久久99精品久久久学生

久久99精品久久久学生?当地时间18日，一架由SkyWest航空为达美航空执飞的3788航班在准备降落当地的米诺特国际机场时，突然在飞行路径上发现一架美军B-52战略轰炸机。飞行员被迫执行紧急避险操作，以避免潜在碰撞风险。 社评：印度对华签证的门槛照旧太高了

久久99精品久久久学生?整体搭配做减法，可以用简繁结合的思路，如果上衣有花纹或设计感，下身就穿纯色基础款；如果下身是印花裙或阔腿裤，上衣就选纯色短袖或针织衫对比。 张占辉记者 王乐 摄

久久99精品久久久学生?王同学：福耀科技大学关注度比较大，我就想到这里会有一波流量，可以“起号”。入学后，我还打算拍一下Vlog，发一些介绍学校的内容，以及我自己平时读书的感想。如果后续发现学校有不好的地方，我也会客观评价。

久久99精品久久久学生?更戏剧性的是，沃诺克还承认自己曾在执教谢菲联时错失签下德罗巴的机会。当时德罗巴还在法乙的勒芒效力，前谢菲联球员洛朗-迪亚福以区区10万英镑的价码向他推荐这位未来巨星。

久久99精品久久久学生?事件已过去接近9年，但时至今日，美国机场依然提醒用户禁止携带Galaxy Note 7手机。此外，这款手机已被列入美国运输安全管理局（TSA）的官方禁飞名单。官方明确指出：该设备将永远被禁止携带上机。 王光军记者 胡秀华 摄

久久99精品久久久学生?张天粟分析称，澳大利亚作为清洁能源原材料的重要供应国，拥有丰富的锂、镍、稀土等关键矿产资源，在氢能、碳捕捉等新兴技术领域也具备较强的研发和商业化能力，而中国在绿色制造、智能装备和新能源应用方面优势明显。这都为双方共同打造面向未来的“绿色协同型供应链”，创造了有利条件。 左威记者 高凯萌 摄

久久99精品久久久学生?2021年12月，刘捷调任浙江省委常委、杭州市委书记。2023年10月，刘捷任浙江省委副书记，并继续兼任杭州市委书记。2024年12月13日，刘捷以浙江省委副书记、省政府党组书记的身份出席会议，同月18日，刘捷任浙江省政府副省长、代省长。今年1月17日，刘捷正式任浙江省省长。

久久99精品久久久学生?这不近日迎来了马小姐的生日，汪总和孩子带着鲜花以及蛋糕给在直播的马小姐送惊喜，这家伙给筱梅感动了眼泪汪汪， 吴冠宇记者 崔艺卓 摄

久久99精品久久久学生?新华社的报道则称，“今年1月底，在我驻泰、驻缅使领馆的大力支持下，公安部派出工作组先后赴泰国、缅甸，与两国执法部门进行多轮次会谈磋商，就进一步加强中缅泰三方执法合作，探索建立联合打击犯罪机制，共同打击电信网络诈骗、人口贩运等跨国犯罪达成共识”。 周淑敏记者 沈传伦 摄

久久99精品久久久学生?IT之家 7 月 22 日消息，领克汽车今日发布了领克 Z20 的两个新版型，主要是在电池容量和电机功率上进行了降级，带来新的“斐济绿”车色：

久久99精品久久久学生?真正的转折点出现在2025年2月，DeepSeek-R1让Perplexity完成了从“使用开源模型”到“基于开源模型自研”的关键跳跃，获得了完整的权重控制能力。而后，Perplexity又继续深度调优Sonar模型，展现了自研能力的成熟，专门针对搜索问答场景进行优化。 吴建德记者 芦翠平 摄

久久99精品久久久学生?“这两天，我看到许多网友看了报道后，在评论区都在质疑我骗保。”4日上午，王康平告诉极目新闻记者，这让正处于丧妻悲痛中的他，再次受到了伤害。可能是之前知情人介绍得不够详细，他因此想出面回应一下相关质疑。

久久99精品久久久学生?报道细数道，未来几年，小米计划将海外门店从去年的几百家扩张至1万家，用于展示旗下的时尚新车和消费电子产品。与此同时，它还计划继续拓展新业务领域，比如人形机器人CyberOne、自研芯片“玄戒O1”等，布局之广“令人眼花缭乱（vertiginous）。”

久久99精品久久久学生?据顾一新的履历显示，其出生于1954年3月，为中国台湾籍，拥有中国台湾地区永久居留权，毕业于中国台湾地区海军军官学校轮机专业，曾在1979年10月至 1999 年10月，于中国台湾地区海军服役长达20年。

久久99精品久久久学生?京东在整体AI（人工智能）领域的战略投资，路线越来越清晰。另据知情人士透露，京东还将于7月底举办的2025世界人工智能大会（WAIC）上，宣布附身智能（将智能能力赋予硬件设备）品牌JoyInside与众多机器人企业的合作。

久久99精品久久久学生?简直公开诈骗。既然是量产，一模一样，除非对我重要的人相送，体验也应当一样，而如果有精神方面的需求，可以去社交，欣赏文艺，嗑二次元纸片人……体验更纯粹，入戏更深，何必搭一个没用的东西。情绪差异化改变市场份额在厂商之间的分配，那都整这个，以子之矛陷子之盾何如，不就又一样了，如律师，让广告公司赚到钱了。

久久99精品久久久学生?数据显示，北京2000年以前所建房屋占比近四成，2010年以前所建房屋占比近八成，购买二手房的客户大部分都有装修需求，希望借助装修把"旧房子""老房子"改成"好房子"。

久久99精品久久久学生?除了口碑外，《明末》的市场潜力亦不容小觑，仅在预售开启一天之内，便已达到Steam全球热销榜排名第七的成绩。截至2025年7月9日，《明末》Steam愿望单预估已突破百万，排在全球第27名。根据数据分析网站Alinea Analytics测算，该游戏全平台首月收入有望接近6000万美元，且如若转化率保持稳定，则仅Steam销售额最终将超过1亿美元。

久久99精品久久久学生?在当地时间15日于金边进行的闭门会议中，洪玛奈召集柬埔寨各省省长、警察局长及宪兵司令研究并部署打击网络诈骗行动。会议中，洪玛奈要求各省份立即加大打击力度。 石利芳记者 李国亮 摄

久久99精品久久久学生?值得注意的是，补税范围精准覆盖了特殊时期后散户借道富途、老虎证券涌入境外市场的投资热潮期。2022年以来，随着全球市场的逐步复苏，不少内地投资者通过境外券商进入港美股市场，而这部分投资收益在此前的税收征管中处于相对薄弱的环节。

久久99精品久久久学生?总部位于旧金山的Marathon Fusion公司上周发表学术论文，提出利用核聚变反应释放的中子通过核嬗变过程生产黄金。该公司预计采用此技术的聚变电站每发电一千兆瓦，就可产出5000公斤黄金，价值与其发电收入相当。 陈智军记者 张景芝 摄

久久99精品久久久学生?“在与中国的稀土金属角力中，旧笔记本电脑和手机或将重获新生”，美国消费者新闻与商业频道（CNBC）7月13日以此为题报道称，包括废弃电脑、智能手机、服务器、家电、医疗设备在内，任何无法翻新再售的电子产品，都可能被拆解回收，从中提取金、银、铜、镍、钢、铝、锂、钴和其他对各行业制造商至关重要的金属。而如今，美国的回收商们越来越多地从这些电子垃圾中提取钕、镨、铽、镝等稀土元素。

久久99精品久久久学生?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。

久久99精品久久久学生?据俄罗斯媒体报道，由于前往俄罗斯欧洲地区的航班取消，数千旅客被困在俄远东地区，而北部城市圣彼得堡的乘客则由加开列车送往莫斯科。 ，更多推荐：亚洲精品一区二区三区四区高清