过去一周，AI创投圈的目光被一份略显另类的万字长文牢牢锁住。主角是Manus，一家曾被寄予厚望的明星Agent创业公司；背景是其刚刚清空国内社交媒体，决然“撤出”中国市场的商业动作。 然而，创始人季逸超发布的这篇题为《AI智能体的上下文工程：来自构建Manus的教训》的博客，却巧妙地避开了所有对于裁员、迁址、商业模式的敏感话题，选择了一场纯粹到近乎“枯燥”的技术复盘。 这番“答非所问”，在行业内激起了远比新闻本身更复杂的涟漪。有人视其为天才的技术献祭，有人斥其为回避问题的公关辞令。为此，我们紧急组织了一场闭门快评会，链接了三位身处硅谷风暴中心的一线专家。他们分别代表着“资本”、“技术”和“产物”这三个决定AI项目成败的关键视角。 “当我花一个小时读完这篇长文，我的第一感觉不是在读技术博客，而是在看一份精心撰写、逻辑缜密的‘反向路演’（Reverse Pitch）。它没有问我要钱，却句句都在告诉我‘为什么未来应该投我’。这比我最近看过的90%的商业计划书都要高明。 过去一年，太多团队为了融资，把故事讲得天花乱坠，动辄就要‘重新定义’、‘自研基座’。这在资本充裕时是有效的叙事，但在今天，理性的投资人最怕的就是无谓地烧钱。季逸超开篇就坦承基于上一段创业经历，决定放弃自研模型。 这在投资人听来，无异于一份‘资本效率承诺书’。它传递的信号是：我们团队深刻理解边界，懂得聚焦，不会将宝贵的资金浪费在赢不了的军备竞赛上，而是要用在刀刃上。这种基于惨痛教训的清醒，本身就是一种宝贵的资产。 这篇文章最精彩的部分，在于他毫不避讳地展示了团队所经历的4次底层框架重构。这在很多创业者看来是‘弯路’，但在我们懂行的投资人看来，这恰恰是团队最宝贵的‘过程性资产’。为什么？因为在AI应用层，最终的产物形态或许可以被模仿，但通往这个产物形态过程中所积累的、对于失败的深刻理解（know-how of failure）是无法被复制的 他等于是在告诉我们：‘所有你们能想到的、通往稳定Agent的简单路径，我们都试过了，并且都失败了。我们现在选择的这条看似复杂的路，是唯一走得通的路。’这种由无数次试错沉淀下来的工程经验，才是应对大模型不确定性的真正壁垒。评估这种壁垒，你无法通过看代码或产物demo，只能通过和真正懂行的工程师对话来验证。 他通篇讲的‘上下文工程’（Context Engineering），其实是在回答一个根本性的问题：在后大模型时代，AI公司的核心竞争力是什么？他的答案是：将模糊的人类意图，精准翻译成机器可稳定执行的工作流的能力。这是一种普适性的、跨越文化和市场的核心能力。 通过将公司的核心价值锚定在这样一个纯粹的技术概念上，他巧妙地将其撤出中国的商业行为，从一个区域性的‘战败’，重塑为一个全球性的‘战略转移’。 他等于在说：‘我们锤炼出的这套工程技术，在中国市场这片红海里无法获得与之匹配的商业回报，所以我们要去北美，寻找更成熟的公司软件市场和更优质的付费客户来验证它的价值。’这让整个故事的格局瞬间打开，也为下一轮的国际融资铺平了道路。 所以，总的来说，这篇长文是一次卓越的预期管理和价值重塑。它过滤掉了那些只想听短期商业故事的投机者，而精准地吸引了那些有耐心、能理解深度技术价值的长期资本。” “读这篇文章，我有一种强烈的亲切感，因为它太像我们内部的Post-mortem（事后复盘报告）了。每一个踩过的坑，每一个看似奇怪的决策，背后都是血淋淋的工程现实。我可以负责任地说，季逸超描述的挑战，不是Manus一家的，而是整个行业在构建可用、可靠的Agent系统时共同面临的‘结构性困境’。 大家必须明白，当前的大模型，本质上是一个极其强大的、但不稳定的‘概率引擎’。你每一次调用它，都像是在开一个‘盲盒’，结果可能惊艳，也可能离谱。而Agent的使命，恰恰是要求在一系列连续的、相互依赖的步骤中，实现‘确定性’的结果。这两者之间存在着巨大的矛盾。 第一阶段，可能是天真的‘提示词工程’。 以为靠一些精巧的prompt，就能让模型指哪打哪。很快就会发现，对于复杂任务，这套方法脆弱不堪，模型稍微‘自由发挥’一下，整个任务链就崩溃了。 第二阶段，引入‘工具调用’（Tool Calling）和‘状态机’。 这是业界的标准进步。开始让模型不再是唯一的执行者，而是变成一个‘调度员’，去调用更稳定的外部API或内部函数来完成确定性任务。但这立刻带来了新的问题：如何管理任务状态？如何从工具执行失败中恢复？这需要复杂的工程设计。 第三阶段，构建‘反思’与‘验证’循环。 就像文中所说，Agent需要能‘反思’自己的行为，评估任务的完成度，甚至主动进行修正。这在学术上叫ReAct（Reason + Act）框架。但工程实现上，这意味着更高的延迟、更复杂的逻辑和指数级增长的Token消耗。成本和性能的平衡，成了一场噩梦。 第四阶段，也就是他们现在的‘局部最优解’。 即，将一个大任务，拆解成多个由不同‘子Agent’负责的模块。每个子Agent的职责更单一，其内部的‘上下文’也更可控。比如，一个Agent专门负责理解用户意图，一个专门负责规划步骤，一个专门负责调用工具，还有一个专门负责生成最终报告。它们之间通过高度结构化的数据进行通信。这极大地增加了系统的复杂性，但换来了稳定性和可维护性的提升。 所以，不要再简单地把AI应用开发等同于‘调API’了。真正的挑战，在于你如何用传统的、确定性的软件工程方法，去驾驭一个充满不确定性的AI核心。这需要一种全新的工程师画像：他们既要懂算法和模型，又要精通分布式系统、状态管理和鲁棒性工程。 季逸超把这个过程公开，是对整个行业的一次巨大贡献。它告诉所有人：在通往AGI（通用人工智能）的漫长道路上，我们首先需要解决的，是无数个具体、繁琐、甚至有点‘脏’的工程问题。谁能在这里建立起体系化的优势，谁才能在AI应用的长跑中活下来。” “如果说前两位专家解读了‘如何做’和‘做得好不好’，那我更关心的是‘为谁做’和‘值不值得做’。这篇长文，在我看来，是一份典型的‘产物战略失败复盘’与‘未来产物路径宣言’。 过去几年，受ChatGPT成功的冲击，太多团队（包括早期的Manus）都陷入了一个‘水平陷阱’：试图打造一个无所不能的通用AI助理。这个故事在吸引眼球和早期用户上很有效，但在商业化上却是一条死路。为什么？ 价值模糊：一个什么都能做的工具，往往意味着在任何一个具体场景下，它都做得不够好。用户很难为其定义一个清晰的、不可替代的价值。它很酷，但不是必需品。 信任赤字：对于公司级用户来说，他们无法将核心工作流托付给一个行为不可预测的‘黑盒’。通用Agent的‘自由发挥’是商业应用中的天敌。 付费困难：用户愿意为解决一个‘具体痛点’付费，但很难为一个‘通用能力’付费。你很难去衡量它到底帮你节省了多少时间，或创造了多少价值。 Manus的经历，完美印证了这一点。而季逸超长文中反复强调的‘上下文工程’，从产物经理的视角翻译过来，就是 ‘构建深度嵌入用户工作流的垂直解决方案’。 未来的AI Agent，必然不是一个独立的APP，而是像水和电一样，无缝融入到这些已有的、成熟的专业软件和工作流之中。 这要求Agent必须放弃通用性，转而追求在某个垂直领域的极致深度和可靠性。 这个战略转型，也完美解释了他们‘撤出中国，转战海外’的商业决策。这并非两种市场的优劣之分，而是两种‘产物-市场匹配’（Product-Market Fit）逻辑的选择。 国内市场在C端应用创新上领先，但在B端公司软件的付费习惯和成熟度上，与北美市场存在差异。对于一个需要深度集成、高客单价、长销售周期的垂直SaaS产物来说，北美无疑是现阶段更容易找到‘种子用户’和实现‘价值验证’的土壤。 因此，Manus的故事给所有AI产物人的启示是：不要再迷恋于构建下一个‘贾维斯’。沉下心来，选择一个你足够了解的垂直行业，去真正理解那个行业从业者的‘上下文’，用AI技术为他们打造一把无可替代的‘手术刀’，而不是另一把华而不实的‘瑞士军刀’。这才是AI应用层商业化的真正出路。” 听完这三位专家的深度剖析，我们再回头看Manus事件，它已不再是一个孤立的商业新闻，而成为了一个棱镜，折射出当前AI应用浪潮下，资本、技术与产物之间复杂而深刻的联动关系。
