7c-c起草视频

7c-c起草视频?他在这篇技术文档中分享了不少 Manus 在上下文工程上的经验，比如需要围绕 KV 缓存进行设计、要使用系统文件作为上下文等等。这些工程创新显著提升了 Manus 的响应速度以及成本优势。 张译演技翻车？《以法之名》再演正直被骂固化，观众：不如史今

7c-c起草视频?“销售人员给我看的是2025年2月生产的车，现场也展示了现车资料截图，结果交付给我的车却是2024年12月生产的。”蔡建在接受中国证券报记者采访时透露，他在5月2日下定了一辆2025款极氪001 WE版95kWh四驱版车型，当日即向极氪汽车销售有限公司支付了5000元定金和另一笔4.62万元的费用。他通过VIN（车辆识别码）信息得知交付车辆为库存车后，当即要求更换新车。极氪起初以蔡建疏忽为由拒绝更换，推诿10多天后才因投诉压力，予以换车处理。 成利峰记者 宁武深 摄

7c-c起草视频?2025年7月11日，在中国汽研汽车指数技术专委会年会上，我做的题为《组合驾驶辅助系统安全测试验证思考》的报告，这个报告会现场有智驾网直播，直播视频中智驾网切了一个题为《华为不要把智驾强制标准定的太高，60分能上市就行》的短视频，这个视频引起了网暴，指责我“只顾车企安全而漠视用户安全”，评论区骂声一片。

7c-c起草视频?其实之前杨幂之所以被嘲讽的那么厉害，是因为选择的剧本实在是太不适合自己了，并且也非常执着于证明自己能够“扛剧”。

7c-c起草视频?最终，法院判定云海肴违反当地《食品销售法》及《环境公共卫生(食品卫生)条例》，处以最高额度罚款7000新加坡元（合人民币近4万元）。 梅发记者 王晨阳 摄

7c-c起草视频?杜建英这人，网上那点历史，谁都能搜到，小三的标签一直甩不掉。这回宗家闹遗产，反正她一个字没说，史晓燕反倒成了主角，天天替她喊冤，像是一定要把她洗白，网友一看就明了，这不是蹭热度是什么。 石新文记者 田贵炳 摄

7c-c起草视频?简单的在上半身搭配黑色或白色的T恤，整套穿搭看着十分的减龄。如果上衣稍微短一点，那么对整个的身材比例也有着良好的修饰的效果。

7c-c起草视频?记者在“政府购买服务信息平台”上查到，“稷山县2023年农村厕所革命整村推进财政奖补项目（新建公厕）合同公告”显示，采购人为稷山县农业农村局，合同金额230.28万元，计划新建23座公厕，资金来源于政府资金。 袁春峰记者 孔令喜 摄

7c-c起草视频?可口可乐公司回应虽未直接证实特朗普的说法，但其提到的“创新产品”暗示了潜在的配方或产品线调整。业内人士分析，这可能是可口可乐在平衡品牌传统与市场健康趋势下的策略调整。 王重军记者 姚新国 摄

7c-c起草视频?（央视财经《财经调查》）《财经调查》栏目组接到群众举报，村里投入不少资金建成的新公厕常年挂着锁、关着门，成了村民口中“只好看不好用”的摆设。一边是崭新的公厕“铁将军把门”，一边是村民无奈继续使用“脏乱差”的老旧旱厕，建好的公厕为何长期大门紧闭？

7c-c起草视频?长城汽车智能驾驶副总工程师逄淑一提出，作为最早布局端到端技术的主机厂，长城汽车从开发初期，就锚定端到端+无图技术方案，推出端到端组合驾驶辅助大模型SEE。 王克群记者 史建斌 摄

7c-c起草视频?诚然，外部困境给了他足够的压力，但内在的欲望和野心更是源动力。要知道，卢少骅原本就是做走私生意的，已经是一方富豪，所以他毕竟是有着手段与谋略的。只不过冰毒的意外打破了昔日的平静与安宁，搅乱了他的整个商业计划。但同时也是让他看到了全新的牟利方式，而且是更为暴利的。

7c-c起草视频?创新资源成果化。大赛引入行业头部企业技术带头人、顶尖专家团队深度参与赛事设计，邀请权威专家机构组成阵容强大的评审主席团，邀请投资机构参与赛事活动，推动优质项目与资本赛前、赛中、赛后无缝衔接；建立“赛事选拔—资源对接—产业孵化”跟踪机制，将优秀作品结合东博会相关活动进行专题路演和展示，支持参赛团队成果优先落地广西，让更多竞技成果转化为现实生产力。

7c-c起草视频?现有处罚力度也难以震慑。对于违规改造外观的车辆，交警仅能处以200元罚款；对于涉嫌非法营运的车辆，交通运输部门存在取证困难问题。外市正规救护车来苏州开展营运业务，没有处罚手段，只能给外市正规救护车所属的急救中心发函，协助召回车辆回原属地。

7c-c起草视频?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。

7c-c起草视频?2015年5月，林喆带领公司获得了美团旗下汉涛咨询的超1亿元投资，其中深创投集团与小米集团旗下的金星创投也继续跟投。2016年2月，林喆将公司正式更名为商米科技，同年开发出智能移动终端SUNMI V1收银外卖接单打印一体机，被商家称为"接单神器"。

7c-c起草视频?至于他的故事为何会引发广泛关注，秦奋认为，更多的应该是猎奇心理，看到这种少见的一时新鲜或感动，可能不会对自己的生活产生任何影响。他认为重要的还是成体系、有逻辑地构建自己的思想行为模式。

7c-c起草视频?红星新闻记者了解到，但业主们不认同“次梁受损”和“无安全问题”的说法，多数业主要求退房并补偿损失。陈文凤对此回应称，关于业主退房等诉求，需待政府委托的检测报告出来后，依据购房合同和检测结果制定处理方案。初步结论认为房屋整体结构无影响，但最终以检测结果为准。

7c-c起草视频?分手后的黄晓明，把生活重心完全放在了事业和儿子小海绵身上。他接拍了主旋律新剧，还带着团队去偏远山区做公益，偶尔被拍到接小海绵放学，父子俩手牵手的画面温馨又治愈。有粉丝说：“这才是我们熟悉的黄教主，清醒又通透。” 闫亮亮记者 张黎娜 摄

7c-c起草视频?第2局前半段冯彦哲/黄东萍一度11-6领先，但间歇过后两人连丢7分被对手反超。局末僵持阶段，冯彦哲/黄东萍17-16后连丢5分，17-21输掉了第2局比赛。

7c-c起草视频?专注SaaS出海投资的合伙人级投资人张梁表示，钉钉早期功能相对简单，核心是抓住了中国企业的管理痛点——从一开始就强调“管理”属性，以DING消息、已读未读、考勤打卡等功能迅速推向中小企业市场。到2020年年中，钉钉已经拥有3亿用户。 李建红记者 张雷鸣 摄

7c-c起草视频?在客户数量方面，商米科技也面临着一定的挑战。招股书披露，商米科技的客户数量已经连续2年出现下降，过去3年分别为2506名、2337名及2262名客户，从2022年至2024年客户净减少了244家，客户流失率约为9.7%。

7c-c起草视频?而同样在节目中和宝石老舅互动频频的范志毅“范大将军”也发动态庆生了。他直接称“老舅”生日快乐，并配上了多张自己和宝石老舅在节目中的合照。而宝石老舅也留言感谢老范。

7c-c起草视频?近年来，《区域全面经济伙伴关系协定》持续释放经贸红利，区域互联互通水平进一步提升，越来越多中国企业，特别是新能源汽车企业看到东盟国家在政策支持及产供链上的优势，将之视为产业链“出海”“延链”目的地。 ，更多推荐：蜜臀🔞直播