国产久

国产久?第92分钟，韦世豪禁区内争抢时踩中天津门将背部，麦麦提江认定为“鲁莽动作”出示黄牌，两黄变一红罚下。被罚下后，韦世豪情绪崩溃，与主帅徐正源抱头痛哭。 歼16航行员、院士、明星、无人机……大学录取通知书刮起“硬核”派送风

国产久?在色系的选用上，也有着多种类型，可以利用常规的几大颜色加身，这类裙子更有着不会过时的特质，基本上各种年龄段的女性都能穿。 张国明记者 周文 摄

国产久?“回顾通往决赛的路，想起质疑我们的人、我们遭遇的伤病、召开的会议以及我们建立的信念，我们一起做到了，这真是太棒了。”

国产久?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。

国产久?张军社举例称，去年7月，山东舰航母编队在西太平洋海域训练期间，日本海上自卫队曾对山东舰进行密切跟踪。据日本方面发布的数据，山东舰在7天内完成380架次舰载机起降，日均起降54.3架次，其中歼-15舰载战斗机起降240架次，舰载直升机起降140架次，起降出动效率非常高，这足以满足一场中高烈度局部战争海上作战的需要。 柯有文记者 赵红伟 摄

国产久?14时26分，新到的砌筑工刘运梅进入涉事建筑606房间。稍后，刘运梅攀爬进入6层电梯井道内的操作平台上，与田昌群、陈建华一同砌筑电梯井道。 颜明亮记者 岳萌阳 摄

国产久?两年时间过去了，如今眼看证监会此前实施的“阶段性收紧IPO节奏”放松在即，正扬科技的上市部署却戏剧性地终止在了A股上市大潮再度开始澎湃之时。

国产久?值得注意的是，中国教育部留学服务中心此前发布的公告指出，菲律宾永恒大学及其分校的学历学位认证曾被要求加强审查。 蒋超记者 葛继青 摄

国产久?她嗅到的商机是从去年4月开始，幼稚园款的Labubu娃衣最终卖出了17万套，远超她的想象。按市场上30元每套的均价计算，单一款产品就带来了约500万元的销售额。 辛记开记者 肖洪山 摄

国产久?据了解，报警之后，小潘去了辖区派出所，向民警说明了情况。“当天民警就介入处理了，交警也表示会对涉及的交通违法行为依法进行处理。”小潘说，他在派出所见到了越野车驾驶人，但并未与其有交流。

国产久?大家不必一听到城改地块，就将其与顶豪划上问号，实际上，北京的中海萬吉玖序所在的朝阳区酒仙桥板块，同样是酒仙桥城改地块，却丝毫不影响其成为顶豪项目。 卢凤霞记者 吴冠宇 摄

国产久?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。

国产久?记者联系青岛市120急救中心，工作人员只证实120派车，但无法透露死因，“没办法回答你，我们没有权限，我们不方便透露，你联系我们120办公室。”

国产久?一部剧爆了她，也重塑了大众对她的认知，她不再是那个被嘲背景硬却演技尴尬的花瓶，而是真正意义上的戏红人红，而她也没有就此止步，反而趁热打铁，接连拍摄了《流光之城》《灼灼风流》《乐游原》《四海重明》，角色跨度越来越大，难度也越来越高。

国产久?这标志着，行业的竞争焦点已从单纯追求模型性能的“军备竞赛”，转向了对“性价比”（price-to-performance）的残酷比拼。对于严重依赖消费者订阅（占收入约75%）和API收费的OpenAI而言，这无疑是一场严峻的考验。

国产久?与此同时，多家回收公司正从电子垃圾中提炼稀土元素。今年4月，位于马萨诸塞州、提供IT资产处置和数据销毁服务的Illumynt公司宣布启动稀土元素回收计划。硬盘制造商西部数据也在4月宣布与微软及两家资源回收公司合作，从报废驱动器中提取稀土以及铜、金、铝和钢等有价值的元素。

国产久?从当前无人驾驶技术发展来看，雷视融合方案依然是满足Robotaxi安全运营的最佳方案。Uber选择与萝卜快跑合作，无疑也是看中萝卜快跑激光雷达路线的安全性。

国产久?张玉玺失踪超过24小时后，周女士向山东省济宁市兖州区大安镇当地警方报警。7月12日晚，周女士从当地警方处得知，张玉玺目前在柬埔寨，疑似与其他3名学生一起被人带至柬埔寨。

国产久?随着该领域逐渐从孤立的组件开发向集成系统架构过渡，一些研究难题的复杂性也会呈现指数级的增长，因此需要采用跨学科的方法，将理论计算机科学、实用系统工程和特定领域专业知识结合起来。 张奇记者 杨创茂 摄

国产久?作为出道多年的前辈，她见过的美女，不在少数，如今新生代小花也很多，如虞书欣、赵露思、白鹿，蒋欣绕过她们，转而夸李兰迪，一是因为她们合作了电视剧《欢聚》，二是李兰迪长开后，美貌有了质的飞跃。

国产久?据美联社等多家美国媒体报道，奥巴马在预先录制的视频中称，特朗普政府“拆毁USAID的行为是一场巨大的错误（a colossal mistake）”，并表示该机构在促进全球发展与美国国家安全方面的作用“将世代留存”。他强调：“削弱USAID是歪曲，是一场悲剧，因为这是世界上最重要的工作之一。” 闫雄伟记者 李红心 摄

国产久?与此同时，多家回收公司正从电子垃圾中提炼稀土元素。今年4月，位于马萨诸塞州、提供IT资产处置和数据销毁服务的Illumynt公司宣布启动稀土元素回收计划。硬盘制造商西部数据也在4月宣布与微软及两家资源回收公司合作，从报废驱动器中提取稀土以及铜、金、铝和钢等有价值的元素。

国产久?该项目位于北京市密云新城0202街区，南至新北路，东至北京液压件厂西侧规划唐庄路，西至西环路东侧规划绿地，北至规划开元街。

国产久?具体到国内，不同生态之间偏好更是明显，豆包在训练和推理中都会更侧重字节系的平台内容，包括今日头条、抖音等；腾讯元宝则是更侧重腾讯系的平台内容，包括微信公众号、腾讯新闻等。
，更多推荐：91成人