美女被 到流水羞羞

美女被 到流水羞羞?在《朝雪录》这部剧里，李兰迪的发型虽然简约，但几乎都是头包脸的造型，很好的修饰了她的脸型，将观众的视觉重心移到了她的五官上。 ÂüÁª¹ÙÐûÄ·±´Äª7100Íò¼ÓÃË£¬´©ÉÏ19ºÅÇòÒ£¡ÍÏÑÓÒ»¸ö°ëÔÂÔµ¹ÊÔ­ÓÉÆعâ

美女被 到流水羞羞?各式各样的彩色吊带也是夏天甜妹必备的时髦单品，无论是搭配阔腿牛仔裤还是半身裙，长裙都能分分钟出片，妥妥的氧气少女穿搭。 Íõ¸ßÈÙ¼ÇÕß È½¿ª¹ú Éã

美女被 到流水羞羞?"我们是普通的农村家庭，现在不知道该怎么办。"杨女士告诉潇湘晨报记者，在儿子失联后，曾多次接到电话，称有缅甸军方的关系，可以帮他们把人救出来，但是需要支付20 万元的费用，杨女士担心受骗，每次接到相关电话，都很谨慎地处理。

美女被 到流水羞羞?像郑女士这样的客户还有很多。起初他们在选房时有些迷茫，现在他们会根据专业的装修建议和丰富的装修方案不断调整预期，最终找到"未来家的样子"。

美女被 到流水羞羞?当前，医疗机构普遍采用“大模型基座+小样本微调+专业知识融合”的方式落地部署大模型，本地化部署导致算力分散等问题。 ºúϲÔö¼ÇÕß Æ¤°²¾ê Éã

美女被 到流水羞羞?部分平台补贴需要商家部分出资是争议的一面，嘉和一品创始人刘京京呼吁，平台不应裹挟商家参与巨额补贴，双重承担配送费，应让消费者理性选择吃堂食还是吃外卖。在众多餐饮协会的发声中，餐饮商家因强制摊派补贴而利润空间被挤压、部分餐品出现负利润的情况被强调，平台争夺市场份额的成本是否被隐形转嫁给商家受到关注。 л»ª½ø¼ÇÕß Ð¤½ðϼ Éã

美女被 到流水羞羞?而当保剑锋与董洁在剧中饰演夫妻时，那种熟悉的默契与真实的情感流露，仿佛不仅仅是角色的演绎，更是他与何珈好生活的反映。

美女被 到流水羞羞?有网友感慨：“要是当初能互相包容一点，说不定现在还是幸福的一家。” 但感情里没有 “如果”，就像杨颖在采访里说的：“过去的已经过去了，我们现在是最好的朋友和父母。” ¬Îľý¼ÇÕß °×Êç²Ê Éã

美女被 到流水羞羞?根据程序，收到通知一方可向美证监会提交陈述，解释为何不应采取执法行动。可若协商未果，执法程序将进入正式诉讼阶段。一旦美证监会正式采取行动，可能寻求对公司发布禁令、处以民事罚款、追缴非法所得，甚至禁止相关个人担任上市公司高管或董事。 лÑòÃ÷¼ÇÕß Áõ¾®Ìï Éã

美女被 到流水羞羞?日本政治进入一个混沌期，政局动荡还将持续到今年秋天。石破茂手里还有一张牌，即可能动用“解散众议院”的特权，实现重新洗牌。这是其最后的一种抗争。谁能掌控众议院过半数席位，谁会成为新首相，将成为另一个看点。

美女被 到流水羞羞?本文仅代表作者观点，不代表本号立场。文章版权归「大米和小米」所有，未经许可，严禁复制、转载、篡改或再发布。本号长期征集线索/稿件，一经采用，稿费从优。提供线索/投稿请联系：contents@dmhxm.com。 ´ÞÏãÖ¥¼ÇÕß Öì¿¡·å Éã

美女被 到流水羞羞?杨天婴则分析了国安失利的原因，“国安输的不冤枉，申花的战术更加务实，充分利用国安传接球慢，防线身后空间大的问题 ，同时申花防线中卫几乎把国安所有传中球都解围了，国安输掉比赛是应该的。”

美女被 到流水羞羞?比如，黄仁勋谈华为，称任何轻视华为、轻视中国制造能力的人，都极其天真。黄仁勋还说，英伟达已经做了30年，华为已经做了几年，而华为已经能和英伟达相提并论。

美女被 到流水羞羞?各校培养方案、培养目标的侧重各有不同。东城区区级实验学校中，北京市第二十七中学将进行航空科技创新实验班建设；北京市第五十四中学侧重培养创新型人文后备人才；北京市第六十五中学“智创人文”培养项目，通过项目式学习驱动科技人文双线融合；北京市第二十四中学、北京汇文实验中学、北京宏志中学则围绕人工智能科技人才培养。

美女被 到流水羞羞?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。

美女被 到流水羞羞?罗马诺在社交媒体上这样写道：“独家：阿贾克斯门将杰伊-戈特尔即将转会至帕福斯，双方已经达成协议。球员将在今天完成体检，随后正式签约。在本次转会中，阿贾克斯保留了二次分成条款。”

美女被 到流水羞羞?在街头的 Hailey Bieber 、Kaia Gerber、 Kendall Jenner，梳着利落的发髻，戴着小巧耳环，手里拎着 Stanley 保温杯，身穿瑜伽紧身裤和运动长袜，步履笃定，眉眼明亮地走进健身房。

美女被 到流水羞羞?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”。

美女被 到流水羞羞?过去两年多，很多行业都在被 AI 改变，广告行业大概是其中最明显的行业之一。今天来看，不管是线上还是线下广告都在逐渐被 AI 占领，前几天微软 Xbox 图形部门就用 AI 生成了一份招聘广告，而小雷所在小区的电梯广告也是用 AI 生成。 Íõ¶¬Ã·¼ÇÕß Áº´úÅô Éã

美女被 到流水羞羞?尘肺病与其他工伤不同，是永无终结的，随时间推移病情会加重，即便做了肺移植手术，也需要终身服用抗排异药物，一旦出现排异，后果几乎是死亡。“不管拿了多少钱，结果可能都是人财两空。”

美女被 到流水羞羞?由张子枫和赵又廷担任男女主，对比原版确实有一定差距，但两位演员的人气与演技也不容小觑，不由得好奇正片会是什么样的效果了。 ÕÔ½¨Æ½¼ÇÕß ¸ðÁÁ Éã

美女被 到流水羞羞?更尴尬的是，这块屏被扒出散热设计存在先天缺陷。工程师在匿名访谈中直言：“户外高温下连续亮屏两小时就会触发过热保护。” 贾跃亭宣称要“终结同质化前脸”，但业内工程师一针见血：“用屏幕取代格栅早被高合、理想玩过，散热和成本问题都没解决，哪来的颠覆？”

美女被 到流水羞羞?然而，这种聚焦少数明星员工而忽略整体体系的方式，反而导致一些企业绩效下降。特别是当泡沫破裂后，企业开始反思过度投资和押注高端人才、过度英雄化个体而忽视组织支持的代价，并转向构建人才持续供给机制。企业开始从外部争抢转向内部培养，强调通过技能开发、岗位轮换、继任计划等来建设人才梯队。有研究指出，许多优秀企业已将这一模式嵌入组织运行模式中。

美女被 到流水羞羞?《长安的荔枝》中郑玉婷看到丈夫横跨千里，遍体鳞伤却凯旋而归时的封神落泪，何尝不是她看到了过往那个浑身是伤的自己？ £¬¸ü¶àÍƼö£º国产精品 国产原神