失落的记忆与重生的代理：20亿美元笔记术如何唤醒AI的“灵魂”

想象一下，你雇佣了一位天才助手，他能瞬间分析海量代码、调研复杂技术、甚至独立完成一个完整功能。但就在他执行到第50步时，他突然转头问你：“老板，我们到底要干什么来着？”
这一幕，不是科幻，而是无数开发者每天都在经历的尴尬。2025年12月29日，Meta以20亿美元收购了一家仅成立8个月、营收却已破1亿美元的AI创业公司——Manus。所有人都想知道：他们到底卖了什么“仙丹”？
答案简单得令人错愕：他们只是教会了AI“记笔记”。

🧠 AI的“阿尔茨海默症”：天才为何总在半路迷失

请你闭上眼睛，想象自己正在指挥一支乐团。你是指挥，AI是首席小提琴手。前20个小节，他拉得行云流水，音色完美。但到了第40小节，他突然开始演奏完全不同的曲子——你明明要的是贝多芬，他却给你来了段摇滚solo。

这不是AI“叛逆”，而是它患上了某种“数字阿尔茨海默症”。
症状包括：

• 目标漂移：任务进行到一半，最初的指令被埋进上下文深渊
• 重复犯错：同一个错误可以傻傻地重试十几次
• 上下文爆炸：为了让AI“记住”，人类不得不把所有历史塞进对话
• 进度蒸发：对话一重置，所有努力灰飞烟灭

注解：人类的“工作记忆”容量大约是7±2个项目（米勒定律），AI的上下文窗口虽然动辄百万token，但注意力分布极不均匀——开头和结尾被记住，中间内容很容易“失踪”。这被称为“lost in the middle”效应。

根源在于：今天的AI像一个只有短期记忆的超级天才，却没有笔记本、便签、文件夹这些“外部大脑”。

📝 20亿美元的顿悟：把硬盘变成AI的“第二大脑”

Manus团队的洞察平淡却震撼：

“Markdown文件就是我在硬盘上的‘工作记忆’。”

这句话听起来像一句鸡汤，却直接击中了AI代理的命门。
他们没有训练更大的模型，也没有发明新算法，只是做了人类几千年一直在做的事——把大脑装不下的东西写下来。

于是，一个极简却革命性的“三文件模式”诞生了：

1. taskplan.md → AI的“待办清单 + 进度仪表盘”
2. notes.md → AI的“研究笔记本 + 知识仓库”
3. [deliverable].md → AI的“最终交付文档”

这三个文件，就像人类工作时的草稿纸、笔记本和正式报告，共同构成了AI的“外部记忆系统”。

🔄 魔法循环：读-做-写-刷新，永不迷路

真正让模式起飞的，不是文件本身，而是“读-写-刷新”循环：

1. 创建taskplan.md，明确目标与阶段
2. 研究 → 写入notes.md → 更新taskplan.md进度
3. 读取notes.md → 构建交付物 → 更新taskplan.md
4. 重大决策前 → 强制重新读取taskplan.md

最后一步是整套系统的灵魂。 因为AI的注意力偏向上下文最近的内容，每次读取taskplan.md，都相当于把“原始目标”强行拉到注意力焦点。 就像长途开车时，你每隔一小时就要看一眼导航，确保没有偏离高速。

Manus内部数据显示：传统代理在50次工具调用后，目标偏离率高达35%；而使用刷新机制后，偏离率降至几乎为0。

⚡ 注意力操控术：把目标永远钉在“最近”位置

假设上下文是一条时间河：

• 河的最上游：你最初说的话（早已被冲走）
• 河的中游：第20～40次工具调用（最容易被遗忘）
• 河的下游：最近几次操作（AI注意力最高区域）

传统代理的问题是：目标停留在上游，早就“失踪”。 Manus的解法是：每次重要决策前，都把taskplan.md重新读一遍，让目标出现在“下游”，强行占据最高注意力。

这不是作弊，而是对AI认知机制的精准利用。
效果？即使任务需要70次工具调用，AI依然像刚开始时一样专注。

🛡️ 拥抱失败：让错误成为AI的“经验值”

传统AI遇到错误时的常见操作：

尝试 → 失败 → 再尝试 → 再失败 → 悄悄换个方法 → 成功
（用户只看到成功，背后浪费了大量token，且AI什么也没学到）

Manus的做法完全相反：把每一次失败都写进taskplan.md。

## 遇到的错误
- [2025-01-03] FileNotFoundError: config.json 未找到
  → 解决方案：创建默认配置文件
- [2025-01-03] API 超时
  → 解决方案：指数退避重试，成功
- [2025-01-03] TypeError: user 对象未正确 await
  → 解决方案：第42行添加 await，问题解决

这样做的三重收益：

1. 避免重复犯错（下次直接看记录）
2. 积累组织知识（错误库成为宝藏）
3. 建立人类信任（用户能看到完整的问题解决轨迹）

🌍 开源的礼物：Planning with Files 把20亿智慧免费送给大家

Manus被收购后不久，一位名叫Ahmad Othman Ammar Adi的开发者做了一件大好事：他把核心模式提炼成一个Claude Code Skill，并完全开源。

项目名：Planning with Files
Slogan：“像那家刚被Meta以20亿美元收购的公司一样工作。”

安装只需两行命令：

cd ~/.claude/skills
git clone https://github.com/OthmanAdi/planning-with-files.git

安装后，Claude会在复杂任务中自动：

• 创建并维护taskplan.md
• 用复选框更新进度
• 把调研结果存入notes.md
• 记录所有错误
• 决策前强制刷新计划

🗂️ 六大工程原则：为什么这个方法优雅到极致

Manus团队总结了六条底层原则，读懂它们，你就读懂了为什么这个模式能值20亿美元。

原则	核心思想	类比
1. 文件系统作为外部内存	把海量信息存文件，只在上下文放“指针”	人类不背整本书，只记住书在哪
2. 重复读取操控注意力	利用“最近内容获最高注意力”特性	开车时不断看导航
3. 保留失败轨迹	错误恢复是真正智能的标志	把每次摔倒都记下来，下次就不摔了
4. 避免少样本过拟合	重复相同模式会导致漂移	人类也不会用一模一样的句式说同一件事
5. 稳定前缀优化缓存	静态提示放前面，动态内容追加后面	把常用工具永远放在工具箱最上层
6. 仅追加上下文	绝不修改历史消息，保持KV缓存有效	记笔记只在新页面写，不撕掉旧页面重写

这六条原则共同构成了“上下文工程”的雏形——未来AI应用的真正护城河很可能不在于模型大小，而在于谁更会“喂”模型。

⚔️ 与其他方法的生死对决

方法	目标保持	持久化	可恢复	调试难度	Token成本	适用场景
传统Prompt	差	无	无	高	高	简单问答
RAG	中	有（向量库）	部分	中	中	知识检索
LangChain/AutoGPT等框架	中	部分	部分	高	高	实验性Agent
Planning with Files	优	完整	完整	低	低60-80%	复杂多步任务

数据对比（基于Manus公开数据）：

指标	传统方法	Planning with Files
任务完成率	65%	92%
目标偏离率	35%	5%
可恢复性	0%	100%
Token成本	基准	-60%~80%
用户满意度	3.2/5	4.7/5

🚀 未来已来：从“对话式AI”到“协作式同事”

Planning with Files不仅仅是一个技巧，它预示着一场范式变革：

• 从一次性对话 → 持续协作项目
• 从黑盒执行 → 完全透明可审查
• 从人类发号施令 → 人机共同维护taskplan.md
• 从单打独斗 → 多Agent通过共享文件系统协作

想象未来：你和AI共享一个文件夹，它在taskplan.md里写下当天进度，你下班前扫一眼，改两行文字，第二天它接着干。 这不再是工具，而是真正的数字同事。

🎬 你的行动指南：今天就开始

第一周

1. 安装Planning with Files（两条命令）
2. 选一个中等复杂度任务（比如“调研某技术并写总结”）观察AI如何自动创建文件
3. 主动查看并编辑taskplan.md，体验人机协作

第二周
尝试不同类型任务：代码重构、功能开发、性能优化、文档更新。
记录哪些场景效果最好。

第三周
创建个人模板，加入“风险评估”“成功标准”等字段。
建立知识库文件夹，保存所有notes.md。

长期
把这个模式变成肌肉记忆。
把task_plan.md当作项目仪表盘。
把notes.md当作个人/团队知识资产。
在团队推广，让每个人都用同样的“三文件语言”与AI沟通。

✨ 结语：最深刻的突破，常常最简单

回到最初的问题：

当AI在第50步忘记目标时，你会怎么办？

现在我们知道了：给它一本笔记本。

没有新模型、没有新算法、没有巨额算力。
只是三个Markdown文件，和一点对AI注意力机制的理解。

却换来了20亿美元的估值、92%的任务完成率、以及无数开发者从“抓狂”到“惊叹”的转变。

这提醒我们：在AI时代，最大的杠杆往往不是更聪明的模型，
而是更聪明地使用已有模型的方法。

Planning with Files把这条智慧开源给了全世界。
现在，轮到你了。

---

参考文献

1. Manus官方博客. Context Engineering for AI Agents: Lessons from Building Manus. https://manus.im/de/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus (2025)
2. Ahmad Othman Ammar Adi. Planning with Files GitHub Repository. https://github.com/OthmanAdi/planning-with-files (2025)
3. Anthropic Claude Code Skills文档及社区案例合集 (2025-2026)
4. “Lost in the Middle: How Language Models Use Long Contexts”研究论文 (2024，原论文被广泛引用于Manus方法论)
5. Unix哲学与现代AI代理设计实践讨论（社区整理，2026）