为什么聪明的AI创业者，都在放弃“微调模型”？
——一场关于“上下文工程”的革命，正在悄悄改变AI世界的逻辑。
§
一、一个被“模型”耽误的创业梦
故事的主角叫 Peak。
他是一个有着10年自然语言处理（NLP）经验的老兵，技术一流，满腔热血。几年前，他和伙伴创办了一家AI公司，想要打造一款“能听懂人话”的智能助手。
听起来是不是很熟悉？那时候，几乎所有AI团队都在干同样的事——“自己训练模型”，也就是所谓的微调（Fine-tuning）。
他们相信，只要模型够强、参数够多、指标够漂亮，离“颠覆世界”就不远了。
结果呢？
Peak的公司几乎被模型“拖死”了。
每一次微调，都要花上1到2周。模型刚训练完，产品方向又变了。
当他们还在调参数、跑显卡、追求那0.01%的准确率时，市场早就换了玩法。
“我们不是被竞争对手干掉的，而是被自己的模型拖垮的。”Peak后来回忆。
他意识到，真正的陷阱不只是“时间”，而是——僵化。
模型一旦被微调，就像被“定死”在某个时代。
你以为自己造出了一把屠龙宝刀，可第二天巨头发布了新武器——多模态MCP，让“飞天”才是潮流，你那把宝刀瞬间成了废铁。
那一刻，Peak懂了：
“
“在AI时代，速度比完美更重要。”
于是，当他创立新公司 Manus 时，他彻底换了思路：
——不再赌模型，而是赌“上下文”。
§
二、赌“上下文”？这听起来有点玄
别急，我们来拆开看。
所谓“上下文工程（Context Engineering）”，其实是让AI更聪明地用已有模型，而不是自己去造一个。
打个比方：
-
“微调模型”就像教一个厨师重新学做菜。 -
而“上下文工程”，更像是在给他准备一个智能厨房——所有食材、工具、配方都随手可得。
Peak的逻辑是：
“
“大模型是巨头的地盘，我们赢不了；
但怎么‘用好模型’，那才是我们的护城河。”
换句话说，巨头造“脑子”，创业公司造“记忆”与“环境”。
AI模型懂语言，但上下文工程，决定了它能不能理解世界。
§
三、“上下文”的悖论：聪明反被聪明误
这时候登场的是另一个角色：LangChain 的创始人 Lance。
他提到了一个非常形象的困境——上下文悖论：
“
“AI要解决复杂任务，就得记得更多；
但记得越多，它反而越笨。”
比如一个智能Agent要完成任务，可能需要调用几十次工具、读上百万个Token的文本。
可一旦上下文太长，模型开始“疲劳”——反应变慢、回答重复、甚至“忘词”。
Peak称这种现象为 “上下文腐烂（Context Rot）”。
他们发现，即便模型理论上能看100万字，超过20万字后性能就开始“变味”。
你以为模型变笨了？
其实，它只是“被信息淹没”了。
§
四、破解魔咒的四根支柱
为了让AI又聪明又高效，Peak团队和LangChain总结出了四个关键技巧，可以说是“上下文工程”的四根支柱：
1️⃣ 上下文卸载（Offloading）
别让AI背太多包。
当AI搜到一大堆网页，不要全塞进去——
只要告诉它“文件在这儿”，等它真要看时再去读。
就像学生考试带着参考书，但不提前背完所有章节。
2️⃣ 上下文检索（Retrieving）
AI不是记忆怪。
我们可以把历史信息存在外部“笔记本”（比如数据库），
需要时再查回来，这就是RAG或向量检索的原理。
这一步，让AI有了“长时记忆”。
3️⃣ 上下文隔离（Isolation）
一个AI太忙会崩溃，那就多雇几个。
把任务拆成多个小Agent，每个Agent只看自己那一页笔记，互不干扰。
这样团队效率反而更高。
4️⃣ 上下文缩减（Reducing）
核心中的核心：在“腐烂”发生前主动减负。
Peak团队在这里堪称艺术家——
他们设计了“压缩 + 摘要”的双刀流。
§
五、压缩与摘要：让AI“忘得刚刚好”
压缩（Compaction），就像打包文件。
把可以重建的信息外放，只留路径。
比如：不塞整篇内容，而是留个“file.txt”。
——这样“减重”但不“失忆”。
摘要（Summarization），是主动遗忘。
当上下文实在太长，就总结成一段话，删掉原文。
虽然不可逆，但能大幅减轻负担。
Manus的秘诀是：
-
设置“腐烂闹钟”：上下文到128K时，就开始“压缩”。 -
再胖也先运动，不行才节食。 -
“压缩”只动最老的50%，保留最新的例子，让AI别忘了自己刚干啥。 -
“摘要”时，先用原文做总结，再删，保证信息准确。
这就像给AI设计了一套“科学减肥法”，
让它既不变笨，又能反应快。
§
六、在流沙上造城：五次重构的觉悟
你可能会问：
“听起来很复杂，这值得吗？”
Peak笑了：“值得，但也痛苦。”
从3月到现在，他们已经重构了5次系统。
因为模型世界变化太快——Anthropic、OpenAI、MCP……新接口、新模式层出不穷。
但Manus的系统仍然稳。
为什么？
因为他们的逻辑，不是绑定模型，而是围绕上下文逻辑。
Peak甚至提出了一个让人意外的观点：
“
“用开源模型，反而可能更贵。”
原因在于：
Agent的输入远大于输出，核心成本是“记忆管理”——也就是KV缓存。
像Anthropic这种大厂，已经为分布式KV缓存做了巨额优化，反而更便宜。
这就像你自己养服务器种菜，成本未必比去超市买便宜。
§
七、终章：构建更少，理解更多
经历了被“模型”束缚、被“上下文”启发的两段旅程后，Peak终于悟出了AI时代的哲学：
“
“最大的突破，不是构建更复杂的系统，
而是删掉多余的层，让模型更容易理解人。”
Manus的信条是：
“Build less, understand more.”
——构建更少，理解更多。
这句话，听起来像极了人类智能进化的真谛。
§
🧩 所以呢？（The “So What?”）
如果你是开发者，这篇故事的启示是：
别急着微调模型，先问问自己：你的上下文工程够好吗？
如果你是普通读者，这背后的意义是：
AI的聪明，不在于“学了多少”，
而在于它是否学会了忘。
未来的AI革命，不是堆更多算力，
而是让机器像人一样，
知道——什么该记，什么该放下。
§
结语：
在AI的浪潮里，Manus和Peak代表了一种“逆向思考”：
当所有人都在加料、堆叠、卷模型时，
他们选择减负、清理、优化理解。
也许，这才是真正的“智能”：
不是更大，而是更懂。
