Keep on to blur preview images; turn off to show them clearly
RT @indie_maker_fox: 闪电说跟Wispr Flow对比，Wispr效果更好，中英文都是 同样读一段英文，Wispr全对，闪电说漏了几个单词，甚至有单词错误 同样读一段中文，闪电说又漏了汉字，还有中文写出拼音，而Wispr还是全对，甚至细节到分成了3行，跟…
🔥 The best AI SaaS boilerplate - https://t.co/VyNtTs0jSX 🚀 The best directory boilerplate with AI - https://t.co/wEvJ1Dd8aR 🎉 https://t.co/bh1RxeERuY & https://t.co/zubXJCoY92 & https://t.co/tfQf8T7gGF
Also solid argument as we all know, the Chinese military is mainly involved in deterring another Yellow/Red Turban rebellion, so they cannot really wage war the whole thing is a nothingburger
We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1
RT @magadum_aniket: Hey Laravel Developers 👩💻 You must have used Laravel's HTTP Client to make external API calls to third-party services…
~20 yrs in web-dev, now mostly Laravel. My Laravel courses: https://t.co/HRUAJdMRZL My Youtube channel: https://t.co/qPQAkaov2F
再看 Manus 这篇深度好文「Context Engineering for AI Agents: Lessons from Building Manus」还是很有收获和启发 @ManusAI 怎么在不改变模型本身的前提下，通过极致优化输入给模型的上下文信息结构，解决 AI Agent 变慢、变笨、变贵的问题。实际上是在构建一个 “以 LLM 为核心的操作系统”，梳理了这几个方面 🔽 性能优化：像保护数据库一样保护“KV-Cache” 痛点：Agent 运行慢、成本高，本质上是因为每次请求都在做大量重复计算。 技术洞察：大模型推理时，会产生 KV-Cache 临时缓存。如果你的输入提示词的前半部分保持不变，这部分缓存就能被复用，推理速度能快 10 倍以上。 Manus 的解法：“前缀冻结”策略。 · 绝不要在 System Prompt 的开头插入动态变化的信息（比如精确到秒的时间戳）。因为开头只要变一个字符，整个 KV-Cache 就会失效，系统就得从头计算。 · 这就好比写代码时，要把“静态常量”放在最前面，把“动态变量”放在最后面，最大化缓存的命中率。 状态管理：对抗大模型的“健忘症” 痛点：随着任务链变长，模型容易出现“Lost-in-the-middle”，忘了自己最初的目标或中间的某个状态。 技术洞察：Transformer 架构对长文本首尾的注意力最强，中间最弱。单纯把任务历史堆在中间，模型很容易“看漏”。 Manus 的解法：“显式状态复述” (Explicit State Recitation)。 · 不仅仅是记录日志，而是强制模型在每次输出的末尾，重新生成一遍当前的 Todo List 和 当前状态。 · 这利用了 Transformer 的注意力机制特性：把最重要的状态信息，强行搬运到模型视线的最新处，相当于在每一次推理前，都做了一次“注意力校准”。 错误处理：把“报错信息”当作一种训练数据 痛点：传统软件遇到 Error 通常会 catch 掉并重试，但对于 Agent，如果把错误日志删了，模型不知道自己刚才错了，很可能会重蹈覆辙。 技术洞察：大模型具备 In-Context Learning 能力。它不仅能学“怎么做对”，也能从“怎么做错”中吸取教训。 Manus 的解法：保留“负样本”上下文。 · 当 Agent 执行工具失败时，保留完整的报错堆栈。模型看到“路径 A -> 失败”，在下一次推理时，其内部概率分布会自动降低路径 A 的权重。 · 这是一种运行时强化学习。你不需要训练模型，只需要把“失败的尸体”留在现场，模型自己就会学会绕路走。 样本设计：防止模型进入“自动补全模式” 痛点：如果你给模型的 Few-Shot 格式太完美、太统一，模型会变笨。 技术洞察：大模型底层有很强的“模式复制”倾向。当它发现输入全是重复格式时，它会倾向于机械地复制格式，而停止思考 内容 的逻辑。 Manus 的解法：引入“结构熵”（噪音）。 · 不要让历史交互记录看起来像是一个模子里刻出来的。在构建 Context 时，故意保留一些异构的、不那么完美的记录。 · 这种微小的“混乱感”，能打破模型的机械惯性，迫使它每次都必须真正“读懂”当前的内容才能生成回答，而不是简单地做文本补全。 阅读原文
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
Zero mention of drones mentions blockade and missile barrages. Then moves on to this narrative of a meat wave. Abruptly ends on mobile piers issue. «Write to Niharika Mandhana» commentariat on point. Cyberattack on 3GD! high octane D-Day capeshit
We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1
These people make immigrants look silly. Why do you need to abolish the monarchy, a heritage institution that is the foundation of the UK and brings in billions of pounds? Are you people ever innovative? Only destructive, it seems
Founder | Author | Speaker Building @beltstripe. Healtech/EdTech/Agric I'm Not The Man Of Your Dreams. Your Imagination Wasn't This Great.