国产精品久久久

国产精品久久久?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。 °¢¶ûÌØËþ̸Âí¶Å°£¿­£ºËûÊÇÓ¢³¬×î¾ßÏÈÌìµÄ±ß·¹¥»÷ÊÖÖ®Ò»

国产精品久久久?说是没有加入计划，但暑假回香港， 手头已经接了不少工作，包括拍电视特辑、准备处女大碟等，港媒毒舌“非艺人过上了艺人的生活”。 ²ÜϲÖмÇÕß ´÷×Ô¸» Éã

国产精品久久久?其次培养模式非常自由且升学方面有保障，大一大二主要是通识课教育，学生可以在大二下学期自由选择专业，王树国校长在此前的宣传中也多次提到，学校已经打通本硕博连读的通道，学生想读到哪个阶段就读到哪个阶段。

国产精品久久久?离婚之后，董璇才敢往事重提，说她根本来不及伤心难过，家 里上有老下有小，自己是“家里唯一一个能扛事儿的人”，为了维护孩子和双方的老人，她没有选择，必须当起家庭支柱来。

国产精品久久久?秦奋认为，对他来说，最困难的阶段是他读博的时期，因为想要正常毕业非常困难。“（我）度过的方法，靠大量文献的阅读，靠数据的认真整理和分析，靠导师的指导。” ÑîÑï¼ÇÕß ¹ËÏþ±ó Éã

国产精品久久久?连衣裙总是能够满足女性对气质的提升的需求，在这一单品的选用上，总体是比较宽泛的。因为大家本身基础条件的不同，以及身材等各种因素都不一致，就意味着大家在裙子的选择上不会太过于相似。 ÕÔ¼Ò¿â¼ÇÕß ÐÁÑÓ·¼ Éã

国产精品久久久?7月14日，在阳江市阳东区东平镇一处居民小区，记者见到了年过六十的茹光迎。茹光迎曾是远洋渔船海员，身体很好，但如今走路都困难。家中陈设和厨房食物显示着当下生活的窘迫，当天30多度的高温，为了省钱，茹光迎也坚持不让家人开空调。

国产精品久久久?宗泽后强调，宗馥莉不存在未公开的兄妹，“只有杜（建英）这三个，如果有的话到现在还不跳出来争一口？”宗泽后还拿出了家谱上的记录，回应网传文章。 Íõîçì³¼ÇÕß ÖÜÁ¢ÈÝ Éã

国产精品久久久?美国农业部长布鲁克·罗林斯在8日的新闻发布会上渲染称，“美国农业正面临来自犯罪分子、政治对手和敌对政权的威胁，这些政权将我们的生活方式视为对自身的深刻且根本性的威胁。” Õž©Éú¼ÇÕß ¹ËÐ¦è´ Éã

国产精品久久久?12点左右，预约的客人们来到饭店，她一眼就认出了客人里有榕江县县委书记徐勃和县长王飞。“当时看到是书记和县长很震惊。”杨玉碧说，徐书记一行十人，点了贵州特色醉鹅和四个凉菜，还热情地邀请她一同用餐。徐书记、王县长和其他领导还询问她饭店灾后恢复情况，让她要振作信心，这让她内心感觉十分温暖。“徐书记说来店里吃饭，就是希望通过实际行动带动大家消费，提振经济，让个体工商户和企业在灾后能感受到信心。”

国产精品久久久?“危旧”是硬前提：核心指向80年代及以前建成、采用预制板等落后结构形式、经专业鉴定确属C/D级危房、或存在严重安全隐患（如结构严重老化、消防隐患极大）的楼房。简单“老破小”不行，得是“老危破小”。“双70%”危房优先：政策更倾向于那些建筑年代、结构隐患（如预制板）占比均超过70%的楼栋或片区。西城两个试点项目均符合此特征。改造价值低：通过常规“老旧小区改造”（如加固、加梯、节能）已无法解决根本性安全问题或居住品质提升需求。“拆”是最后手段。产权相对清晰：公房、商品房混杂会增加协调难度。西城试点楼栋产权相对清晰，最好都是体制内大单位的，这样好协调。体量适中、协调可行：试点项目都是3-4层的小体量楼房，涉及户数较少（几十户），相对容易达成共识。动辄上百户的高层塔楼？难度几何级上升。 ÀîÖÐÁ¼¼ÇÕß Íõ־ѧ Éã

国产精品久久久?上月，阿里发布2025财年年报，张勇、俞永福、戴珊、彭蕾等9位阿里合伙人退出，数量之多创下了阿里上市以来的新纪录；同时，蒋凡替换彭蕾，进入阿里巴巴合伙人委员会，后者是阿里最核心的权力机构。

国产精品久久久?周二，在OpenAI从事安全研究的哈佛大学计算机科学教授Boaz Barak在X上公开批评称，他本来不想发表关于Grok安全性方面的文章，因为他的公司与其存在竞争，但此事无关竞争。他很欣赏xAI的科学家和工程师，但他们处理安全问题的方式完全不负责任。

国产精品久久久?VR技术打造的虚拟界面与实体豪华材质交融：羊毛织物、3D打印钛饰、自然气候温控系统、中央机械漫威仪表盘，乃至可收纳宠物或行李的伸缩地板储物系统，皆在细节中彰显宾利对“移动奢华”的极致理解。这种创新并非堆砌，而是将百年手工匠心与未来智能交互的完美缝合。

国产精品久久久?吴迪则疲于应付美国高校普遍重视的“过程性考核”。她上学期的一门课程，每两周就有一次计入总分的考试，“过程非常痛苦。”

国产精品久久久?香港对于“星二代”向来是特别严格，就像音乐人陈少琪所说，由于父母都是行业前辈，他们必须比其他人努力十倍，才能打破观众对他们的预判。

国产精品久久久?去年网友们骂钟睒睒的儿子是美国国籍，现在回过头一看，宗庆后好几个非婚生子女都是美国国籍，而且宗庆后还在海外留下了不菲的资产。

国产精品久久久?关于房子之前已经住过很多人，2020年就交房了，房东说是开发商的问题。马先生认为，这个也是在说谎。“他说住了几拨人，是不是可以让房东提供这个房子的所有历史信息，什么时候装修好的？住了几拨人？我目前住的房子家具是不是我第一次使用？

国产精品久久久?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。 º«´óÓ¼ÇÕß ÁõÈýÁ¢ Éã

国产精品久久久?郭富城身家很高，多生孩子，也是希望人丁兴旺，过去出生大家庭，所以特别喜欢热闹，因为每到父亲生日，家里都有很多亲戚朋友，可谓热闹非凡，方媛如果生了三胎，估计还会生四胎，毕竟多一个也无所谓，只要方媛愿意生。

国产精品久久久?香港对于“星二代”向来是特别严格，就像音乐人陈少琪所说，由于父母都是行业前辈，他们必须比其他人努力十倍，才能打破观众对他们的预判。 ÀîÌú¾ü¼ÇÕß ´úÇì¸ù Éã

国产精品久久久?四大店长被借调来“咖啡车”这一边缘部门打工，也是要完成相应KPI的。但折腾一天，竟然只卖了212块，距离3812的营业额，差了老远，这能行吗？

国产精品久久久?在法案消息发布之际，比特币价格过去24小时基本持平，报约119,400美元。但其他主流加密货币多数上涨，以太坊上涨1.5%，瑞波币大涨9.4%。狗狗币上涨2%，而Solana持平。过去7天内，ETH和XRP分别上涨23%和33%，比特币也上涨6.4%。

国产精品久久久?在这样的细节中，曹骏展现出的细腻与关怀，似乎给人传达了一种“成熟”的信号：他不仅仅是表面上的流量小生，更是对情感有着深刻理解的男人。 £¬¸ü¶àÍƼö£ºdeep色客