9色播

9色播?“有一次来了一个比较特殊的顾客，是一位六七十岁的女士，她在美国开‘三蹦子’已经超过十年了，相比大皮卡她更喜欢小一点的车。”骆豪回忆道，据她所说，在长期道路行驶的经历中，从来没有被警察拦下过，只有警察对她说：这是在哪里买的，从来没有看到过，看起来非常酷。那天她从很远的地方开到骆豪的仓库，打算买一辆新的“三蹦子”。骆豪说，据他了解，“三蹦子”的最大时速不超过40公里。 人形机械人工业迎麋集催化

9色播?与此同时，美国众议院还通过另一项重要法案，即《反CBDC法案》（CBDC Anti-Surveillance State Act）。该法案旨在阻止美联储未经国会批准发行或测试中央银行数字货币。最终表决结果为219票赞成、217票反对。 王海平记者 张海水 摄

9色播?每次看见这种漂亮小包的时候都要努力克制自己的购物欲哈哈哈，如果你已经有两三个这种黑色基础款的小包就别买啦。

9色播?同时，当前密切关注局势的还有美国在欧洲和亚洲的各个盟友和企业，美国原本试图借助这些企业的力量来打压中国的科技行业。知情人士认为，这些地区的政府和行业官员已接收到明确信号——华盛顿的战略可能会发生变化。

9色播?主持人: 好的，我想朝不同的方向发展。我想回到Anthropic的最初。众所周知，你和另外8个人在2020年离开了OpenAI，我相信是2020年底，开始创建Anthropic。你已经稍微谈到了这件事发生的原因，以及你们看到了什么。我很好奇你是否愿意分享更多。你在OpenAI看到了什么？你在那里经历了什么，让你觉得，好吧，我们必须做自己的事情？ 赵文冲记者 周广峰 摄

9色播?与此同时，伴随着上海浦东新区金桥副中心的整体转型，这一老牌工业园区的含“新”量也在不断增加。刘中民坦言，目前的金桥“不似成熟产业园般拥挤，发展空间更大”。 边福相记者 李风贤 摄

9色播?王莆中认为，外卖模式确实存在利薄的特点，每一单的利润额仅仅一元多点儿，这使得外卖网络上的商户、骑手、平台、用户这四方，需要找到一个巧妙的平衡点，大家才能互相满意。因此，“这种商业模式不能用太理想化或者太简单粗暴的方式来干”。

9色播?王同学：我爸一开始是不同意的，原本想让我报省内的一所985学校。后来他了解了学校之后，还是同意了。我们家的氛围一直都很好，很民主，爸妈不会对我的事情插手过多，他们只会给建议，最终决定权还是在我手上。 谢军伟记者 孙铭 摄

9色播?明星也是普通人，有自己的爱好很正常。不过这个行业颜值永远是第一位，还是希望林更新能找对运动方法，保持自律生活，调整好自己的状态，才有机会把握下一个巅峰。 郑剑伟记者 李会巧 摄

9色播?千亿补贴的热闹背后，外卖平台需要意识到，它们带给商家的并不仅仅是价格战，平台的“大手”实际也关乎着餐饮行业的长期发展路径、转型选择，一个传统行业的转身显然需要比“闪击战”更长且确定的时间表。

9色播?所以，哪怕赛后社交媒体一片“召回李梦”的呼声，宫鲁鸣的心里却清楚得很：把28岁的李梦请回来，或许能止血，却治不了本。李梦之后，外线还有谁？与其怀念李梦，不如培养下一个李梦。 莫海燕记者 叶柯 摄

9色播?沃诺克回忆道：“迪亚福跟我说：'头儿，我发现个好苗子，叫德罗巴'。我问他水平如何，他回答：'在法乙踢球'。我直接打断他：'别开玩笑了！'”

9色播?近日，南都记者从上交所官网了解到，国产芯片厂商沐曦集成电路（上海）股份有限公司（以下简称“沐曦”）已于6月30日获科创板IPO受理，并在7月19日变更状态为“已问询”。

9色播?新车基于 900V 纯电架构打造，提供两驱、四驱两种动力，后桥电机为蔚来 ET9 同款，最大功率 340kW，四驱版车型则是 440kW。新车标配 85kWh 电池组，后驱、四驱车型 CLTC 续航分别为 605km、570km。

9色播?2021年10月，齐扎拉卸任西藏自治区政府主席，进京赴任第十三届全国人民代表大会民族委员会副主任委员，2023年3月任第十四届全国政协常委、农业和农村委员会副主任。

9色播?二是网络游戏出海迎来新的发展机遇。4月，国务院发布《加快推进服务业扩大开放综合试点工作方案》，明确将“发展游戏出海业务，布局从IP打造到游戏制作、发行、海外运营的整个产业链”纳入国家级战略工程。

9色播?“我当时都懵了，心想哇，也太快了吧。我老婆莉萨还问我是谁打来的？我说是穆里尼奥，他让我去工作。她回了一句，这也太快了吧？你刚退役而已。她本来还以为我退役后可以陪她度个长假呢。但我真的是退役后第二天早上醒来，就开始了教练生涯。”

9色播?政治新闻媒体POLITICO的一篇长篇报道提及，叶尔马克之所以有权力，是因为他最接近泽连斯基。但在泽连斯基之外，他缺少更个人化的权力。报道提到，一旦有官员是泽连斯基属意的，那么就算叶尔马克不喜欢并想要将其撤换，也往往难以成功，乌克兰媒体曾经多次传出叶尔马克想撤换乌克兰国防部情报总局局长布达诺夫（Kyrylo Budanov），但传言屡次被证伪。一些媒体引述相关人士消息，称泽连斯基较为信赖布达诺夫，屡次阻拦了相关的提议。

9色播?赵良善认为，从法律视角看，根据《中华人民共和国消费者权益保护法》第二十条规定，经营者向消费者提供有关商品或者服务的质量、性能、用途、有效期限等信息，应当真实、全面，不得作虚假或者引人误解的宣传。蔚来在《车主权益告知书》中未提及里程对权益的影响，却以里程过高取消权益，与法律背道而驰，涉嫌虚假宣传或误导性商业宣传。 黄国林记者 王洪义 摄

9色播?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。

9色播?侵占公共天台带来安全隐患，如此大规模的“空中农场”令住在这栋楼里的居民忧心忡忡。居民们屡次向物业和居委会反映问题，但三、四年时间过去了，这个“空中农场”依然存在。 邵宪勇记者 许锋 摄

9色播?基于这一核心理念，Figure 制定了双轨并行的市场策略。短期内，公司将聚焦于劳动力市场，包括制造业、物流、仓储和零售等领域。Adcock 认为，尽管这些商业环境依然复杂，但相较于千变万化的家庭环境，其任务的重复性和结构化程度更高，更容易实现技术的早期部署。他指出，这部分市场占据了全球“一半的 GDP”，存在巨大的商业价值和日益严重的劳动力短缺问题。

9色播?贾国龙：我理想中的品质外卖，是优质优价，优质平价都可以。吃饭都是分类分层的，任何食品会分高中低档，品质不一样，价格也不一样。它本来是比较美好的一个结构，但现在被这种外卖大战搞得拉不开层次了，现在简直搞不清了，我也搞不清。

9色播?比斯利是电视转播中不可或缺的明星之一。在他唯一的大学赛季里，他不仅是一位出色的得分手，还是一位篮板高手，并且至今仍保持着新秀球员最多的两双记录（28次）。堪萨斯州立大学的球迷们喜爱他那大胆自信的态度：在赛季开始前，他就扬言要带领野猫队击败长年称霸大十二联盟的堪萨斯大学，并且他最终兑现了诺言，在曼哈顿的主场对阵堪萨斯大学的比赛中砍下25分，帮助球队获胜。 ，更多推荐：P站破解版