抖阴

抖阴?猛士M817搭载的HarmonySpace 5基于全新MoLA架构，彻底打破车内“信息孤岛”限制，实现人、车、生态系统之间的高度融合，带来真正意义上的“全场景”智能体验。猛士M817还配备了百万级影音资源与主题空间定制能力，让用户在返程途中或驻车休息时，享受完整的视听放松体验。鸿蒙座舱与整车智能能力的深度融合，使猛士M817成为一个真正意义上的“移动智能第三空间”，让越野不再枯燥，N种多功能与乐趣等待探索。 ΤÊÀºÀȾºìÀ볡£¡ÓëÇòÃÔ»¥Âî£¬¼ṳ̀½òÃÅ»¢ÃŽ«£¬À볡ºó±¬¿Þ

抖阴?7月3日，小佳追问他究竟在干什么时，彭宇轩回复称，现在还不是讲的时候。透露了他在缅甸，并发来靠近云南的中缅边境位置图以及一张身上沾满泥的照片。称自己是自由且安全的，能挣到钱。 ÌÆ°®¹«¼ÇÕß ãÆÕÕ½Ü Éã

抖阴?虽然近年来华夏银行不良率呈现波动式下降趋势，从2022年上半年末的1.79%下降到2025年一季度的1.61%，但其净息差收窄幅度更甚，2022年上半年末该行净息差尚能保持在2%以上，到2024年上半年降至1.61%，2025年一季度继续下滑至1.57%，这直接导致“倒挂”的发生。

抖阴?美国《国会山报》17日称，特朗普近来出人意料地关注起非洲。不过，美国政府一方面敦促非洲国家接收被美国驱逐的第三国移民，另一方面却以旅行禁令威胁非洲大陆多数国家，这种做法引起了愤怒。几内亚比绍总统恩巴洛在美非峰会上断然拒绝称：“如果他们是第三国公民，我们为什么要接收？不，我们的政策不接受这种做法。”

抖阴?根据竞买公告，竞价成交后7日内，竞买人需持京东资产交易平台出具的成交确认书，至线下售楼处签署房源认购书，支付首付款尾款，商定签约、过户节点，确认按揭或一次性付款方式，并签署房屋买卖合同后，方可办理房屋交割和过户手续。 ËÕÀöº½¼ÇÕß Ëï¸Õ Éã

抖阴?现在最该做的是沉下心读书。考个好大学，学表演或者传媒，系统打磨专业能力，比现在急吼吼赚快钱强多了。颜值是敲门砖，但能让人走长远的，永远是底气。 ÆîÓÀ¹â¼ÇÕß ÍõÉúÓÑ Éã

抖阴?国安、蓉城双双告负，海港以37分排名第三位，比国安仅仅少了1分，而成都蓉城则以34分排名第四位。排名前三位的球队只差了4分，这意味着中超冠军的争夺将更加激烈，而蓉城则逐渐退出冠军争夺。

抖阴?针对隐蔽性难题，王立峰建议，构建“国企人员职业生涯数字图谱”，整合组织人事、工商登记、税务、银行等多源数据，智能预警异常行为，如离职前突击审批项目或离职后亲属账户大额进账。另外，对国企掌控的核心资源如牌照、配额、客户资源等建立编码体系，离职后5年内追踪其流向关联企业情况。 ÀîÖлª¼ÇÕß ÀîÖ¾·æ Éã

抖阴?罗马诺指出：“巴塞罗那在当地时间今天上午向曼联正式提交了对拉什福德的报价。 过去24小时内，巴塞罗那内部进行了会议，他们认为路易斯-迪亚斯的交易过于昂贵，同时他们被说服应全力追求马库斯-拉什福德。 ” Áõ»¢ÌμÇÕß Àî½øϲ Éã

抖阴?而且新编曲也比较套路化，对比李玟差距可不小，所以够不到第一名的位置，但以她的唱功，高音D5的实力，排在第二名应该是绰绰有余的。

抖阴?6月1日夜间，一名参与帮扶行动的卡友告诉记者，常志荣因高反缺氧去世，他的车辆和骨灰在1日早晨一同回到老家，当天已经下葬。目前，不少卡友和爱心人士都对其家庭进行了捐赠，有的捐款超过万元。 ÓÚ±¦Óñ¼ÇÕß ËÕ½¨·¼ Éã

抖阴?这一举动恰逢中国零售业最激烈的时刻。线上，阿里、美团、京东三大巨头正向市场投放超过1000亿元的补贴；线下，硬折扣超市的战争已进入白热化阶段。

抖阴?中新网北京7月19日电 (记者 孙自法)记者从中国科协获悉，正在北京持续举行的第二十七届中国科协年会，近日分别举办“生物育种前沿共性技术”“低空经济安全体系设计”专题论坛。

抖阴?7月20日，中国汽车流通协会专家委员会专家委员李颜伟向红星资本局表示，极氪此举或是为了粉饰财报数据，通过向第三方公司集中批售新车的方式来完成业绩。车企渠道采取直营方式，少了经销商这个蓄水池，要作冲量的动作，只能依靠第三方公司。这种粉饰业绩的方式是不可取的。

抖阴?下半场，一球落后的泰山队通过人员、阵型的调整提升了球队进攻火力，却始终未能将比分扳平。第82分钟，拉布亚德的任意球破门在事实上杀死了比赛悬念，泰山队不得不接受客场失利这一结果。

抖阴?据九派新闻报道，多位消费者在社交媒体反映，在铂爵旅拍购买服务后遭遇商品未交付、定金难退等问题：有消费者2024年5月在直播间下单的婚纱照套餐，部分商品至今未收到；另有消费者2025年支付定金后未使用服务，退款事宜仍无进展。

抖阴?李先生说，之前，整个房屋的装修工作都比较顺利，只剩下餐厅、厕所的瓷砖以及柜子没有装。7月18日上午，工人们都在继续装修，但当日下午突然接到了停工通知，不再施工了。

抖阴?于正想签她，无非看中那张“白纸脸”好塑造。但白纸也可能被画坏，关键看握笔的人是谁。如果父母只盯着眼前利益，这张老天爷赏饭吃的脸，很可能吃不了几年就凉了。

抖阴?发言人还表示，中美经贸合作的本质是互利共赢的。多年来，中国企业对于美国的投资，为促进美国的国内就业和经济发展作出了重要贡献。 ³Â·ï¾ê¼ÇÕß ¸¶Óñϼ Éã

抖阴?陈阿姨眯着眼呵呵笑，她说，编了一辈子藤编，对松木场这边有感情，都是老客人，“我们就知道把藤椅编好，服务好老客人。他们老了，我们也老了，直到我们编不动。”

抖阴?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。 »ÆȺ¼ÇÕß ÔÀÌìƽ Éã

抖阴?2014年，KKR集团的全资子公司KKR（卢森堡）通过定向增发约3.05亿股，成为青岛海尔第三大股东，持股约10%，投资近34亿，并在3年内3次减持，累计退出50亿，再度获得丰厚收益。

抖阴?当民警询问取98万现金干什么用时，小刘声称自己取现是装修房子使用的，不想和民警说太多。直到民警耐心细致向他介绍了当前“线上诈骗+线下取现”的诈骗手段后，小刘才意识到遭遇了诈骗，便将受骗过程向民警全盘托出。

抖阴?观察者网消息，俄乌战事延宕至今，美国总统特朗普“24小时内”结束冲突的美梦早已化为泡影。特朗普对俄罗斯总统普京也越来越不耐烦，扬言考虑对俄实施进一步制裁。 £¬¸ü¶àÍƼö£º91视频