国产99久久久久久久久

国产99久久久久久久久?有了充分的准备，客场作战的申花取得梦幻开局。第6分钟，高天意左路斜传，阿苏埃禁区中路头球冲顶破门，打入中超处子球。第20分钟，马纳法左路斜传，吴曦突入禁区扛开斯帕吉奇之后右脚斜射破门，2比0！ AI新贵估值跃升，AI搜索首创公司Perplexity估值两月内跃升至180亿美元

国产99久久久久久久久?纵观全场比赛，中国女篮除了韩旭三分4中2外，罗欣棫、杨舒予、翟若云与杨力维各中一记三分。至于黄思静三分5中0，杨力维三分4中1，杨舒予三分5中1，如此外线投篮能力极为悲催。 王怀浪记者 黄小华 摄

国产99久久久久久久久?特斯拉V4超充站开始在国内部署，通过优化冷却技术和充电协议，进一步提升充电效率，更好地兼容其他品牌的电车，企业在建设超级充电网络、高效服务车主方面迈出坚定一步。

国产99久久久久久久久?报道称，丰田、本田和日产的新一代 EV 预计在 2026 年左右才能陆续上市。虽然全球 EV 市场面临瓶颈，但长期来看仍被认为会增长，EV 化的浪潮最终也会席卷日本。如果日本汽车制造商继续落后，将进一步被中美企业抢走市场份额。

国产99久久久久久久久?政策设计上要做好4篇文章：增长型政策要预研储备，确保从容应对外贸环境的不确定性、房地产止跌回稳的复杂性，不断完善稳就业稳经济的政策工具箱，确保必要时能及时出台实施。改革型政策要加快落地，加快完善反内卷体制机制，推进中央地方财税体制改革，增强地方自有财力，调动地方积极性。开放型政策要纵深推进，以服务业扩大开放为重点，进一步推动服务业开放更多地从“准入”到落地“准营”。稳定型政策要更加有力，涉及就业和民生保障的相关政策要加大力度，进一步提高宏观政策普惠性。 张腾记者 荆霞 摄

国产99久久久久久久久?作为超人“非完美家庭”的成员，它的出现，不仅为影片平添喜剧色彩，更构成了一股柔软的力量，告诉我们：英雄同样需要陪伴，需要被治愈。 和晓东记者 夏玲 摄

国产99久久久久久久久?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99久久久久久久久?值得注意的是，类似的自来水异常事件并不鲜见，仅是公开报道的就有不少。这些自来水异常事件，具体原因和影响不一，但在客观上都给相关区域的居民带来明显不便，也加剧了用户对于供水系统公信力的质疑。特别是一些事件中，对于“异常”原因往往语焉不详，更留下了种种关于责任心和专业性的联想空间。而从更大的层面来看，自来水供应经常出现各种“幺蛾子”，这背后也是城市安全韧性仍需要加强的一种重要警示。 胡平记者 刘彬旺 摄

国产99久久久久久久久?此外，7月15日，湖北一位母亲向媒体紧急求助，称其读高中的儿子与两位同学在6月24日前往西双版纳后失联，目前疑似在缅甸，望社会各界能施以援手。7月16日，湖北黄冈市公安局黄州分局发布一则警情通报： 刘红霞记者 董凤承 摄

国产99久久久久久久久?在潘金娥看来，在明年召开越共十四大的背景下，越共会形成一个基本的人事布局框架。新老交替、精简机构、任用具有专业主义和职业精神的官员，应该是可以预见的方向。

国产99久久久久久久久?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。 李雄伟记者 尚景云 摄

国产99久久久久久久久?“老房子当初面积很小，一梯3户，合用卫生间、厨房。”原住民王阿姨告诉每经记者，她的房子性质是租赁住房，前段时间拿到了钥匙，特地再来看看，以便决定出租还是出售。

国产99久久久久久久久?本次活动由上海市科学技术委员会、杨浦区人民政府指导，上海启迪之星高质量孵化器主办，杨浦区科技和经济委员会、清华大学自动化系、清华大学机械工程系联合支持。

国产99久久久久久久久?张金瑞介绍，根据行动方案，北京将重点提升高质量行业数据供给能力，支持企业加快开展工业数据采集、汇聚、清洗、标注等工作，推动形成一批高质量工业数据集。鼓励企业用好人工智能数据沙盒制度，给予“首用免费”支持政策，让工业数据参与模型训练，形成“供得出、流得动、用得好”的数据供给能力。通过数据要素示范奖励政策，对工业数据“首登记”“首入表”“首交易”“首开放”给予资金支持。

国产99久久久久久久久?首先，对于张女士罹患疾病，爱康集团深表同情，在接下来的治疗中如果在任何方面爱康可以提供支持的，爱康一定会提供支持，衷心祝福张女士能早日治愈。同时，爱康集团总部在接到张女士的投诉信息后，立即召开紧急会议，对张女士的历年体检报告与档案进行了核查与分析。接下来爱康将与张女士进行沟通，委托第三方权威机构进行论证与鉴定。

国产99久久久久久久久?另一方面网约车平台的抽成比例居高不下，导致司机的到手收入下滑，同时高温天气下司机开空调带来的运营成本提升也只能司机自己承担，虽然一部分平台推出了夏季高温补贴等措施，但是不少司机反馈因为平台设置的门槛高限制多等问题，导致真正拿到高温补贴的司机并不多，在这种情况下，一些司机为了维持生计，不得不采取加收空调费等违规手段，试图从乘客身上找回部分损失。

国产99久久久久久久久?杨少华去世后，有媒体采访杨少华的长子杨威，其在电话中讲述了当时发生的情况：“睡醒午觉坐起来以后，他觉得有点晕。立刻上医院，到了医院大夫一看说，人已经没了……”去世时间差不多是在下午3点半左右。“走的太突然了，他此前没有任何后事交代、没有遗言留下，最后一句话就是‘有点晕，咱上医院看看’，然后就走了……”

国产99久久久久久久久?传统天文望远镜通常由物镜（折射式望远镜为透镜，反射式望远镜为凹抛物面主镜）和目镜（凸透镜）组成。这种设计的成像原理是遥远天体的微弱光线首先被大口径物镜收集并汇聚，随后在折射望远镜中，透镜折射光线在焦平面形成实像；反射望远镜则利用凹面主镜反射汇聚光线。最终，位于焦平面后方的目镜如同放大镜，将此实像再次放大形成供人眼观察的虚像，实现目标的视角增大和亮度提升。然而，这种同轴系统有个先天缺陷——次镜和支架会挡住部分入射光线，就像用带黑点的眼镜看世界。

国产99久久久久久久久?“好问题，我尚未最终决定，有一长串事项需要考量。上赛季孙兴慜是队长，明天我们将进行两个45分钟的比赛，孙兴慜和罗梅罗将分别担任半场队长，最终人选仍需确定。” 张云莲记者 孙文斌 摄

国产99久久久久久久久?任少白在军校的老师和情报厅的大头目李鹤林由冯晖饰演，他曾经在《琅琊榜》里扮演过官员沈追，这次他饰演一位心思缜密的老江湖，问题应该不大。

国产99久久久久久久久?当前，中国新能源汽车产业高速发展，为专注于半导体汽车应用的安森美提供了重要增长动力。据盖世汽车报告，2025年第一季度，中国新能源汽车累计销量同比增长45.9%，渗透率达到45%。“安森美凭借其第三代半导体材料碳化硅技术在中国新能源汽车市场的广泛应用，2025年业务表现强劲。”克奈费尔说。 姜翠平记者 谭宝良 摄

国产99久久久久久久久?李平康则认为，“这是国安赛季到目前最差一场球，能看出几个老将真拼真想赢，但塞蒂恩真的交学费了。准备不充分，战术也失策了，临场调整也晚。另外斯帕和塞鸟的表现真的不能接受，这样的比赛出状况，这不是国安球员的气质！塞鸟不是外援可以留，斯帕走得越早越好！”

国产99久久久久久久久?另一方面网约车平台的抽成比例居高不下，导致司机的到手收入下滑，同时高温天气下司机开空调带来的运营成本提升也只能司机自己承担，虽然一部分平台推出了夏季高温补贴等措施，但是不少司机反馈因为平台设置的门槛高限制多等问题，导致真正拿到高温补贴的司机并不多，在这种情况下，一些司机为了维持生计，不得不采取加收空调费等违规手段，试图从乘客身上找回部分损失。

国产99久久久久久久久?陕西汉中高考生彭某轩被诱骗至缅甸失联，引发各界关注。7月19日，极目新闻记者从接近该失联高考生的人士处获悉，彭某轩已平安找到。彭某轩面对镜头讲述了自己被骗的经历。 ，更多推荐：久久精品亚洲作者