鉴黄师

鉴黄师?中新网南宁7月20日电(张广权)由广西壮族自治区人民政府主办的AI赋能千行百业超级联赛(以下简称“AI超级联赛”)19日在南宁启动。 继续挖人：苹果人工智能领域的两名员工加入了 Meta

鉴黄师?敢于将伤痛展现出来的勇气，本身就是一种力量。她不再假装“雪姨”刀枪不入，而是承认自己只是一个会痛、会哭、会犯错的普通母亲。她在节目中健身、跳舞，甚至参加恋爱综艺，笨拙地尝试着从“母亲”这个身份中一点点抽离出来。 武贤东记者 肖春朵 摄

鉴黄师?剧中王权醉古灵精怪能御物催眠，杨一叹外冷内热天生神目，一个骄矜小小姐一个傲娇贵公子，青梅竹马的底子，配上活泼少女驯服冷面天才的轻喜路数。

鉴黄师?据中国证券报报道，梳理2024年极氪各城市月度交强险销量数据（所有权类别分为个人、公司，公司户代表以公司名义购买）发现，极氪在当年12月份销售2.92万辆（官方交付数据为2.72万辆），创出年内最高。

鉴黄师?7月1日晚间，石景山交通支队民警在夜查工作中查获一名酒驾司机。询问时，当事人梁某承认了此前曾有过酒驾被处罚的记录。民警核查发现，梁某此前已经因两次饮酒后驾驶机动车被处罚并吊销了机动车驾驶证，这次属于驾驶证被吊销期间驾驶机动车，同时梁某所驾车辆还存在套牌违法行为。石景山交通支队依法对梁某酒后驾车、无证驾驶、车辆套牌三项违法合并处以行政拘留20日、罚款8800元的处罚。 陈宁飞记者 王立臣 摄

鉴黄师?参考消息网7月21日报道 据路透社7月21日援引俄罗斯媒体报道，乌克兰无人机对俄罗斯的大规模袭击21日在莫斯科主要机场引发混乱。多架次航班取消或延误，数以千计的乘客排队等候或睡在机场地板上。 姚宏斌记者 纪娴静 摄

鉴黄师?2021年11月，在宜丰公司的一起合同案中，法院查明“天景祥公司收取中节能六合公司4700万元（5000万元银行承兑贴现后扣除手续费的剩余部分）设备款后，至今未交付任何设备”，且“狄某强在履行股权转让过程中涉嫌犯罪”，遂裁定将案件移送公安机关。原中节能六合公司工作人员胡某告诉新黄河记者：“实际上天景祥公司挪用了款项，未购买任何设备，原中节能六合公司相关人员已因此受到处罚。”

鉴黄师?从施政角度看，与众议院选举更聚焦“黑金政治”不同，这次选民更关注物价、经济和外交政策。但执政联盟缺乏具有新意的政策主张，引发民众不满。 刘毓秀记者 王攀 摄

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。 谢敬裕记者 张恩亮 摄

鉴黄师?而直到今年6月4日，SFA检察官因销售受污染食品及未能保持其食品准备场所免受污染对云海肴发起诉讼，并于7月2日正式开庭后，这起集体食物中毒事件的调查结果才作为证据得到公开。

鉴黄师?北方暴雨的产生也少不了地形“靠山”的推波助澜：太行山脉呈南北走向横亘于华北中部，是东部地区黄土高原与华北平原的天然分界线，对华北天气系统特别是暴雨有着重要影响。 张国太记者 杨军锋 摄

鉴黄师?正因为病人难以向医院寻求长途医疗转运服务，倘若病人状况相对稳定，黑救护车有时的确能帮上忙，提供一个比普通社会车辆更宽敞的平躺空间。

鉴黄师?在这版预告中，女主南宫婉的镜头多了起来，必须要说金晨饰演古装女主还是挺适合的，也不知道是不是妆造的原因，连她以前特别刺眼的下颚线都柔和不少。

鉴黄师?不过，快船队看起来也有所提升。而且他们在这样做的同时还着眼于未来，通过短期合同，快船队最快明年夏天就能腾出薪资空间。

鉴黄师?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。

鉴黄师?然而，在融资利好消息传出的同时，公司也披露了美证监会已就其2021年上市期间的某些信息披露问题发出“韦尔斯通知”，美证监会工作人员初步建议采取执法行动，但这并不是正式指控，还有待后续调查。

鉴黄师?如皋是最早一批“下海”投身新能源造车的城市，也同时几乎经历最多造车“骗局”：从“技术脱节”的陆地方舟和“骗补反噬”的康迪汽车，再到青年汽车的“水氢骗局”和“骗补套利”的赛麟汽车，如皋在新能源汽车产业界投资上似乎没那么幸运。

鉴黄师?“网上有人看了部分监控视频，说男子是把女孩从机动车道往回拉，是在救她，事实其实不是这样。这个男的从十字路口就开始恶意别车，一直追着女孩不放。”孟世祥解释。

鉴黄师?来自《米兰体育报》米兰跟队记者卢卡-比安津的消息表示，在争夺阿奇-布朗失败之后，米兰正在努力签下一名能胜任特奥-埃尔南德斯留下位置的更优秀的球员。而对于他们现在的目标埃斯图皮尼安，布莱顿的要价是2300万欧元，但目前这个要价和米兰的报价的差距仍然很大。 康树彬记者 廖德琴 摄

鉴黄师?此前，在经济预期低迷、换机周期拉长叠加颠覆性创新缺失等多重因素影响下，手机、PC等传统终端市场持续承压，手机出货量连续九个季度负增长，PC连续八个季度负增长。

鉴黄师?铂爵旅拍旗舰店首页，一件名为“铂爵旅拍婚纱摄影三亚厦门大理丽江新疆目的地婚礼巴厘岛旅行结婚”的商品标价为8888元，显示已经售出超过2000单。 纰漏威记者 杜琳 摄

鉴黄师?对于中国市场表现不佳的原因，保时捷CEO奥博穆在2024年财报会上表示，这主要源于中国市场的快速变化，保时捷未能及时跟上消费者需求的转变。“中国市场年需求大幅下降，形势严峻。中国正在经历结构性变化，而我们的电动汽车发展速度比几年前预期的要慢。”

鉴黄师?真正的爆发在随后的1976-77赛季到来——59次出场铸就史诗级征程：不仅以42轮联赛出战39场的表现卫冕联赛冠军，更作为主力左后卫在对阵门兴格拉德巴赫的欧冠决赛首发，助红军以3-1战胜对手并首夺"大耳朵杯"。

鉴黄师?爱尔兰75岁当地农业领域的知名企业家乔瑟夫·格罗根（以下简称格罗根）遗产争议案近日开庭审理。格罗根2023年4月16日去世，其护工丽萨作为遗孀，将继承价值550万欧元（约4600万人民币）的遗产，引发格罗根家人质疑。据悉，格罗根患晚期淋巴癌期间，丽萨以防止感染为由，封锁其与亲友联系，并阻止就医。格罗根去世前10天未获医疗干预，死后不到4小时遗体被送往殡仪馆，而其家人事后才得知，格罗根去世前一天已与丽萨结婚。
，更多推荐：水仙🔞直播