蜜臀🔞直播

蜜臀🔞直播?影片开场的三行字幕就建立了一个超人类与普通人共存已久的世界，这种设定让后续各种超级英雄的出现变得自然而然。 【紫牛头条】“98年男生跨省在南京摆摊卖菜”火了！未来想做个家庭农场

蜜臀🔞直播?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。 高贤雷记者 刘志敬 摄

蜜臀🔞直播?IT之家 7 月 20 日消息，据日经中文网报道，美国特斯拉公司将在 2026 年底之前将日本的门店数量增至两倍。计划以商业设施为中心开设门店，将目前的 23 家店增加到 50 家。中国比亚迪也将在 2025 年内在日本构建达到 100 家门店的体制。在发达国家中，日本的 EV 普及率处于较低水平。引领全球 EV 的中美企业将主导日本的 EV 转型。

蜜臀🔞直播?案件审理中，双方对案涉电池进行测量，发现电池使用3年后，存在不同程度的衰减，但使用的里程数均已接近或超过约定免费质保里程的三分之二，报修电池经维修后，均符合合同约定的衰减标准。

蜜臀🔞直播?刘先生告诉记者，针对汪女士提出的民事诉求他不会认同，“我承认我的行为是危险驾驶，也承认让孩子坐在了后备箱中，但关于对方说的其他问题我没做，我也不会承认。”刘先生认为，他的做法并没有违背孩子的意愿，不会对汪女士及孩子进行道歉。 李璟记者 喻瑞然 摄

蜜臀🔞直播?阿里云飞天实验室科学家胡露露先生以《通达百端，义不容辞–通义大模型在智能终端的创新实践》为主题，分享通义大模型在智能终端场景的的创新实践。 张俊英记者 胥洋 摄

蜜臀🔞直播?7月17日下午，第三届中国国际供应链促进博览会（简称“链博会”）“南京日”专场活动在北京市中国国际展览中心（顺义馆）举行。活动通过战略签约、授牌仪式、产业推介与项目落地等环节，全方位呈现南京的开放活力。

蜜臀🔞直播?美就在于细节。粉粉嫩嫩的一串，更有“水晶之王”白水晶作为顶珠，“财富之石”黄水晶添彩，纯银配饰点缀，美得不单一之余，又把美好寓意拉到满。▼ 赵久魁记者 李学永 摄

蜜臀🔞直播?第一财经发现，新型网络诈骗虽看上去眼花缭乱，但万变不离其宗，呈现出多个共性。比如夸大宣传、虚假承诺，常用的话术包括“稳赚不赔”“高额固定收益”“保本付息”等；比如收益率畸高，宣称日化收益率1%，甚至2%，年化收益率超过300%；再比如通过“拉人头”机制，鼓动用户推广某种项目，并承诺层级奖励等。 冯燕春记者 莫彩梅 摄

蜜臀🔞直播?懂得和人、和事、和世界保持适当的距离。她不会随意答应不必要的邀约，不允许别人的情绪入侵自己的平静，也不为了取悦别人委屈自己。

蜜臀🔞直播?武文赏和时任越共中央总书记阮富仲有很多相似之处：长期从事党务工作，热爱研究理论问题，喜欢阅读和引用越南近代诗人的诗歌。阮富仲发起“熔炉”反腐败运动后，武文赏主持整理了阮富仲关于反腐败的论述，并协助构建了“能上能下”的干部问责制度。 房玉良记者 张洪 摄

蜜臀🔞直播?丽水拥有丰富的农文旅资源，机场的建成将吸引更多国内外游客前来旅游。更多的外地游客能搭乘空中“飞的”，游览自然风光，也让当地农产品和文旅资源，迎来更广阔的市场。

蜜臀🔞直播?作为艺人，尤其是跨国发展的公众人物，“吃饭砸锅”是最致命的傲慢。市场给他们机会，粉丝给他们真金白银的支持，结果他们将这一切视为“营业工具”，用完即弃， 这种功利主义自然是会遭遇反噬的。

蜜臀🔞直播?晚上8点，坐落簋街的胡大总店门前，景象可谓壮观，动辄排队两三小时的食客们，只为在盛夏的夜晚吃上一口小龙虾。每年一入夏，小龙虾销售旺季就来了，但这家餐厅70%的小龙虾都是在晚间时段卖出去的。为此商家特别延长了营业时间：总店24小时营业、其它门店也营业到深夜两三点。

蜜臀🔞直播?需要注意的是，不典型热射病容易漏诊误诊，其发病时核心体温可以不高、发病环境可以在常温甚至低温下、意识障碍也可以不严重。老年人可能仅表现为行为异常或嗜睡，婴幼儿则可能表现为哭闹不安或反常安静。

蜜臀🔞直播?——暗中植入：供应链中“投毒”。个别不法分子可能利用软件更新渠道、污染开源代码库或在供应链环节篡改代码等方式，在设备使用过程中植入“后门”，同样可以达到非法操控设备、窃取秘密的目的。

蜜臀🔞直播?有网友统计过，林更新自从出道以来，传过的绯闻女友足有12个。这些人当中，从超模到网红应有尽有，但无一例外都是个高腿长的大美女。

蜜臀🔞直播?同时，越来越多国家和地区开始给无人驾驶开绿灯放行：美国、德国、日本等多个传统汽车制造强国针对自动驾驶立法，并从国家战略层面加速推动Robotaxi从测试向商业落地推进。

蜜臀🔞直播?“这是极大的羞辱。”博索纳罗在佩戴上电子脚镣后对记者称，“我从没想过要离开巴西，也从没想过要去大使馆，但这些预防性措施就是基于这些原因。” 司旋坤记者 李志超 摄

蜜臀🔞直播?最后，高薪抢人往往换来的是高流动率，这些人也更容易被下一家出价更高的公司挖走。小企业因缺乏薪资优势和文化吸附力，难以留住人才，最终只能为他人作嫁衣裳。

蜜臀🔞直播?那么月球陨石和月壤又有什么不同呢？李春辉解释说，月球陨石的种类很多，玄武岩、斜长岩、角砾岩、玻璃珠等。而月壤则是月球最表面那一层因为陨石轰击或太阳风照射形成的细腻粉末。只有通过发射探测器到月球采样才能获得月壤。“我们可以看出来，月球陨石是块块，而月壤是粉末。此外，因为月壤是亲自采的，因此我们明确知道月壤在月球上的位置。”所以，捡陨石靠运气，挖月壤那得靠科技和狠活。 周艳华记者 阮彬 摄

蜜臀🔞直播?高通公司全球高级副总裁钱堃表示，高通期待链博会能持续推动跨行业、跨区域的产业生态协同发展。高通将以5G-A与终端侧AI技术为支撑，深化与中国伙伴的合作，共同创建智能互联的新未来。

蜜臀🔞直播?在这个充满竞争的社会中，每一个母亲都在努力为孩子创造更好的未来，而这种努力背后，往往隐藏着不为人知的心酸与坚持。

蜜臀🔞直播?以上四类实现方式中的每一个都基于基础组件构建，同时解决了上下文利用中的特定挑战，展示了理论原则转化为实际系统的背后原理。 ，更多推荐：水仙🔞直播