久久精品

久久精品?第一财经记者了解到，京东零售已经成立了“智能机器人业务”部门。平台数据显示，京东已经和三十多家具身智能品牌签署合同推动上架销售。灵宝CASBOT、宇树、众擎、云深处、星海图、卓益得、灵童机器人等品牌已经实现销售订单。 记者：申花今年再不拿冠军说不过去 塞蒂恩对重点球员关注不敷

久久精品?浙江某市一位负责人才工作的相关负责人向中国新闻周刊透露，以前他们引进过东南亚博士，但现在浙江已基本上不认可此类博士项目。“两三年前，部分高校在职老师会选择去菲律宾攻读博士，现在管得严了，这几年几乎不再引进。”他说，对于QS世界大学排名200名之外的院校毕业生，相关工作人员会核查其入境记录，以确认其具有真实的海外学习经历。 高士荣记者 王景秀 摄

久久精品?沃顿自去年从布莱克本转会水晶宫后，完美适应了英超的节奏，其出色的表现吸引了多家顶级俱乐部的关注，其中利物浦和热刺都有兴趣在今夏签下他。而据《太阳报》称，沃顿目前对水晶宫感到很满意，因此愿意将转会推迟到明年。鉴于球员与俱乐部的合同还有4年，水晶宫在谈判中处于有利的位置。

久久精品?IT之家注意到，在搭载标准 M4 芯片的 MacBook Pro 上，《赛博朋克 2077》默认帧率为 30 帧 / 秒，并启用了动态分辨率缩放（Dynamic Resolution Scaling）功能。安德鲁表示，这种设置虽然无法带来极致流畅的游戏体验，但能够保证游戏运行的稳定性，有效避免因过热而导致的性能限制。当将帧率上限提高到 120 帧 / 秒并禁用垂直同步时，游戏性能能够接近 50-55 帧 / 秒，但开启光线追踪功能后，基础版 M4 MacBook Pro 的性能会迅速下降，游戏难以流畅运行。安德鲁指出：“‘超级’画质设置对 M4 芯片来说压力太大。虽然硬件支持光线追踪，但 GPU 算力明显不足，无法满足可玩性要求。”

久久精品?本次航班是从泰国曼谷飞往韩国务安，航程高达3800公里，机上载有175名乘客与6名机组。很显然，这架波音737-800是高密度座位布局。在3800公里的航程上满客飞行，在我这老配载看来，多少有些把737-800的潜力压榨到最后一丝的样子。 张开国记者 吴长锋 摄

久久精品?值得注意的是，此前坊间流传该片区或将打造一个“万象里”社区商业体，最终官方定名为“万象汇”，从“邻里中心”调整为区域级综合体，意味着定位与战略范围的同步提升。 向峰辰记者 任鹏 摄

久久精品?“三季度，诺岚酒店将率先进入试运营阶段，目前正在推进家具软装、空气净化及运营筹备，上百名员工已投入开业前准备。”北京环汇置业有限公司总经理助理周路苇介绍。

久久精品?中国民用航空局发布的航空旅行常识，航班不正常原因主要分为天气、航空公司、航班时刻安排、军事活动、空管、机场、联检、油料、离港系统、旅客、公共安全等11类。航空公司原因具体包括航班计划、机务维护、运行保障、空勤人员、飞机清洁、食品供应等。 杨峰记者 史德兵 摄

久久精品?徐正源：作为球队主教练在赛前发布会上的表态对球队会有一定影响，作为一线队主教练我要负责，成都想要成为伟大球队，需要经历这些困难，需要克服这些困难，痛苦之中才能成长，希望球队能成长。 ​​​ 刘涛记者 潘春霖 摄

久久精品?杨先生提供的录音显示，民警说，“视频发出来后，我们联系了街道办和消防部门，他们都反馈说视频反映的有问题，是有水的。”杨先生和妻子反驳，“事发时没水，事发后才有水。消防队还给我说，起初水闸没打开。”民警说，“你之前有过记录，你老婆有个工作也不容易，视频是你发的，不要为此留个案底。我们核查了，里面都是有水。后续我们跟消防队也沟通一下，看他们是什么意见。”

久久精品?小伙子姓张，在附近上班，他说周末一个人不知道吃什么，天热又不想烧，看见这里有外摆，价格也实惠，买个菜再来一碗饭就解决了。“毕竟是大酒店，吃着放心。一菜一饭40元，性价比不错。” 苏忆光记者 张海强 摄

久久精品?英国弗朗西斯·克里克研究所干细胞和发育遗传学科学家罗宾·洛弗尔-巴奇关注到唯一线粒体异常水平略高的婴儿，他表示这种异常水平还不足以引发疾病，但需在发育过程中持续监测。

久久精品?智能车控方面，新车搭载乾崑车控，将华为IDVP数字底座搭载上车，提供了三种生活化的场景模式，即小憩模式、关怀模式、露营模式。

久久精品?7月14日，香港《南华早报》报道指出，在近期围绕涉俄、经贸问题等同中方展开激烈交锋，又在贸易问题上同美方爆发混乱冲突后，欧盟如今的处境变得岌岌可危，正竭力避免在同中美这两大国的角力中被压垮。这家港媒梳理了近一段时间以来欧盟同中国和美国在交往过程中的立场以及关系变化，并特别强调，当前欧盟所看的是一片黯淡无光的前景。

久久精品?还有非美元结算体系的避风港作用。周密介绍，由于美国制裁频出又反复不定，严重削弱美元的国际信用，也削弱各方使用美元意愿。当下及未来一个阶段，全球贸易尤其是对俄贸易，结算方式将更多元，一定程度上可以支持俄罗斯出口存续。

久久精品?至于年龄差？日子是过出来的。小9岁怎么了？张维伊能接住她的过去，能对孩子掏心，能在婚礼上给足踏实感——这比虚头巴脑的“般配”实在多了。

久久精品?在贸易问题上，冯德莱恩则继续无端指责中国向全球市场“倾销补贴过剩产能”，她还抨击中方对稀土实施出口许可证制度这一正当之举，声称这给欧洲制造商带来了冲击。

久久精品?“斯卢茨基的申花真不怕你压出来进攻的强队，就怕你用相同蹲坑战术软磨硬泡，具体要问深圳新鹏城，他们有秘籍。另外，成都蓉城认真踢，技战术风格也有点克申花。至于穆斯卡特和塞蒂恩这种进攻足球的理想主义者，在和俄罗斯人的直接对话中，肯定是吃亏的。当然，联赛还没结束，接下来肯定还有不少冷门，拭目以待。”

久久精品?在决策逻辑上，模型做出回答并不是依靠逻辑推理，而是依赖海量文本的统计模式匹配，反对信号与修正答案的高频关联让它容易被表面的反对带偏，并且它们无法自我验证初始答案的是否正确。 刘浪潮记者 刘金朋 摄

久久精品?7月17日，杭州市上城区财政局回应媒体称，已就宗庆后遗产相关纷争"成立专班，介入处理"。这意味着，一直沉默的娃哈哈大股东——持股46%的国资方，终于不再冷眼旁观，迈出了关键一步。

久久精品?报道称，特斯拉在日本大力推进销售的背后原因是欧美及中国市场的销售低迷。另一方面，特斯拉在日本的销售情况良好。尽管该公司未公布日本国内销量，但预计 1～6 月的销量比上年同期增长 7 成至约 4600 辆。特斯拉计划 2027 年超越日本市场进口车销量第一的德国梅赛德斯-奔驰（2024 年为 5 万 3195 辆）。 朱建雨记者 刘荣朝 摄

久久精品?他提到，石墨炸弹可以配备“风偏修正弹药布撒器”（WCMD），这是一种安装在弹药尾部用于提高精度的引导装置。他说该装置未来可整合“北斗”卫星导航系统，从而进一步提高打击精度。

久久精品?近年来新能源汽车快速发展，但电池起火等安全事故仍存，业内认为热失控是主因——电池在高温、过充等条件下化学反应失控，产生大量热量可能引发火灾，而保障安全的核心是先进的电池热管理系统。

久久精品?面向AI代理的上下文工程：构建 Manus 的经验教训 2025 年 7 月 18 日 季逸超 在Manus 项目伊始，我和团队面临一个关键抉择：是使用开源基础模型训练一个端到端的代理模型，还是基于前沿模型的上下文学习能力构建代理？ 回想我在自然语言处理领域的最初十年，我们没有这样的选择余地。在BERT 的远古时代（是的，已经七年了），模型必须经过微调并评估后才能迁移到新任务。即使当时的模型远小于如今的 LLMs，这一过程每次迭代往往也需数周。对于快速发展的应用，尤其是产品市场匹配前期，这样缓慢的反馈周期是致命的。这是我上一家创业公司的惨痛教训，当时我从零开始训练模型用于开放信息抽取和语义搜索。随后 GPT-3 和 Flan-T5 的出现，让我自研的模型一夜之间变得无关紧要。讽刺的是，正是这些模型开启了上下文学习的新纪元——也为我们开辟了一条全新的前进道路。 这个来之不易的教训让选择变得清晰：Manus 将押注于上下文工程。这使我们能够在数小时内发布改进，而不是数周，同时保持我们的产品与底层模型正交：如果模型进步是涨潮，我们希望 Manus 是船，而不是固定在海床上的柱子。 然而，上下文工程远非简单。这是一门实验科学——我们已经重建了四次代理框架，每次都是在发现了更好的上下文塑造方法之后。我们亲切地称这种手动的架构搜索、提示调整和经验猜测过程为“随机梯度下降”。它不优雅，但有效。 这篇文章分享了我们通过自己的“SGD”达到的局部最优解。如果你正在构建自己的 AI 代理，希望这些原则能帮助你更快收敛。 围绕KV缓存设计 如果只能选择一个指标，我认为KV 缓存命中率是生产阶段 AI 代理最重要的指标。它直接影响延迟和成本。要理解原因，我们先看看典型代理的工作方式： 在接收到用户输入后，代理通过一系列工具调用来完成任务。在每次迭代中，模型根据当前上下文从预定义的动作空间中选择一个动作。然后在环境中执行该动作（例如Manus 的虚拟机沙箱），以产生观察结果。动作和观察结果被追加到上下文中，形成下一次迭代的输入。这个循环持续进行，直到任务完成。 正如你所想象的，上下文随着每一步增长，而输出——通常是结构化的函数调用——则相对较短。这使得预填充与解码之间的比例在代理中远远偏高，区别于聊天机器人。例如，在 Manus 中，平均输入与输出的Token比约为100:1。 幸运的是，具有相同前缀的上下文可以利用KV 缓存，这大大减少了首次生成标记时间（TTFT）和推理成本——无论你是使用自托管模型还是调用推理 API。这里的节省可不是小数目：以 Claude Sonnet 为例，缓存的输入标记费用为 0.30 美元/千标记，而未缓存的则为 3 美元/千标记——相差 10 倍。 从上下文工程的角度来看，提高KV 缓存命中率涉及几个关键做法： 保持提示前缀稳定。由于LLMs 的自回归特性，即使是单个标记的差异也会使该标记及其之后的缓存失效。一个常见错误是在系统提示开头包含时间戳——尤其是精确到秒的时间戳。虽然这样可以让模型告诉你当前时间，但也会大幅降低缓存命中率。 使你的上下文仅追加。避免修改之前的操作或观察。确保你的序列化是确定性的。许多编程语言和库在序列化JSON 对象时不保证键的顺序稳定，这可能会悄无声息地破坏缓存。 在需要时明确标记缓存断点。一些模型提供商或推理框架不支持自动增量前缀缓存，而是需要在上下文中手动插入缓存断点。设置这些断点时，应考虑缓存可能过期的情况，至少确保断点包含系统提示的结尾部分。 此外，如果你使用像vLLM 这样的框架自托管模型，确保启用了前缀/提示缓存，并且使用会话 ID 等技术在分布式工作节点间一致地路由请求。 遮蔽，而非移除 随着你的智能体功能不断增强，其动作空间自然变得更加复杂——简单来说，就是工具数量激增。最近 MCP 的流行更是火上浇油。如果允许用户自定义工具，相信我：总会有人将数百个神秘工具接入你精心策划的动作空间。结果，模型更可能选择错误的动作或走低效路径。简而言之，你的重装智能体反而变得更笨。 一种自然的反应是设计动态动作空间——或许使用类似 RAG 的方式按需加载工具。我们在 Manus 中也尝试过。但实验表明一个明确的规则：除非绝对必要，避免在迭代过程中动态添加或移除工具。主要有两个原因： 1. 在大多数LLMs 中，工具定义在序列化后通常位于上下文的前部，通常在系统提示之前或之后。因此，任何更改都会使所有后续操作和观察的 KV 缓存失效。 2. 当之前的操作和观察仍然引用当前上下文中不再定义的工具时，模型会感到困惑。如果没有受限解码，这通常会导致模式违规或幻觉操作。 为了解决这一问题，同时提升动作选择的效果，Manus 使用了一个上下文感知的状态机来管理工具的可用性。它不是移除工具，而是在解码过程中屏蔽Token的对数概率，以根据当前上下文防止（或强制）选择某些动作。 在实际操作中，大多数模型提供商和推理框架都支持某种形式的响应预填充，这使你可以在不修改工具定义的情况下限制动作空间。函数调用通常有三种模式（我们以NousResearch 的 Hermes 格式为例）： 自动——模型可以选择是否调用函数。通过仅预填回复前缀实现：<|im_start|>assistant 必需——模型必须调用一个函数，但选择不受限制。通过预填充到工具调用标记实现：<|im_start|>assistant 指定——模型必须从特定子集中调用函数。通过预填充到函数名开头实现：<|im_start|>assistant {"name": “browser_ 利用此方法，我们通过直接屏蔽标记的对数概率来限制动作选择。例如，当用户提供新输入时，Manus 必须立即回复，而不是执行动作。我们还特意设计了具有一致前缀的动作名称——例如，所有与浏览器相关的工具都以 browser_开头，命令行工具以 shell_开头。这使我们能够轻松确保代理在特定状态下仅从某一组工具中选择，而无需使用有状态的对数概率处理器。 这些设计有助于确保Manus 代理循环保持稳定——即使在模型驱动架构下也是如此。 将文件系统用作上下文 现代前沿的LLMs 现在提供 128K Token或更多的上下文窗口。但在现实世界的智能代理场景中，这通常不够，有时甚至成为负担。有三个常见的痛点： 1. 观察内容可能非常庞大，尤其是当代理与网页或PDF 等非结构化数据交互时。很容易超出上下文限制。 2. 即使窗口技术上支持，模型性能在超过某个上下文长度后往往会下降。 3. 长输入代价高昂，即使使用前缀缓存也是如此。你仍然需要为传输和预填充每个标记付费。 为了解决这个问题，许多智能体系统实施了上下文截断或压缩策略。但过度压缩不可避免地导致信息丢失。问题是根本性的：智能体本质上必须基于所有先前状态来预测下一步动作——而你无法可靠地预测哪条观察在十步之后可能变得关键。从逻辑角度看，任何不可逆的压缩都存在风险。 这就是为什么我们将文件系统视为Manus 中的终极上下文：大小无限，天生持久，并且可以由智能体自身直接操作。模型学会按需写入和读取文件——不仅将文件系统用作存储，更作为结构化的外部记忆。 我们的压缩策略始终设计为可恢复的。例如，只要保留网址，网页内容就可以从上下文中删除；只要沙盒中仍有文档路径，文档内容也可以省略。这使得 Manus 能够缩短上下文长度而不永久丢失信息。 在开发此功能时，我不禁想象，状态空间模型（SSM）要在具代理性的环境中有效工作需要什么条件。与 Transformer 不同，SSM 缺乏完全的注意力机制，难以处理长距离的向后依赖。但如果它们能掌握基于文件的记忆——将长期状态外部化而非保存在上下文中——那么它们的速度和效率可能会开启新一代代理。具代理性的 SSM 或许才是神经图灵机的真正继任者。 通过背诵操控注意力 如果你使用过Manus，可能会注意到一个有趣的现象：在处理复杂任务时，它倾向于创建一个 todo.md 文件，并随着任务的推进逐步更新，勾选已完成的事项。 这不仅仅是可爱的行为——这是一种有意操控注意力的机制。 Manus 中的一个典型任务平均需要大约 50 次工具调用。这是一个较长的循环——由于 Manus 依赖 LLMs 进行决策，因此在长上下文或复杂任务中，容易偏离主题或忘记之前的目标。 通过不断重写待办事项清单，Manus 将其目标反复写入上下文末尾。这将全局计划推入模型的近期注意力范围，避免了“中途丢失”问题，减少了目标不一致的情况。实际上，它利用自然语言来引导自身关注任务目标——无需特殊的架构改动。 保留错误信息 智能体会犯错。这不是漏洞——这是现实。语言模型会产生幻觉，环境会返回错误，外部工具会出现异常，意外的边缘情况时常发生。在多步骤任务中，失败不是例外；它是循环的一部分。 然而，一个常见的冲动是隐藏这些错误：清理痕迹，重试操作，或重置模型状态，寄希望于神奇的“温度”参数。这看起来更安全、更可控。但这付出了代价：抹去失败就抹去了证据。没有证据，模型就无法适应。 根据我们的经验，改善智能体行为的最有效方法之一看似简单：在上下文中保留错误的路径。当模型看到失败的操作及其产生的观察结果或堆栈跟踪时，它会隐式地更新内部信念。这会使其先验偏离类似的操作，从而减少重复同样错误的可能性。 事实上，我们认为错误恢复是衡量真正智能体行为的最明确指标之一。然而，在大多数学术研究和公开基准测试中，这一指标仍然被忽视，这些研究和测试通常侧重于理想条件下的任务成功率。 避免被少量示例限制 少量示例提示是提升LLM 输出的常用技巧。但在智能体系统中，它可能以微妙的方式适得其反。 语言模型擅长模仿；它们会复制上下文中的行为模式。如果你的上下文充满了类似的过去动作-观察对，模型往往会遵循这种模式，即使这已不再是最优选择。 在涉及重复决策或操作的任务中，这可能会带来危险。例如，在使用Manus 帮助审查一批 20 份简历时，代理经常陷入一种节奏——仅仅因为上下文中出现了类似内容，就重复执行相似的操作。这会导致偏离、过度泛化，甚至有时产生幻觉。 解决方法是增加多样性。Manus 在动作和观察中引入少量结构化的变化——不同的序列化模板、替代表达、顺序或格式上的细微噪声。这种受控的随机性有助于打破模式，调整模型的注意力。 换句话说，不要让少量示例把自己限制在固定模式中。上下文越统一，代理就越脆弱。 结论 上下文工程仍是一门新兴科学——但对于代理系统来说，它已经至关重要。模型可能变得更强大、更快速、更廉价，但再强的原始能力也无法替代记忆、环境和反馈的需求。你如何塑造上下文，最终决定了代理的行为：运行速度、恢复能力以及扩展范围。 在Manus，我们通过反复重写、走过死胡同以及在数百万用户中的实际测试，学到了这些经验。我们在这里分享的内容并非普遍真理，但这些是对我们有效的模式。如果它们能帮助你避免哪怕一次痛苦的迭代，那么这篇文章就达到了它的目的。 智能代理的未来将由一个个情境逐步构建。精心设计每一个情境。 ，更多推荐：99精品丰满人妻无码一区二区