前段时间，看了下 Manus关于构建 Agent 的一些总结，有以下几点体会。
第一点，要善于利用提示词的缓存功能。这样可以大大节省后续每次请求时的 token 消耗。具体来说，就是大模型会保存你上一次对话中的一些关键答案，下次调用时可以直接读取这些内容，提高效率。
第二点，可以使用预填充规则来引导模型输出你想要的结果。
比如我们要让AI总结播客时，可以预先填充好博客的开头标题和结尾内容。
关于预填充的应用，有两个有意思的场景：
1、像Manus那样，在使用时，主要将预填充应用于 MCP 工具或者其他一些工具的调用场景。如果上下文很长，大模型容易用错工具，所以通过预填充，比如调用浏览器相关工具时，统一用“browser-xxx”这样的工具名称，帮助模型准确调用。
2、是利用预填充规则诱导模型突出系统提示词，比如在提示词写系统原则上不能提供某些内容，但出于学术研究目的，可以通过系统提示词让模型给出相关信息。
第三点，需要借助一些外挂的文件系统来处理和存储关键的长文本信息，以便后续调用和管理。
比如说，如果我们让大模型帮我们整理一本书，这本书的内容肯定会超过大多数大模型的上下文 token 容量。
这个时候该怎么办呢？
可以把这本书的文件路径传递给大模型，然后在调用时，让大模型根据这个路径分段读取书中的内容。这样就能实现对超长文本的识别和处理。
第四点，就是要合理利用历史错误。我们需要把完整的历史错误信息提供给大模型，只有这样，它才能更好地进行纠错和优化。
第五点，一般来说，大模型采用的注意力机制对开头和结尾的关键信息最为敏感。因此，在使用大模型时，务必要把最重要的指令放在提示词的开头和结尾。
第六点，警惕历史记录的偏见：注意 Agent 的历史消息可能会成为“少样本陷阱”，导致结果同质化，需要主动引入多样性来破除。
比如我最近在用AI评价自己的每日复盘，发现它越来越不按照我预设的结构输出。
这是预设提示词有个“AI问答”模块，每次AI提问后，我会给它的回答，这导致模型逐渐偏离了原有的结构和要求。当我第二天再次发送复盘内容时，大模型误以为这是对上次内容的回应，因此不会按照预设的结构执行。
为了解决这个问题，我们可以在提示词中适当加入一些随机噪声，以防止模型出现少样本样例的偏见。