#大模型Agent

3周前

我现在直接和大模型对话的次数越来越少了，大部分时间都是使用 GenSpark 或者manus这样的agent 我不知道为什么身边很多人不愿意用在我看来，这是一个介于大模型对话和deep search之间的一个形态（前者的机制太简单，后者反馈又太慢）很多时候我提了一个问题之后，我其实没有时间去思考大模型能不能回答这个问题，如果他不能回答的话，是不是要主动去网上寻找一些资料，然后理解一下这个任务，做一个规划，再来回答我有的时候他需要做deep search, 有的时候可以快速回答我，有的时候需要去网上找资料。我觉得这个任务规划应该让AI自己来决定，而不是让我去挑选不同的工具评论区能不能聊一聊不愿意用agent的原因？

#大模型Agent #GenSpark #AI任务规划 #Deep Search #用户体验

2个月前

特别是第5点，用文件系统解决了大模型的上下文问题，让Agent拥有无限记忆和灵活操作能力。文件系统是人类文明最伟大的发明之一。让 Agent 能用文件系统作为记忆存储，是Manus团队最大的发明之一。为什么用文件系统？传统AI Agent最大的问题是“记性差”——上下文窗口再大，也有极限。比如128K tokens听起来很大，但遇到复杂任务、长文档、网页、PDF，分分钟就爆了。而且，长上下文不仅贵，还会让模型“迷糊”，性能下降。 Manus的思路是：既然大脑（上下文）装不下，就用“硬盘”——也就是文件系统，来当外挂记忆！文件系统的创新用法 1. 无限扩展的记忆文件系统没有上下文窗口的限制，Agent可以随时把重要信息写进文件，需要时再读出来。比如，遇到大文档、复杂网页，Agent只要记住文件路径或URL，内容可以随时查，不用全塞进上下文。 2. 结构化、分层管理文件系统天然支持分层、分类。Agent可以把不同任务、不同阶段的信息分门别类地存储，像人类整理文件夹一样，查找和管理都很高效。 3. 可恢复的压缩 Manus的压缩策略很巧妙：不是简单丢弃信息，而是“可恢复”——比如只保留网页的URL，内容需要时再拉回来。这样既节省上下文空间，又不会丢失关键数据。 4. Agent间共享与版本控制虚拟文件系统还能让多个Agent共享信息，像团队协作一样。还可以支持版本控制，记录每一步的变化，方便回溯和纠错。 5. 让Agent学会“用文件” Manus的Agent不只是被动存取文件，而是主动学会用文件来规划任务、记录进度、复述目标。比如，Agent会自动生成文件，随着任务推进不断更新，把目标“复述”到上下文末尾，防止“迷失在中间”。 Manus团队认为，文件系统其实是AI Agent的“外部化记忆”。模型不用什么都记在脑子里，而是像人类一样，学会查资料、做笔记、整理档案。这样，Agent就能处理更复杂、更长远的任务，甚至有点像“神经图灵机”——把短期记忆和长期记忆结合起来。未来如果有更高效的序列模型（比如State Space Model），配合文件系统这种外部记忆，AI Agent的能力会有质的飞跃。

#大模型Agent #文件系统 #上下文窗口 #记忆存储 #Manus团队