消耗，而是为了进行“注意力操控”。大型语言模型存在“大海捞针”问题，即随着上下文增长，模型会逐渐遗忘早期设定的目标。通过强制重读计划文件，核心目标被重新拉回模型的注意力窗口中心。

这一模式的有效性得到了独立验证。例如，Claude Code 会自动创建 plan.md 文件，GitHub 的 Spec-kit、多 Agent 管理框架 APM 等开源工具也实现了类似的工作流。多个独立方案的收敛，恰恰证明了该模式解决了真实存在的工程问题。

针对“写入 notes.md 同样消耗 token”的质疑，社区讨论指出，关键在于区分“存储”与“注意力焦点”。写入操作会产生 token，但将非核心信息移出主上下文，能有效保持主上下文的清洁和目标的突出。社区还提出了更进阶的架构方案：使用子 Agent 来处理上下文密集型的繁重任务。主 Agent 保持轻量，专注于进度追踪和协调；子 Agent 在独立上下文中完成任务后，将结果摘要汇报给主 Agent。这样既能处理复杂任务，又能维持主上下文的稳定性。

在实践层面，有开发者分享了将 Claude 视为员工的管理经验：一次只分配一个明确任务，每完成一步就进行提交和人工审核，强调可控的、分步的工作节奏，而非追求“设置后就忘”的全自动化。工作流设计的最佳实践包括：保持核心指令文件极度精简；将数据库、API 文档等专项知识拆分到独立文件，按需加载；维护“愿望清单”文件来记录未来需求，避免干扰当前任务流。