上下文缩减新视角-可逆vs不可逆：Manus联合创始人 Peak Ji最新分享①

推荐语

Manus联合创始人Peak Ji揭秘上下文管理新范式：可逆压缩与不可逆摘要的黄金平衡法则。

核心内容：
1. 可逆压缩与不可逆摘要的精准区分与操作逻辑
2. 基于"上下文腐烂"概念的自动化管理策略
3. 保留Few-shot示例的关键执行细节与模型校准原理

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

在长上下文处理的实践中，上下文压缩常面临丢失关键信息的挑战。Manus公司的联合创始人Peak Ji分享了他们的最新实践，提出了一套关于“可逆”与“不可逆”的精妙平衡策略，为上下文管理提供了新的视角。

01

可逆压缩 vs. 不可逆摘要

首先，需要更新一个认知：不能笼统地将所有“减小上下文”的操作都称为“压缩”。为了精细化管理，Manus将其严格划分为两种操作。

第一种是压缩 (Compaction)，其核心是一种可逆的、无损的外部化。它的原理不是丢弃信息，而是去除上下文中任何可以从外部（如文件系统）重建的信息，用一个轻量级的“指针”来代替。例如，当Agent执行写入文件操作后，可安全地丢弃文件内容，仅保留文件路径作为“指针”，因为内容已存在于文件系统中，随时可以无损恢复。同样，Agent浏览网页后，可在上下文中只保留URL。

第二种是摘要 (Summarization)，这是一种有损、不可逆的操作。它只在“压缩”的收益很小时，才作为最后手段启用。为了对冲“不可逆”的风险，Manus提出一个重要实践，即“先卸载，再摘要”。在执行摘要前，系统会先将即将被总结的完整上下文历史写入日志文件，为“不可逆”操作提供了一份“保险”，确保原始信息永远可以回溯。

02

自动化管理策略：警报与分步执行

为了自动化管理这两种操作，Manus给出了一套清晰的策略。

首先，需要定义一个触发器。这个触发器基于“上下文腐烂 (Context Rot)”的概念，即模型在上下文超过一定长度后，性能会显著下降。工程上的应对方法是定义一个“前腐烂阈值 (Pre-rot threshold)”。

这个阈值并非模型的物理上限，而是通过测试找到的模型性能开始出现拐点的临界点，通常在128K到200K Tokens之间。它将作为触发所有上下文缩减操作的“警报线”。

当上下文长度触及“警报线”时，系统将分步执行：
1. 优先压缩：系统会优先且反复地使用风险最低的“压缩 (Compaction)”操作。上下文会暂时减小，然后继续增长，再次触线，再次压缩。
2. 启用摘要：直到上下文历史中大部分内容都已被压缩，新的压缩操作收益甚微时，系统才会启用“摘要 (Summarization)”这个“大招”，一次性总结大段历史，释放大量空间。

03

执行细节一：保留Few-shot示例

一个关键原则是，压缩永远不要压缩全部的历史记录，正确的做法是只对最旧的50%历史进行操作。因为上下文历史不仅是“记忆”，更是模型学习如何行动的“范例”。

必须保留最新的、几个工具调用的完整格式。这相当于在不断地“校准”模型的行为，通过新鲜、高质量的Few-shot示例教它如何正确使用工具。

如果将所有历史都压缩了，模型看到的上下文中就全是缺少`content`字段的“残缺”范例。由于模型是强大的模仿者，它可能会错误地认为这种“残缺”格式是正确的，从而在新的工具调用中也只输出这种紧凑格式，导致Agent系统混乱。

04

执行细节二：确保摘要质量与平滑过渡

在执行“摘要”这个有损操作时，有两个关键原则必须遵守。

原则一：摘要必须基于完整版本的数据进行提炼，而不是基于已经被压缩过的数据。如果让模型去总结一堆只剩下“指针”的信息（如文件路径），它无法提炼出有价值的内容。必须找到被压缩前的原始数据，在那个完整版本上进行摘要，才能保证摘要的质量。

原则二：永远要保留最后几个工具调用的完整细节，而不是全部总结掉。对于Agent而言，这最后几个完整的“行动-观察”对是其保持任务连续性的“锚点”，能让模型清晰地知道中断点和当前目标，从而平滑地继续任务。如果将所有内容都总结掉，模型可能会“失忆”，导致行为和对话出现突然的转变。