一区视频

一区视频?她曾在一次公开演讲中提到：“企业的成功不应仅仅体现在利润上，更应体现在对社会的贡献。”这种思想也逐渐影响着越来越多的年轻创业者。 房姐直言：五环限购扫除后，这些屋子要凉凉

一区视频?中国青年报客户端讯（中青报·中青网记者蒋雨彤）7月18日17时33分，由北京首都机场飞抵浙江丽水的CA1873次航班，接受丽水机场准备的民航界最高礼仪“水门礼”。丽水机场宣告正式通航，成为浙西南革命老区推动共同富裕先行示范的强大引擎。 许天赐记者 严正山 摄

一区视频?“我这样穿没问题吧？”李瑞上身是一件成都马拉松的短袖，和很多男性一样，他很少买衣服，大部分都是越野跑、马拉松的赞助服装。

一区视频?是啊，杉菜不能出现在舞台上，多希望在他们合体的时候，镜头扫过台下观众席，能看到杉菜坐在下面，那将是多美好的回忆。

一区视频?下一步，济南机场将继续深化与国内外航空公司的合作，构建更加丰富便捷的航空网络，以满足旅客的出行需求，为区域的旅游发展与经济繁荣贡献力量。 杨伟记者 乔海莉 摄

一区视频?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。 李永乐记者 王莉莉 摄

一区视频?天眼查APP显示，厦门欧行成立于2017年，法定代表人名为谢飞宇，注册资本2000万元，但参保人数显示为0。厦门欧行由厦门建发汽车有限公司控股95%，厦门众聘汽车有限公司持股5%。穿透股权关系来看，厦门欧行与极氪厂家并没有直接关联。

一区视频?按照成都市2025年招生工作日程，7月9日，各区（市）县组织了民办初中空余计划电脑随机录取，并于当天公布录取结果。此前，各民办学校陆续发布了自己的补录计划。 车艳丽记者 韩二凯 摄

一区视频?设想一下，当数十块乃至上百块光学模块在微重力环境下完成纳米级精度对接，将最终形成百米级口径的空间观测系统。这台具备超深空探测能力的中国“万里眼”有望悬浮苍穹，以超越现有望远镜数倍的集光能力，开启对宇宙暗物质分布、系外行星大气成分及早期星系演化的前沿探索。 张进喜记者 杨进 摄

一区视频?这场持续近两年的战争究竟是带来长期安全，还是在消耗国家实力、加剧安全风险？在这个问题上，连以色列的安全精英阶层也开始出现不同声音：一些预备役军官拒绝继续服役，前总理埃胡德·巴拉克和埃胡德·奥尔默特等重量级人物更是公开发声，谴责内塔尼亚胡将加沙战争和后续的多线作战变成了出于私利的“个人政治战争”。另一方面，以色列政府在国际社会已被“极限孤立”，被普遍要求尽快结束在加沙的军事行动。

一区视频?直播吧7月16日讯 据《北京日报》报道，7月19日中超第17轮京沪大战的门票已于3天前全部售罄，从票务数据来看，本场比赛有望刷新工体观赛人数新高，甚至有望打破梭鱼湾创下的本赛季中超现场观赛人数纪录。 程水师记者 赵六来 摄

一区视频?如今，日本京都大学人文科学研究所还保存着两枚云冈佛眼，均“采集”自第8窟内，其中一件高7.2厘米，直径7.0厘米，原为第8窟北壁上层中央倚坐佛的眼珠。2006年，日本学者冈村秀典在其《云冈石窟遗物篇——京都大学人文科学研究所研究报告》一书中首次披露了这个信息。这是迄今所知仅有的两件散落海外的云冈陶眼。

一区视频?“2020年韦仁龙参加高考，有传闻说，他以707分考入梦寐以求的北大，但这个消息一直没有得到证实……不管现在他活得是精彩还是平常，好好活着，是我们所有人对韦仁龙最大的期望。”李小萌说。

一区视频?重构后的受精卵诞下的婴儿虽然理论上被称为“三亲婴儿”，但实际上其生命特征（毛发、肤色等）还是来自亲生父母，身上超过99.8%的线粒体也来自父母双方，只有大约0.1%的线粒体来自捐赠者，使婴儿既遗传了父母的特征，又摆脱了严重疾病甚至无法存活的风险。

一区视频?CNN称，斯威士兰接纳被美国驱逐的移民，这一决定遭到了该国民众的广泛反对。斯威士兰反对党“人民联合民主运动”表示，该国正在与强奸、谋杀等犯罪活动肆虐“作斗争”，接收被美国驱逐者“对我们本已脆弱的社区构成了严重威胁”。该党还斥责美国此举是将斯威士兰当作“垃圾倾倒场”，“美国的做法是不可接受的”。“斯威士兰团结网络”领导人卢克勒称：“美国把非洲当成犯罪分子等的垃圾倾倒场，这是明显的种族主义。”卢克勒警告称，“斯威士兰监狱已经人满为患”，囚犯“每天只能吃一顿饭”。

一区视频?为营造干净整洁、规范有序的选房现场，朝阳街道召开黄山社区回迁安置部署会议，从方案编制、预案处理、进度安排、人员配置等细节入手，确保政策宣传到位、程序公开透明、服务细致周到。选房现场，精心制作的房源分布图清晰明了，楼房户型、面积、位置等关键信息直观呈现、一目了然。同时，街道特邀公证处进行无死角全程监督，并启用专业摄像机全方位、无间断记录现场实况，确保每一个操作细节均可追溯、可复查，全程留痕，切实保障群众知情权和工作透明度，不断增强政府公信力。

一区视频?面对双重“战场危机”，韩红没有丝毫犹豫。她的选择，掷地有声，振聋发聩：“不能这样继续唱下去！”“歌手绝对要认认真真地对待每一个舞台！”“不能就这么‘混’过去！”“我们要对观众负责任！一定要对得起观众！”每一句，都像重锤，砸在“敷衍了事”的行业积弊之上；每一个字，都燃烧着对舞台近乎宗教般的敬畏。这不是耍大牌，这是一位顶级艺术家在专业尊严与观众期待被双重威胁时，最本能的、也是最勇敢的抗争！她用行动定义了何为“舞台零容忍”——设备可以出问题，但态度绝不能出问题！

一区视频?OpenAI 表示，ChatGPT 智能体仍处于早期阶段 —— 它能够处理多种复杂任务，但仍可能出现错误。尽管官方认为该功能在生成幻灯片方面具有巨大潜力，但目前该功能仍处于测试阶段 —— 当前生成的内容在格式和细节处理上可能显得较为粗糙，尤其是在没有现有文档的情况下开始创建时。此外，尽管目前您可以上传现有电子表格供 ChatGPT 编辑或作为模板使用，但此功能尚未适用于幻灯片。

一区视频?今年链博会吸引了 650 多家中外企业和机构参展，涉及 75 个国家、地区和国际组织。其中，境外参展商比例提升到 35%，超过去年的 32%。在这些境外参展商中，有一半来自欧美国家，美国参展商数量比上届增长 15%，能够看到，链博会的朋友圈正在不断地扩大。 刘琼记者 范廷彬 摄

一区视频?宗馥莉的亲叔宗泽后可以说是要对宗馥莉“赶尽杀绝”，一会说她自私，一会又说她六亲不认，网友都无法相信血浓于水的亲人竟然会在这是时候出面指责，而不是基于帮助。

一区视频?端午祭被韩国宣传成独有的萨满教仪式，可湖北出土的傩戏面具比韩国相关记载早一千年，且纹饰高度相似，韩国老文献也承认端午祭源自中原。 刘子鑫记者 章顺平 摄

一区视频?其中，成都外国语学校（以下简称“成外”）在7月6日发布“2025年小升初空余计划公告”显示，学校有257个空余学位，全成都市符合条件的学生均可报名。就在该补录计划发布后不久，一篇主题为《天价学费吓退家长，补录 257人没人报，成都外国语学校跌落神坛》的文章在互联网出现，上百个网络账号在多个网络平台同时发布。对此，成外公开数据予以驳斥，数据显示，成外初中第一轮招生，共1893名学生报名，摇中率37%；257个补录计划，报名补录的学生829名，摇中率31%，比第一轮的摇中率还要低，不存在“没人报”的情况。

一区视频?郑先生说，和儿子一起的14岁小孩也是同村人。“他父母也说联系不到孩子，没有电话号码，只有微信。”于是，两家人一同去派出所报了案。

一区视频?合理的激励与利益分配机制同样关键。许玉贵指出，在资金层面，县乡政府可通过财政注资、专项基金支持等方式，缓解企业初期投入压力；至于村企内部，可按照责权利对等的原则，对公司管理人员、技术人员和职工，根据岗位职责和工作业绩，给予相应的薪酬、奖金和表彰奖励，让中下层人员有职务上升的空间。 ，更多推荐：18馃埐