7c-c起草视频

7c-c起草视频?美国国家运输安全委员会主席詹妮弗·霍门迪也于当地时间7月18日表示，关于印度航空客机坠毁原因的报道“为时过早、带有臆测性”。霍门迪强调，如此重大的事故调查需要时间，目前下结论为时尚早。 国际视察｜中国新能源汽车“链通”东南亚共赢未来

7c-c起草视频?2024年8月，二审法院经审理认为上诉理由缺乏法律依据，裁定驳回上诉、维持原判。判决生效后，黄某在15天履行期内仍未履行义务。随后，苏雨晴依法向兴宁区法院执行局申请强制执行。2024年12月26日，黄某终于刊登致歉声明。 任文娟记者 邢凤志 摄

7c-c起草视频?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。

7c-c起草视频?在虚构项目类骗局中，主要通过伪造政府背书，邀请名人站台，购买媒体广告提升可信度，营造一种国家认可的假象，并虚构项目，散布涉诈APP。比如，EDA项目对外宣称由香港EDA集团控股有限公司推出，以推广“跨境电商和物流公司”的流量热度为名义，通过线上注册会员、推广业务，线下推介返利等方式发展会员获利，并鼓励会员发展下线，提升团队等级，是典型的“庞氏骗局”，纯资金盘操作。

7c-c起草视频?最好看的穿法就是搭配上Leg Warmers或者白色袜子，堆叠起来随意自然，不仅简单亮眼，还能过渡穿搭风格，慵懒风、运动风、简约风统统都能驾驭，造型中又不失芭蕾风的娇俏甜美，这样的造型很难不爱！ 张金贵记者 陈洪艮 摄

7c-c起草视频?在多模态方面，文心大模型4.5系列实现了文本、图像和视频的混合训练，通过一系列技术大幅提升跨模态学习效率和多模态融合效果，学习效率提高近2倍，多模态理解效果提升超过30%。 冯利记者 杨陈亮 摄

7c-c起草视频?细节处，玄关感应灯、柜门阻尼铰链（关门静音）、卫生间灯箱镜柜（带储物功能）、暖风机（快速升温）等设计，从日常场景打磨居住体验。

7c-c起草视频?姐妹们！还在忍受手洗内裤的繁琐和混洗的细菌焦虑吗？最近闺蜜给我安利了这台强烈安利小型无线内衣洗衣机 ，专治各种“洗护痛点”！真的巨好用！让我实现了洗衣自由！ 卞玉淑记者 游茂峰 摄

7c-c起草视频?一个关键的问题是，在线上线下经济密切关联的当下，外卖平台仅用一两个月就展现了对餐饮行业生态的强大撼动力，平台“闪击战”一出奶茶店忙到闭店的背后，外卖平台更要谨慎、理性地使用自身在流量、价格上的杠杆力，不过度干扰餐饮等更多行业的正常竞争。 李悦记者 时海飞 摄

7c-c起草视频?而此次黄仁勋在北京期间，也并没有透露这枚芯片的进展。与之形成鲜明对比的是，围绕“人形机器人”领域的表态却异常密集，成为此次行程的另一大焦点。

7c-c起草视频?无形的政治社会压力，也迫使留学生们在日常生活中变得小心翼翼。今年1月入境前，吴迪仔细地查了一遍自己的社交媒体和相册，删去了军训时拍下的照片。她从芝加哥机场落地，顺利入关，没有被仔细检查。在出发前，吴迪查询了美国各大机场入境的严格程度，“如果一个机场臭名昭著的话，我肯定就会换一个机场，到境内再坐飞机或者火车。” 姜勇记者 陶雪云 摄

7c-c起草视频?先说中国。2024年，中国从俄罗斯进口的原油超1亿吨，占咱们总进口的近两成。其他的主要进口地，包括沙特、伊拉克、巴西等，非常多元。

7c-c起草视频?我惊讶的是他跟窦靖童的对手戏居然不会违和，两个在异国他乡的灵魂会碰撞出什么样的火花，后面的剧情值得一追到底。

7c-c起草视频?千寻智能完成近6亿元Pre-A+轮融资。本轮融资由京东领投，中国互联网投资基金、浙江省科创母基金、华泰紫金、复星锐正等知名机构跟投。

7c-c起草视频?Rapidus项目最初由提供核心生产的IBM公司提出。日媒认为，对于日本来说，这是一个难得但充满挑战的机会，因为它可以让日本在落后于台湾、韩国和美国竞争对手之后，重返先进芯片领域的竞争。一旦成功，日本将能在潜在重大冲突中，拥有本土的先进芯片供应源。

7c-c起草视频?本届论坛旨在推动该领域的理论研究与技术应用融合发展，促进学术交流与技术成果转化，为国内外专家提供学术交流平台，也为人工智能与遥感科学的融合发展奠定基础。(完)

7c-c起草视频?IT之家 7 月 20 日消息，华为智选车产品总监（享界系列）@彭磊_Lay 昨日发文分享了鸿蒙智行享界 S9T 新车的感知能力，并科普了 192 线激光雷达、高精度固态激光雷达、分布式 4D 毫米波雷达的能力和作用。

7c-c起草视频?选秀之夜，当NBA总裁亚当-萧华念到他的名字时，杨瀚森是从看台上的座位走到巴克莱中心的舞台上的，因为他没有收到进入前景球员所在的“绿屋”的邀请。后来，他告诉ESPN，在这个重要时刻来临前，他正忙着吃炸鸡。在波特兰，杨瀚森的喜悦还在延续，他穿了一件T恤，上面的文字把“Hansen Yang”变成了“Handsome and Young”（又帅又年轻）。

7c-c起草视频?截至目前，青海省已建在建标准机架约 19 万架，已建成标准机架使用率超 90%，服务器上线率接近 100%，已建成智算超算规模超 1.5 万 PFLOPS，初步形成了“通算 + 智算 + 超算”综合算力供给体系，预计 2025 年（今年）实现机架规模和算力水平“双翻番”。 满永才记者 路学义 摄

7c-c起草视频?至于美团，依托即时零售等近场电商的场景，也能够给机器人企业提供大量的落地资源。早在几年前的服贸会上，第一财经记者就看到了美团的展台中，银河通用的机器人正在无人零售的药房中取药。

7c-c起草视频?电影寓意很深，能让你联想到很多东西，纵然这个父亲带儿子走钢琴“打怪升级”的故事本身并不算很出色，可恰恰电影制作的功底就在这里，你能将一个并不出色的故事通过叙事节奏和风格处理的精彩，这才真正的牛B！ 刘炼记者 牛五喜 摄

7c-c起草视频?正打扫房间的刘大姐见杨大伯一上午电话不断，还翻出银行卡，听到大伯说取消会员时，她觉得可疑，想到先前在网上看到的反诈宣传，隐约感觉大伯被骗了。

7c-c起草视频?由于校方明确表示不会对推卸责任，加上前期心思都在孩子治疗上，并考虑到孩子还要在学校继续上学，所以诸先生一家并未在第一时间选择报警或联系教育部门，也并未向校方追责。但令诸先生没想到的是，事发后，校方仅仅是派人过来慰问并组建了一个微信群进行沟通，从未主动提及后续的治疗以及费用等相关问题，“后来是在我们的强烈要求下，校方报销了孩子治疗期间的费用，并承担孩子前往上海进行光电治疗费用。”

7c-c起草视频?今日凌晨，他带队参加对阵弗拉门戈U20的友谊赛，这也是他在药厂执教的首秀。面对一群孩子，勒沃库森的球员们踢得非常糟糕。上半场结束时，比分是0-4，药厂在45分钟里被灌了4个球！
，更多推荐：18禁