小 伸入 自慰91

小 伸入 自慰91?替补未出场：达洛特、马奎尔、芒特、霍伊伦、多尔古、约罗、希顿、乌加特、海文、弗雷德里克森、梅努、杰克-弗莱彻、科内、米、威廉斯、穆罗、曼塔托、库孔基 原核移植手艺能否改变遗传病宿命？

小 伸入 自慰91?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。 王全香记者 陈太领 摄

小 伸入 自慰91?在选好基础色的前提下，可以搭配一种鲜艳色来提亮整体造型。比如，选择上衣、裤子或配饰的其中一件为鲜艳色，其他则为基础色。▼

小 伸入 自慰91?这款全球首个 L4 Robotaxi 车规级域控制器于今年 4 月在上海车展亮相发布，由小马智行基于 4 颗 NVIDIA Drive Orin X 芯片自主研发，算力达 1016 TOPS，为小马智行第七代 Robotaxi 车型提供可量产、车规级、高安全性的计算基座。其中，主系统采用 3 颗英伟达 Orin X 芯片，冗余系统搭配 1 颗 Orin X 芯片。

小 伸入 自慰91?从清晨的热干面香气到长江畔的璀璨夜景，从千年黄鹤楼的文脉到街头巷尾的家常美味，武汉以其包容的热情和独特的“江湖气”，吸引着越来越多的明星前来体验。来武汉吧，和明星们一起，让江城的夏天持续沸腾！ 贾万军记者 刘明英 摄

小 伸入 自慰91?“我们已进行了大量准备工作。”美国银行CEO Brian Moynihan表示，该行目前正在深入研究客户需求，将在适当时机推出稳定币产品，并可能与其他金融机构展开合作。 尚连伟记者 曾声兵 摄

小 伸入 自慰91?此外，奇瑞、比亚迪等企业已启动经销商违规上牌追责机制；中国汽车工业协会则发布《关于维护公平竞争秩序促进行业健康发展的倡议》也明确表示支持企业通过正常的方式参与市场竞争，坚决反对无底线的「价格战」。

小 伸入 自慰91?这一事件让冰姐想到了去年薛之谦演唱会上出现的一对“抓马情侣”，明明眼镜哥陪着来看演唱会，女主却伸出一个手指头表示，“我一个人来的”。旁边的眼镜哥一脸黑人问号，“我不是人吗？” 杨军记者 王旭杰 摄

小 伸入 自慰91?比起廉价的化纤，这种柔软的针织和纯棉衣服会更适合中年女人，舒适透气就不说了，穿在身上看着就贵气，完全不需要花里胡哨的设计。 贺艳丽记者 李明阳 摄

小 伸入 自慰91?Ben Mann: 老实说，我大概做过15个不同的职位。我有一段时间是安全主管。当我们的总裁休产假时，我管理运营团队。我那时就像在桌子底下爬来爬去，插HDMI线，还在我们的大楼里做渗透测试。我从零开始组建了我们的产品团队，并说服了整个公司我们需要有一个产品，而不是仅仅是一家研究公司。所以，是的，经历了很多。所有这些都非常有趣。我想那段时间我最喜欢的角色是大约一年前我开始领导的实验室团队，其根本目标是将研究成果转化为最终用户产品和体验。因为从根本上讲，我认为Anthropic能够脱颖而出并真正获胜的方式在于站在最前沿。就像我们可以获得正在发生的最新、最棒的东西一样。我真诚地认为，通过我们的安全研究，我们有一个巨大的机会去做其他公司无法安全地做的事情。例如，关于计算机的使用，我认为这将是我们的巨大机会。基本上，要让一个代理能够使用你计算机上的所有凭据，就必须建立巨大的信任。对我来说，我们需要基本上解决安全问题，才能实现这一点，安全和对齐。所以我非常看好这类事情。我认为我们将很快看到非常酷的东西出现。是的，领导那个团队真是太有趣了。MCP出自那个团队，云代码出自那个团队。而且我雇佣的人，比如康博，既是创始人，也在大公司待过，见过大规模运作的方式。所以能和这样一支卓越的团队一起工作，一起探索未来，真是太棒了。

小 伸入 自慰91?网上还有人翻黄奕之前的采访，她说过自己出道时也吃过苦，现在可能怕孩子走弯路。但女儿反问的话很直白：“您行为什么我不行？”这种反问其实戳中了家长最矛盾的地方——既想保护又希望孩子有勇气。 岳从见记者 王建印 摄

小 伸入 自慰91?韩国统一部发言人具炳衫7月21日在回应媒体有关韩方正在考虑允许个人赴朝鲜旅游的报道时表示，韩国政府正在研究制定并推进改善与朝鲜关系的政策，旨在缓解朝鲜半岛紧张局势。他还表示，他理解个人旅游并不违反国际制裁。韩国总统李在明本月3日在就职一个月时曾表示，要以对话合作开启朝鲜半岛和平共存之路。（CCTV国际时讯）

小 伸入 自慰91?该女游客发帖称：“刚刚退休的年纪，还有太多没一起做的事情，没想到意外比明天快了一步，原本我们明天就一起回国了啊。”据其介绍，目前有一名旅行社的人在跟进，约定明天（21日）去中国驻泰使馆沟通后续事宜。该女游客表示，因为事发突然，毫无经验，才发帖求助需要做什么事情才能让母亲“走得顺利”。

小 伸入 自慰91?在口碑支撑下，电影短短数日点映加预售票房已经冲破4000万，增速远超《戏台》，首日预排片占比高达23.5%，很明显院线更看好这部战争大片。

小 伸入 自慰91?由著名喜剧人斯蒂芬·科尔伯特（昵称“扣扣熊”）主持的这档《晚间秀》是CBS电视频道旗下经典品牌，也是整个深夜档收视率最高的节目，诙谐不失犀利的风格颇受美国观众喜爱。然而就在上周四，CBS突然宣布，“《斯蒂芬·科尔伯特晚间秀》将于2026年5月播出季结束后完成历史性的谢幕。我们认为科尔伯特无人可以替代，届时将正式完结这一节目品牌，我们很自豪能成为科尔伯特的舞台，他与这档脱口秀将被铭记于深夜电视节目的名人堂之中。这纯粹是基于深夜时段严峻的市场环境而作出的财务决策，与节目表现、内容水准或派拉蒙公司的其他事务无关。”

小 伸入 自慰91?预算充足的情况下，大家可以尽量选一些高质感的衣服，比如这些真丝连衣裙或者是半身裙，面料垂坠感很强，搭配在身上，整个人都透着股自在劲儿，即便价格贵一些，但是能穿的更久，性价比实际上更高。

小 伸入 自慰91?在锁屏上，时间会根据墙纸图片的可用空间进行调整，空间场景功能会在用户移动手中的iPhone时，通过3D效果让墙纸栩栩如生、呼之欲出。

小 伸入 自慰91?为持续提升 GR-3 应对未见过物体的能力，团队利用 VR 设备采集了人类操作物体的数据，结果发现：只需要通过 VR 设备对相应物品采集 10 条轨迹数据，就可以让 GR-3 操作这些物体的成功率从不到 60% 提升到超过 80%。

小 伸入 自慰91?特别是女方再婚具俊晔以后，两家人是一点体面也不留，跟撕破脸皮没什么区别，这一次罕见的转发关于大S的视频难道是在怀念对方吗？ 周兰玉记者 王艳文 摄

小 伸入 自慰91?快乐猴在此棋局中的战略价值日益凸显。互联网专家指出，长期补贴模式不可持续，将向"服务溢价"转型。而美团优选战略后退后，快乐猴和小象超市共同承担着为美团建立"省"的心智的重任。

小 伸入 自慰91?此前，这项核心技术长期被欧美国家列入“禁止出口”清单，实施严密的技术封锁。如今，我国的科学家们已突破重重壁垒，使其成为我国空间探索任务中不可或缺的“标准配置”。 兰永昌记者 石国清 摄

小 伸入 自慰91?这意味着，如何让更多品类加入即时零售，以近场服务、时效和货盘刺激新的消费需求，才是各家长期竞争的关键点，它考验平台的供应链、技术、服务、管理等能力，也带给平台们巨大的增长想象空间。回到外卖大战的热潮里，平台所可能带动的消费热情、行业转型也许并非坏事，但热战退潮后，平台们能真正将多少精力转向构建更数字化、高效、高质行业生态仍待检验。

小 伸入 自慰91?可以说，此次餐食铅含量严重超标事件，与这些本该担负起监管职责的职能部门的玩忽职守乃至利益输送直接相关，正是这种系统性、“塌方式”腐败，导致个别员工的荒唐行径一步步恶化为如今的“雪崩”。

小 伸入 自慰91?在讲座中，费林加以《发现的乐趣》为题，回顾了他和团队在“分子马达”和“分子开关”研究上的突破性进展。他详细阐释了如何通过精密的化学合成，构建出能在纳米尺度上实现可控运动的分子机器。他指出，合成化学的创造力已超越自然设计，为构建微观分子世界提供了无限可能，从药物到显示器等领域均有广泛应用。他特别强调，当前核心挑战在于实现纳米尺度运动的精确控制与动态分子系统的开发，这预示着分子纳米科学的未来将充满无限潜力。 

，更多推荐：免费 成人 结九幺看片