7c-c起草

7c-c起草?美国《华尔街日报》补充说，玉米加工协会主席约翰·博德周三表示，“用蔗糖取代高果糖玉米糖浆并没有什么意义。”他表示，这样做将导致美国食品制造业岗位流失，并损害农场收入。 捷豹XEL这种后驱车只要15.98万了
？一经攀援不起的捷豹大降价

7c-c起草?史蒂夫-帕里什说：“人们喜欢为水晶宫效力，这支球队非常出色，他们喜欢在那里，但人们也希望在职业生涯中有所进步，加入水晶宫有时是我们对球员的承诺的一部分。” 马学文记者 臧桂成 摄

7c-c起草?如今在半决赛狭路相逢，中国女篮外线比拼被日本女篮完爆。中国女篮全场三分仅有23中6的表现，反观日本女篮是34中16的三分表现，外线接近5成的三分准星。中国女篮仅仅三分表现一项，已经输掉10记三分，外线狂输30分成为主场输给日本女篮的根源。

7c-c起草?红星资本局咨询小米汽车官方客服，对方表示小米汽车官方不支持“转单”业务，也没有类似说法，购车人无法进行变更，只能修改“上牌人”，但修改的前提是，必须为直系亲属。

7c-c起草?刘嘉玲也来捧场了，跟郭富城同岁的她，平时总被夸“冻龄女神”，结果合影时站一块，除了身高占点优势，脸上那点岁月痕迹比郭富城明显多了。只能说，男明星的身材管理，有时候真比女明星还卷。 闫志刚记者 李齐凤 摄

7c-c起草?答：这在调侃我，的确是我在填写个人信息选择称谓时的失误，“医生”和“博士”在英语里都是“Doctor”，所以我选择了一个和医学生身份相近的称谓，结果被误会成“博士”了，真的不好意思，这是我的问题。 高娅记者 仝茂强 摄

7c-c起草?最招骂的是她反复消费大 S。有粉丝统计，大 S 去世后，S 妈平均每月发 3 条怀念女儿的动态，每条都能登上热搜。可转头就有媒体拍到她和朋友打麻将，笑到眯起眼睛。这种 “线上卖惨，线下潇洒” 的反差，让 “心疼” 慢慢变成了 “反感”：“真正想念女儿的妈妈，不会把悲伤当生意做。”

7c-c起草?IT之家附荣耀 400 系列手机此次更新内容如下：适配机型：荣耀 400 (DNN-AN00)荣耀 400 Pro (DNP-AN00)版本更新日志：荣耀 400连接荣耀车联新增适配 QQ 音乐。新增支持荣耀视频、哔哩哔哩、优酷、爱奇艺 4 款应用。新增全局返回按钮，在未适配应用中可以快速返回上级菜单。优化问题反馈入口。体验路径：设置 > 更多连接 > 荣耀车联 > 右上角三个点 > 帮助与反馈。 齐向军记者 胡晨鹏 摄

7c-c起草?抚养权收回之后，在孩子的心理状况也逐渐好转的情况下，6月4日汪女士已经以孩子健康权受损为由，向佛山法院提起诉讼，目前案件已经开庭审理。 戴建华记者 秦纪强 摄

7c-c起草?面对模型竞争的激烈态势，OpenAI正在押注三大战略支柱，试图从一家“模型工厂”，加速进化为一个“智能代理生态系统”，构建更持久的竞争壁垒：

7c-c起草?这位颠覆传统的警察既能在枪战中飞身扑敌，又擅长在审讯室玩心理战，连汗毛孔都在飙戏。而秦昊饰演的卢少骅，完美诠释了“化学天才的堕落简史”：从手抖制毒的新人，到杀人后淋浴冲血的冷血毒枭。 李永新记者 刘林花 摄

7c-c起草?“他是一个重要的合作伙伴。在球员文化建设、专业精神、待人接物以及诚实沟通方面，我们的观点完全一致。他是处理球员问题时不可或缺的伙伴，他愿意进行任何艰难的对话，这在这一行是至关重要的。当事情变得艰难时，这也给了我们真正的赢球机会。

7c-c起草?在济南西部商业长期由标志性商场主导的背景下，万象汇的投入，有望为该区域注入新的消费动能，强化槐荫城区的配套服务功能。

7c-c起草?与启幕活动同步开启的小红书“黄浦深夜食堂”百人共创活动成为当晚的一大焦点。百余位潮玩博主深入外滩、新天地等文旅网红点位，通过Vlog和直播打卡的新颖方式，将黄浦区的历史风情与现代活力全方位、多角度地传递给全网观众。衣漪、Giveon等博主在新天地和外滩进行直播，生动有趣的分享累计吸引超千万人次关注，成功让黄浦的魅力在网络上广泛传播。

7c-c起草?段奕宏饰演的缉毒警林强峰顶着金牙卧底造型出场时，我差点以为走错《士兵突击》片场——直到他审讯时一个眼神穿刺，瞬间让人想起被《烈日灼心》支配的恐惧。

7c-c起草?多一次他都不会接。这哪里还有半点母子情分，更像是下属向领导汇报工作，还带着一丝被监视的厌烦。节目组原本邀请儿子出镜，但被他一口回绝，语气中透露出对母亲的疏离。

7c-c起草?熟悉她的人都知道，她一直在努力平衡：为了不缺席女儿成长，推掉无数片约，为了尊重女儿的想法，允许她们参与自己的感情生活。

7c-c起草?伊朗核科学家、前议员艾哈迈德·希尔扎德也发出了同样的警告，他呼吁采取更具包容性的方式，以调和在很大程度上被疏远的民众。“我们需要回归人民，确保他们在治理中参与合作。他们必须能够将政府视为自己的政府。”希尔扎德在改革派日报《阿尔曼·梅利》上撰文写道。

7c-c起草?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。 徐文丽记者 韦峰 摄

7c-c起草?现年26岁的阿根廷中场帕耶罗，上赛季代表乌迪内斯在各项赛事出场27次，打进1球，并贡献2次助攻。帕耶罗与俱乐部的合同2027年夏天到期，目前球员德转身价550万欧元。

7c-c起草?“孩子失联后，家里70多岁的他爷爷奶奶整日以泪洗面，现在已经卧床不起了。”李先生说，由于在泰国寻子没有线索，他将泰国警方的报警记录发送给中国驻泰国大使馆，不久后就回了国。现在，李先生每天都在等候儿子的消息。 刘文华记者 骆飞 摄

7c-c起草?需要提醒的是，短路情况下，充电宝会持续升温，常见的灭火器没有太大效果，无法使充电宝降温，容易造成复燃。因此，充电宝起火的最佳灭火方式还是用水。

7c-c起草?财富管理业务专家王永升总结称，同父异母的兄弟姐妹无论怎么争，都是对娃哈哈品牌的伤害。对娃哈哈和宗馥莉最好的结局是娃哈哈股权不拆分、宗馥莉保持对娃哈哈的控制权，21亿美元离岸信托协商处置；如果娃哈哈的股权被拆分继承，则宗馥莉可能丢失娃哈哈相关公司的控制权，娃哈哈有可能走向职业经理人模式，各宗家子弟享有股东权利、股权收益权。

7c-c起草?电影排片占比为22.3%，可以看出院线其实是对电影是相当看好的，票房占比为46.5%，上座率也不错，很明显超人气动画剧集加上票房破3亿的电影版前作有很大的加持。 ，更多推荐：国产麻豆精品免费