久久久网

久久久网?此外，虹口区拥有国科航星、中交航信、中科航谱、中海电信、蔚星科技、四象科技等空间信息优质企业。发射“南通中学号·江苏测绘星”“星环号·南信大星”、AS-01星矿大南湖号、AS-02星虹口复兴号、AS-03星中电农创号等5颗卫星。 宗馥莉被同父异母弟妹起诉后
，富二代们坐不住了
，最先查亲爹喽

久久久网?目前，美国有26个州禁止或限制外国人在本州购买或投资农业用地。虽然联邦层面尚无全面禁止外国购地的法律，但1978年的一项法律要求外国持有者申报其土地所有权，但这一申报机制因要求宽松、政府数据收集迟缓且易出错而饱受批评。 陈立军记者 冉茂林 摄

久久久网?新车将基于宋L EV平台打造，从图片中我们可以看出，其外观基本沿用了宋L EV的设计语言，并针对细节处进行调整。车头部分，依旧采用狭长的头灯样式，左右两侧黑色通风口尺寸得到加大，两者共同营造出“X字样”前脸的既视感。车侧线条动感流畅，A柱还采用了熏黑处理，营造出半悬浮车顶的视觉效果。

久久久网?据悉，锦江区正围绕“建设西部首个未来产业集聚区”目标，聚力发展智简6G、脑机接口、量子科技、具身智能、低空经济、智能网联六大未来产业赛道，布局“首发春熙路+科创白鹭湾”双核共兴经济地理，构建“1+6+2”的未来产业发展格局。在智简6G、脑机接口、量子科技的产业赛道方面，将分别打造6G技术应用产业园、西部脑谷、量子科技产业园；在具身智能、低空经济、智能网联产业赛道方面，将打造具身智能机器人产业园、低空经济产业园、智能网联产业园。

久久久网?据悉，泽连斯基已决定任命尤利娅·斯维里坚科为新总理。斯维里坚科现为第一副总理，主管经济事务。两人定于14日会面并商讨新内阁的组成架构及人选。 刘润金记者 孔满清 摄

久久久网?IT之家 7 月 20 日消息，在移动图形处理器领域，英伟达的 RTX 5090 移动版目前是市场上最快的显卡，而苹果的 M4 Max 则以其卓越的内部图形处理单元（GPU）著称，号称是便携式电脑中最快的 GPU。随着《赛博朋克 2077：终极版》原生支持 Windows 和 macOS 系统，终于可以深入对比这两款芯片在不同测试场景下的表现。 朱玉莲记者 苗振平 摄

久久久网?媒体人杨天婴：这场比赛，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。这场比赛，其实是之前几场险胜的一个总结，之前国安几次险胜，都暴露了低效传控的问题，但是对手的实力有限，反击效果不强，防守不强，给了国安险胜的机会。但是申花同样采取了和西海岸等球队一样的低位防守，长传反击，但是申花的反击外援水平更高，同时申花的防线中卫更强。这个战术放大了国安的缺点，放大了申花的优势。塞蒂恩目前仍然没有完全解决国安低效传控的问题，国安在战术上，经常陷入低效传控带来的大量被反击、大量回传球的问题，国安几乎没有快攻，因为我们的进攻发起点太靠后，几乎每次进攻都是阵地战，面对11个对手整齐的防守，而我们身后总是空空如也被打反击。塞蒂恩是不是在未来的比赛中，可以考虑，增加一些战术方式，并不是只有一个后场推进的战术可以用，是不是使用更多更务实的战术？

久久久网?轨道交通站点接驳优化，是构建以轨道为骨干的“多网融合”综合交通体系的重要环节。在轨道交通站点接驳优化提升工作中，各区凝聚合力、共建共治,围绕50个重点轨道站点因地制宜、精准施策，提升接驳服务水平。 田贵炳记者 简贤昌 摄

久久久网?正餐和快餐没法比，正餐更多的是堂食，坐下来慢慢点餐，慢慢吃。我有环境，我有服务，出菜就是做一道上一道，这个才是最美好的一种商业形态，它跟快餐还不一样。 马春风记者 戴建华 摄

久久久网?“中国互联网史上规模最大的补贴战”在外卖领域打得正酣。京东和阿里先后累计宣布为此将投入800亿人民币，美团被迫参战，并将日订单量拉到了历史最高。

久久久网?黄仁勋表示，“中国高速创新的幕后英雄，正是你们的研究人员、开发者和创业者。中国有超过150万名开发者在NVIDIA平台上开发，将他们的创新变为现实。由中国孕育并开源共享的DeepSeek等世界级大模型，正在推动全球AI快速发展。中国的开源AI是推动全球进步的催化剂，让各国和各行业都有机会参与这一AI革命。开源同样是保障AI安全的关键，有助于推动国际社会在技术标准、性能基准和安全防护措施方面的协作。” 李玉明记者 杜建超 摄

久久久网?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。

久久久网?近日，公安部交通管理局披露了一起发生在张家界市武陵源区的交通事故。当时，毛某骑行电动自行车行驶至梓园路前路段时，突然撞上从一辆违停小车后方跑出的小女孩，致其受伤。令人揪心的是，违停车主正是孩子的父亲。经认定，小女孩未在监护人的带领下横跑过道路，是造成该起道路交通事故的主要原因，负主要责任；小女孩爸爸在禁止停放机动车的道路上逆向停车，且影响通行视线造成交通事故的发生，是造成该起道路交通事故的次要原因，负次要责任；毛某骑行非机动车未按规定佩戴安全头盔，未确保安全通行，是造成该起道路交通事故的次要原因，负次要责任。

久久久网?此外，数字科技深度赋能文化新体验。“北京超高清视听·行！”沉浸式空间在首钢园首场活动中，通过三星堆文化数字化呈现吸引6000人次现场体验，全网传播量突破1.24亿次；海淀区“未来形态：陶瓷在科技纬度下的艺术重构展”在壹美美术馆开展，通过“科技融合”“形态创新”“可持续发展”三个维度，展现传统工艺在当代的形态与价值延展。

久久久网?可控核聚变技术被视作人类破解能源困局的终极答案，它不但是撬动全球能源革新、助力碳中和目标实现的核心引擎，更是各国在科技领域展开角逐的战略高地。

久久久网?兄弟移民网络构建海外安全垫。二弟宗端后2003年获绿卡，三弟宗泽后全家美籍，均居住于圣马力诺豪宅区。2013年宗泽后成立Zong’s family holdings公司，宗庆后去世后三周，其子Jason在德州注册新公司，专门处理美国资产分配。这种"核心资产由子女继承，边缘资产由兄弟代持"的布局，确保了家族利益的最大化。

久久久网?目前，贝西克塔斯急需一名新的右后卫，俱乐部主席正在密切关注巴斯克斯的动向，并询问了其加盟意愿。巴斯克斯正在与家人及经纪人认真评估这一提议。

久久久网?找寻陨石的这群人，有一个酷炫的名字——“陨石猎人”。西北非撒哈拉沙漠，是他们常常出没的地方，“你看到几百号人在那埋头找东西，这些都是陨石猎人。”任富军告诉封面新闻。这次苏富比拍卖行拍卖的陨石，也是来自西北非。

久久久网?前几期的学院时期，也确实有这个调调。学员们每天上课拉花做甜点，经历的最大挫折是考核导师的“故意刁难”，以及黄子韬化身老板下“大单”。 刘震记者 王晨牧 摄

久久久网?李某告诉记者，当时他拉着一车海鲜送往珠海，为了省钱，没有走高速。途经阳江市大沟镇路段时，他看到一辆警车停在前方对向车道边，交警正在拦停检查一辆货车。

久久久网?“几年前元宇宙概念、科幻的火热，让国内一些人开始关注起了陨石收藏。”任富军从2019年开始玩陨石，“相比国际陨石玩家，中国陨石行业兴起不到十年，受到认知局限，刚起步时，一块阿根廷Campo陨石只需要几毛钱一克，现在已经翻了几十倍。”任富军告诉封面新闻记者。 兰圣军记者 杜海枝 摄

久久久网?法院认为，张某生实际损失92.64万元，扣除保险最高赔付62.2万元后仍有30余万元缺口，而协议补偿仅1.7万元，差额悬殊，协议签订时张某生的治疗未终结，处于急迫用钱的状态，且缺乏专业判断能力，存在重大误解。且协议以“人道主义补偿”为名，未覆盖法定的伤残赔偿金、护理依赖费等，规避了侵权责任。符合《民法典》显失公平的可撤销情形，最终一、二审法院均判决撤销。

久久久网?ChatGPT 智能体即日起向 Pro、Plus 和 Team 版用户开放，Enterprise 和 Education 版用户将于 7 月获得使用权限。Pro 版用户每月可执行近乎无限的任务，其他付费用户每月可执行 50 次任务，额外使用量可通过灵活的积分额度选项获取。

久久久网?深圳龙岗娃哈哈老厂区大门紧锁，锈迹斑斑的铁栅栏后，褪色的LOGO在空荡车间里形同虚设。而300公里外的河源生产基地，18条饮料生产线24小时轰鸣，宗馥莉掌控的宏胜集团正以“冲刺年产10亿瓶” 的速度狂奔。
，更多推荐：www.久久久