开源3天斩获7000星！复刻Manus工作流的GitHub项目引爆Agent开发圈

2026年1月12日下午3:38 • 开源项目 • 阅读 391

这个名为 planning-with-files 的开源项目近期在 Agent 开发社区引发了高度关注，其核心在于通过文件系统来管理 AI 的长期记忆与复杂任务规划。项目开源仅数日，便在 GitHub 上获得了数千星标。它演示了如何利用 Claude Code Skill 实现与 Manus 产品理念相似的上下文工程工作流。

Manus 的上下文工程原则

Manus 曾公开分享其产品所实践的上下文工程原则，核心可概括为以下几点：

① 文件即单一真理来源
摒弃主要依赖线性、嘈杂且包含过时纠错信息的对话历史作为 AI 记忆的传统方式，转而信任经过整理、代表当前“最新状态”的文件。AI 在每次行动前，应主要读取这些文件，而非回溯冗长的聊天记录，从而确保其决策始终基于最准确的状态。

② 状态显式化
例如，Manus 使用一个显式的 ToDo 文件来记录任务进度（如 [x] 步骤1、[ ] 步骤2），这被称为外部化记忆。即使中断会话或重启系统，AI 在重新启动时读取该文件即可立刻恢复进度，实现了完美的任务可恢复性。

③ 上下文窗口极简主义
避免将所有相关文件和全部历史对话一次性塞给 AI，而是只提供当前步骤所必需的信息。过长的上下文会分散 AI 的注意力。通过将信息拆分到独立的文件（如 notes.md、plan.md、output.md）中，AI 在执行特定步骤时仅需读取相关片段，既能保持“思维清晰”，也减少了 Token 消耗。

④ 思考与行动分离
禁止 AI 在单次回复中混合进行思考、规划和执行操作。强制其先在 Notes 文件中写下调研结果、架构思路等，经确认无误后，再去修改正式的代码文件。这种做法避免了 AI 在半途发现思路错误而导致代码库被污染的情况。

⑤ 围绕 KV-Cache 进行设计
鉴于 Agent 任务通常具有长输入、短输出的特征，若不能有效利用 KV-Cache，成本与延迟将难以承受。因此，所有 Prompt 设计都需为缓存命中率让路：
* 保持前缀稳定：避免在 System Prompt 或前置上下文中放入动态内容，以防后续所有缓存失效。
* 只追加不修改：历史交互记录一旦生成，便不再进行修剪或改写。
* 确定性序列化：确保 JSON 对象的 Key 排序固定，使得相同状态永远生成完全相同的字符串。

⑥ 掩码而非移除工具
随着 Agent 能力增强，工具库会变得庞大。直觉上动态移除当前不需要的工具描述可以节省 Token，但 Manus 认为这是错误的，因为它会破坏 KV-Cache（工具定义通常在 System Prompt 中），并可能导致模型对历史记录中调用过的“不存在”工具产生困惑。
正确的做法是：始终将完整的工具集保留在上下文中，而在解码阶段通过修改 Logits（概率分布）来屏蔽当前不合法的工具调用。例如，强制模型只能选择“回复用户”而非调用“浏览器”，是通过在底层屏蔽相应 Token 实现的，而非修改 Prompt 文本。