鉴黄师

鉴黄师?稳在哪？首先粮食供给稳定。夏粮是第一季粮食，主要是口粮小麦。据国家统计局数据，全国夏粮产量2994.8亿斤，是仅次于去年的历史第二高产年，为粮食安全稳住基本盘提供了保障。不过，秋粮产量占全年粮食产量的3/4，要完成今年粮食产量1.4万亿斤左右的目标任务，关键看秋粮。目前，距离秋粮大面积收获还有2个多月时间，也是自然灾害多发重发期。夺取秋粮丰收我们仍不能松懈，一手抓单产提升促增产，一手抓防灾抗灾减损失，全力夺取秋粮好收成。 李斌：乐道L90试驾车将于下周抵达天下门店

鉴黄师?输给申花的比赛，国安甚至都没有时间复盘，因为他们在22日就要打足协杯的比赛。20日中午，球队在教练组的带领下进行了恢复性训练，下午球员们得到了半天的休息。21日上午，全队乘坐高铁前往青岛，准备与西海岸的足协杯1/4决赛。主教练塞蒂恩一直在鼓励球员们要抬起头来，后面的比赛还要继续像个男人一样去战斗，无论是联赛还是足协杯都要全力争取最好的成绩。 牛云记者 姚新周 摄

鉴黄师?7月启动，10月揭晓。三大参赛项目：“场景突围”应用创新赛——解决人工智能在行业场景的落地应用；“揭榜挂帅”产业命题赛——围绕各产业关键瓶颈问题定向“发榜”，奖金高达2050万元；“AI大家创”全民挑战赛——找出隐藏民间的AI高手，这意味着即使你还是一名学生，也有角逐大奖的机会。

鉴黄师?“欧洲正在AI监管上走一条错误的道路，”Kaplan在周五的帖子中写道，“这份行为准则引入了诸多法律不确定性，并包含了一些远超《人工智能法案》原意的措施。”

鉴黄师?近日，北京青年报记者从北京公安交管部门获悉，交管部门依托“奋进·2025”平安行动，持续开展夏季夜查行动，整治酒驾醉驾违法犯罪，防范涉酒交通事故发生。近一个月时间，已查获1438名酒驾醉驾司机，均依法予以处罚。 江华记者 周红晶 摄

鉴黄师?报道称，此举凸显了美国近年来对外国持有美国农地问题日益增长的“担忧”，虽然新计划也适用于俄罗斯和伊朗等敌对国家，但主要针对中国。这一举措为目前由中国关联投资者持有的财产带来了不确定性。 付辉记者 孙刚 摄

鉴黄师?事实上，具身智能的兴起源于“具身认知”理论，其核心在于智能不仅依赖算法或模型本体，更依赖于感知、运动与环境交互的整体能力。具身智能机器人作为这一理念的载体，融合了大模型、多模态感知、边缘计算、动力学控制等前沿技术，正在重构“感知—决策—执行”的智能链条。

鉴黄师?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。 刘敬敏记者 苏来旭 摄

鉴黄师?这已经不是她第一次释放 “新生活信号” 了。分手后的这八个月里，她先是删除了所有和黄晓明相关的动态，然后开始分享旅行、健身的日常。有网友发现，她最近的照片里多了不少 “男士视角” 的拍摄痕迹，甚至有一次戴着的棒球帽，和某男性友人的同款出现在了社交平台上。 冯俊记者 刘新署 摄

鉴黄师?另一个把他推上台的理由是特朗普可能重返白宫。彼时主流论调认为日本需要一个冷静稳健的领导人，而石破茂看起来比另外两位候选人更可靠。如今看来，他无法与美国总统建立关系，两国间如今暖意全无。也许石破茂其实乐见日美关系的齿轮里掺点沙子。

鉴黄师?最新的进展来自宇树，今日，中国证监会官网显示，宇树科技已开启上市辅导，由中信证券担任辅导机构。资本市场的窗口，正在向人形机器人打开。 梁伟记者 韩社明 摄

鉴黄师?北京时间7月20日晚，天津足协官方发布公告称，带头领喊辱骂韦世豪的津门虎球迷姜某某，已被行政拘留7日，并被责令禁止观赛。

鉴黄师?在被问及是否站在乌克兰一边时，这位美国总统评论道：“我不站在任何一边。”特朗普同时表示，普京应在50天的“最后期限”内同意停火协议，否则将面临制裁。特朗普在7月14日宣布，如果莫斯科在未来50天内不与乌克兰达成和平协议，他将对俄罗斯的贸易伙伴征收“严厉关税”。

鉴黄师?7月7日晚上9点多，昌平交通支队民警在小汤山地区夜查时发现，一名摩托车驾驶人在行驶中一手扶着车把，另一只手似乎举着什么东西，随即将其拦停。询问中，驾驶人马某一边坦言自己“喝了半瓶儿”，一边指了指摩托车车头右侧杯架里放着的半瓶冰镇啤酒，并承认刚才边骑车边喝酒解暑的事实。经呼气式酒精检测仪检测，马某血液中酒精含量数值为44mg/100ml，属于饮酒后驾驶机动车，将面临驾驶证记12分并暂扣6个月，同时罚款1500元的处罚。

鉴黄师?浙江某市一位负责人才工作的相关负责人向中国新闻周刊透露，以前他们引进过东南亚博士，但现在浙江已基本上不认可此类博士项目。“两三年前，部分高校在职老师会选择去菲律宾攻读博士，现在管得严了，这几年几乎不再引进。”他说，对于QS世界大学排名200名之外的院校毕业生，相关工作人员会核查其入境记录，以确认其具有真实的海外学习经历。

鉴黄师?马斯克旗下人工智能公司xAI于上月宣布完成一轮总额高达100亿美元的融资，公司估值高达800亿美元。此轮融资由摩根士丹利牵头并确认，资金构成包括50亿美元的债务融资和50亿美元的战略性股权融资。

鉴黄师?（注：1999年郎朗在拉维尼亚户外音乐节上代替身体欠佳的安德烈·瓦兹与芝加哥交响乐团合作登场，演奏了柴可夫斯基第一钢琴协奏曲。听众全体起立欢呼，掌声经久不息。消息很快传遍了古典音乐界，美国其他四大交响乐团，纽约、波士顿、费城、克利夫兰，都向郎朗发出了邀请。）

鉴黄师?从阿里内部看，相比前两次，钉钉的第三次转向有一定优势，尤其是集团的资源和技术支持的优先级提高了。但陈航回归后面临的挑战，可能比2015年钉钉早期更大。当时的市场是一片蓝海，现在的市场已经是红海竞争。当时的技术相对简单，现在的AI技术复杂且快速变化。

鉴黄师?Daniel Stenberg 表示，自 2019 年以来，cURL 的安全漏洞赏金项目合计为 81 个安全漏洞发现者提供了 9 万美元（IT之家注：现汇率约合 64.7 万元人民币）的奖励，而不怀好意者正是看到了相应赏金项目有利可图，因此利用 AI 工具生成大量“垃圾漏洞报告”，例如 cURL 仅在上周收到的垃圾报告量就激增到平时的 8 倍，而这些漏洞报告大部分都不实。 文放英记者 赵志越 摄

鉴黄师?带着成衣工厂生产的70件自己并不满意的“星空“娃衣，沈筑开始挨个私信买家是否能接受实物与设计图有差距，“有一半人选择了退货，最终我那套在平台上爆了的衣服只卖了70套，连成本都没收回来。”

鉴黄师?即使他最终下台，日本政治的“混乱时代”也才刚刚开始。在美国关税威胁阴影下，自民党内恐怕没有几个人愿意接受首相职位。这意味着高烧可能一时还不会退。（编译/郭骏） 陈伟记者 孟敏凯 摄

鉴黄师?16日下午，记者与该小区物业取得联系，一名工作人员告诉记者，小区里前天确实是发生了“小孩往楼下扔书”的事情，不过小区物业保安已经到了小孩家中进行了教育和处理，“小孩的奶奶把他带着下楼，挨家挨户地给业主道歉，这件事情已经解决了，没有砸到人，也对小孩进行了教育。”

鉴黄师?高检网7月3日消息，宁夏回族自治区政协原党组书记、主席齐同生涉嫌受贿一案，由国家监察委员会调查终结，经最高人民检察院依法指定，由广西壮族自治区南宁市人民检察院审查起诉。近日，南宁市人民检察院已向南宁市中级人民法院提起公诉。

鉴黄师?随着参议院选举临近，最近一项民意调查结果显示，在野党阵营比执政联盟人气更高。日本共同社7月5日至6日就选民动向开展电话调查，发现石破茂领导的内阁支持率降至25.4%，较上次调查下滑7个百分点。49.9%的受访者表示执政联盟的参议院议席数“最好少于半数”，39.8%希望其议席数“最好超过半数”。 ，更多推荐：水仙🔞直播