馃敒馃敒馃敒馃敒

馃敒馃敒馃敒馃敒?戏骨张世对老鬼的精彩演绎，这自然离不开他四十多年演戏的积累，当然他也是极具天赋的一个演员，更不要说还是一个反派专业户。 斯基拉：拜仁领跑路易斯-迪亚斯争取战，准备报价7500万欧元

馃敒馃敒馃敒馃敒?为了推进相关法案，“币圈”巨头们也在去年美国大选期间纷纷解囊支持特朗普，这些金主们也受邀在周五签字仪式的前排就坐。 胡桂军记者 于学工 摄

馃敒馃敒馃敒馃敒?然而，于浩的经历也留下了一个沉重的警示。他回忆起几年前的一天，自己在校园里跑步。突然，一个陌生的白人中年男子冲过来冲他吼道：“滚回去！” 这突如其来的恶意攻击，并非来自极端分子，而是一个看起来非常普通的美国民众，让于浩第一次在这个国家感到了真实的恐惧。“我很愤怒，因为这是我的学校，而且我并没有做任何事。我也很害怕，因为我是一个留学生，我不是美国公民，如果他真的攻击我或者怎么样，如果执法机构不站在我这一边，我一点办法都没有。”这段经历让他觉得，在当下选择赴美留学，必须将潜在的政治和社会风险纳入最现实的考量。“它是真真正正会反映到你实际的学习和生活上的，且不是你个人能够对抗的，你没有办法去忽略它。”

馃敒馃敒馃敒馃敒?宇树科技成立于2016年8月26日，注册资本为3.64亿元。公司控股股东、实际控制人为王兴兴，其通过直接持股与间接控制方式合计持有公司34.763%股权。2025年央视春晚，宇树科技人形机器人登上舞台亮相，一举出圈，也将“具身智能”这一前沿赛道推至创投风口浪尖。

馃敒馃敒馃敒馃敒?赵先生告诉大河报《看见》记者，他于7月2日乘坐高铁从昆明回老家临沧，列车行至大理时，因一段铁路轨道被水冲毁停运。他和同趟列车上的彭宇轩坐上了同一辆网约车，每人支付约220元~240元的车费。网约车上除了他、彭宇轩和司机外，还有另外两名乘客。彭宇轩当天身着白色T恤和长裤，仅背了一个包，看上去心情很好，还主动将自己的充电设备借给赵先生使用。 向杰记者 王山林 摄

馃敒馃敒馃敒馃敒?45岁的董璇不仅是离异带娃的妈妈，也是有阅历的成熟大人，面对一段失败的婚姻，她的总结是“自己开心是最重要的”，坚决不要从一个火坑跳入到另一个火坑，从“火坑”一词可以看出她对与高云翔婚姻的失望，挫败感极强。 沈红记者 韩晓宇 摄

馃敒馃敒馃敒馃敒?最近网友在路上逮到问界新车路试，照片一放上网直接炸锅——这车改得简直像换了台车。以前车头总被吐槽像“没睡醒”，这次直接抄大哥M9的作业，大灯造型一模一样，引擎盖两边鼓出肌肉线条，进气口张得老大，整个前脸瞬间精神百倍，网友直呼“顺眼多了。”

馃敒馃敒馃敒馃敒?IT之家 7 月 19 日消息，据中国联通官方微博，中国联通现已联合中兴推出一款远航 60 Plus 手机，该机搭载联通云智 OS，主打“云体验”，参考官方介绍，该机提供“云号码 + 云端弹性存储 + 应用分身”功能，号称可解决“手机内存不足、下载速度慢”等问题，实现“1T 云机装游戏 + 2T 云盘装照片”。 于占奎记者 徐文涛 摄

馃敒馃敒馃敒馃敒?与声光电营造的幻境交融的，是考究的实景装置。例如，晶光闪耀的千鳞洞穴“龙鳞”，是观众能与烛龙首次近距离质感接触的空间。难以计数的龙鳞鳞片，使用小于一厘米的轻薄合成石材，涵盖70多种大小不同规格。每一片龙鳞都精心雕琢，经高精度建模、打磨、上色，人工拼贴，不仅呈现“技术”，更体现“艺术”。 蒋代发记者 任长宝 摄

馃敒馃敒馃敒馃敒?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。

馃敒馃敒馃敒馃敒?针对不同站点的客流特点，交通部门推出个性化接驳方案。其中，在魏公村、西北旺、学院桥等地铁站，通过增设“地铁魏公村站”“学院桥”等公交站位，实现50米范围内的便捷公交接驳。在运营调度上，根据早晚高峰和平峰时段的客流差异，对专17路、专29路等6条线路采取区间车折返运营模式，灵活匹配乘客出行需求。 朱一川记者 郑英超 摄

馃敒馃敒馃敒馃敒?根据多家媒体报道，宗氏三兄妹在香港高等法院起诉要求“拿回信托资金”，又在杭州中级人民法院起诉，要求确认对宗馥莉继承其父宗庆后持有的娃哈哈集团29.4%股权的继承权。也有说法称，宗庆后生前设立的遗嘱将宗馥莉作为唯一继承人。

馃敒馃敒馃敒馃敒?报告显示，5月份所有海外的美国长期、短期证券和银行流水的净流入总额为3111亿美元，其中，海外私人资本净流入为3332亿美元，海外官方净流出为221亿美元。

馃敒馃敒馃敒馃敒?近一年的“钓鱼”取证，苏雨晴终于等来了机会——2023年5月8日，造谣者主动发出见面邀请。她约见对方在酒店“开房”，与酒店确认其已办理入住后，便立即联系了派出所民警。这一次，警方成功掌握了造谣者黄某的真实身份信息。

馃敒馃敒馃敒馃敒?然而，如皋在汽车产业上展现了敏锐的前瞻视野，能抢占早期风口，但投资的目光却欠缺火候。这些造车资产一度被视为如皋的“骄傲”，但也是如皋造车交上的数以百亿计的学费。

馃敒馃敒馃敒馃敒?IT之家 7 月 16 日消息，成都兴锦人形机器人科技有限公司（成都人形机器人创新中心锦江区全资子公司）7 月 16 日发布全球首款文商旅体专用双足机器人 ——“镋钯”（IT之家注读音：tǎng bǎ）。

馃敒馃敒馃敒馃敒?《天龙八部》里，大理国王爷段正淳风流倜傥，跟秦红棉、甘宝宝、阮星竹、王夫人、康敏五人有染，最终生下段誉、木婉清、钟灵、阿朱、阿紫、王语嫣6个孩子。

馃敒馃敒馃敒馃敒?在社交平台上，也有部分网友有类似经历。有网友表示，“之前不知道有‘消费利息’，回去查账才发现几年被扣上万元。”信用卡还款日当天还款为何会被收取利息？使用信用卡还有哪些注意事项？

馃敒馃敒馃敒馃敒?博索纳罗在2019年至2022年担任巴西总统，他是特朗普的亲密盟友，被外界称为“热带特朗普”。2022年10月，博索纳罗竞选连任失败，但他不承认败选，声称存在“选举舞弊”。2023年1月，部分博索纳罗支持者冲击巴西国会、最高法院和总统府等国家权力机构，与执法人员发生冲突。 江标记者 赵康 摄

馃敒馃敒馃敒馃敒?按照以往上市常态化时期的申报节奏，每年的6月底之前，企业为避免因当年中报数据“更新”的耽搁，皆会出现批量企业申报上市的情形。

馃敒馃敒馃敒馃敒?7月17日消息，据媒体报道，近日，一男子身穿中联重科（000157.SZ）工装，驾车连续变道逼停摩托车，下车叫嚣“弄死你”，相关视频引发网友热议。 叶绿涛记者 张占民 摄

馃敒馃敒馃敒馃敒?平台、商家应该如何做？山东、大连等地协会呼吁各平台立刻停止非理性补贴，取消低于成本价补贴活动，禁止强制摊派补贴，优化算法避免爆单失控，转向高质量发展，加大资源投入食安管控、配送效率与数字化赋能。云南、大同等地行业协会也呼吁商家理性参与平台活动，自觉抵制非理性价格竞争，不参与、不盲从各类补贴大战。

馃敒馃敒馃敒馃敒?北京时间7月20日上午，美职联常规赛，迈阿密国际客场挑战纽约红牛。梅西发挥神勇，率领球队取得一场大捷。下半场，他和布斯克茨的一次联动让人拍案叫绝。

馃敒馃敒馃敒馃敒?通常情况下，不建议玩家在电池供电的情况下运行任何游戏，尤其是像《赛博朋克 2077：终极版》这样对图形要求极高的游戏。不过该测试是在电池供电的情况下进行的，在将所有设置调至最高，包括开启路径追踪，并且不使用任何超分和帧生成技术来提升帧率的情况下，M4 Max 的平均帧率仅为 10.72 帧 / 秒。相比之下，RTX 5090 移动版的平均帧率则达到了 15.41 帧 / 秒，比 M4 Max 高了 43.7%。 ，更多推荐：亚洲最大b站mv双人动作片