与「新国立劇場」相关的搜索结果

ミュージカル『ラパチーニの園』 📅2月20日㊎～3月1日㊐ 📍新国立劇場 小劇場 【CAST】#林翔太# #北川拓実# #宮澤佐江# #珠城りょう# #石井一彰# #別所哲也# 【翻訳】#吉田衣里# 【上演台本・訳詞・演出】#高羽彩（##タカハ劇団）# 【音楽監督】#深澤恵梨香# チケットのお申込みはHPから

新国立劇場！！！！！！！！！！！ 日曜日まで。みなさん是非お越しください！ 立ちたかった舞台。噛み締めます！ #見上げんな！#

🍀🐣お知らせ🐣🍀 Reading Drama『BLINK』出演決定✨ 🗓️4月5日(土)13:30~ 相葉裕樹×石田亜佑美 📍新国立劇場 小劇場 🎫M-line club FC先行受付 🔽受付期間 2月11日(火・祝)16:00~2月21日(金)23:59まで 🔽公式HP #BLINK# #石田亜佑美# @GEN_TO_play

本日もお稽古でした😊 とっても愉快なキャストさん達と オモロいことやってます✨❤️ 芸術の秋🎑 是非、 劇団ホチキス「明後日のガラパゴス」 観に来てください！！ 📍10月4日〜9日 新国立劇場小劇場 #アサガラ#

去年に引き続き、MOTHERを観劇してきましたっ✨ PRIDEメンバーが出演してましたよ٩(ˊᗜˋ*)و 久しぶりにみんなに会えた💗 #MOTHER# #新国立劇場# #初台#

24 小时不到，我刚充的 100 美金 Token 烧完了。 AI 到底是在帮我提效，还是换了个方式让我烧钱？ 最近用 agent 做研究和策划，我想要的工作方式是：只对接一个 agent，它负责推进，卡住了来找我，需要我决策时再叫我。 但钱花得太快，也让我开始想：我付的钱，有多少是在买产出，有多少是在买 AI 反复协调、查进度、读旧资料？ 查了一轮英文资料和重度用户的复盘，梅西找到两个值得检查的地方👇 ① 你的 AI 在干活，还是在不停开会？ Reddit 上一位叫 Dayowe 的用户分析了自己 Codex 的运行日志。改造工作流后，每小时原始 token 消耗从约 4,040 万降到了 2,230 万，下降约 45%。 最有意思的是：平均每次请求的 token 没变少，反而略多了 主要减少的是总请求次数。 他原来的方式，是一个长期运行的统筹 agent 管到底：分派任务、调查问题、检查进度、审查结果，上一阶段的历史也一路带到下一阶段。 后来改成： 轻量协调者只管任务依赖、授权和下一步；每个阶段交给单独的执行统筹，完成后保存交接信息，下个阶段只带必要上下文。 同时减少无变化的进度查询，不再提前审查还没完成的工作；长日志留在文件里，需要时再读。必要测试和独立验收仍然保留。 它提醒了我一件事： 我只想对接一个入口，不代表这个入口需要参与每项工作的每一步。 要检查的，不只是“每次用了多少 token”，还有“为什么需要调用这么多次模型”。 ② 同样让 agent 操作电脑，用什么方式，成本可能差很多 一种是像人一样看屏幕：识别截图、找到按钮、点击，再看截图确认。多轮下来，图片输入和反复判断都会产生 token 消耗 另一种，是通过命令行或脚本直接处理任务。命令行是用文字给电脑下指令，脚本则是把一组操作步骤写好，让电脑照着执行 比如从表格里筛选订单，AI 可以直接写一段命令，让电脑读取文件、批量筛选、保存结果，不用打开软件，一页页看、一格格点 区别在于：前者需要 AI 反复看、反复判断；后者由电脑执行指令，AI 再检查结果。AI 写脚本、检查结果会消耗 token，但电脑按规则处理每一行，不需要逐行再调用模型。 当然，不是所有任务都适合脚本：读取外部数据要有可用接口和权限；检查排版、确认页面效果，仍然需要看界面。如果脚本内部还是反复截图，或者每处理一条内容就调用一次 AI，也不一定省。 所以思考“这一步到底需不需要模型参与”也是优化 token 消耗的一个必要步骤 能按规则完成的，交给程序；需要理解和判断的，交给 AI；重要决策和授权，留给人。 工具要会用，新东西也要继续学习！顺便插播一条预告😂 10 月 6 日 OKX NOW 产品发布会，星球也有直播。不能到现场的朋友，可以来星球一起看看这次会发布什么，也聊聊哪些是自己真正用得上的。 看直播还有机会抽 iPhone DUO📱！！

理解 Pi 的 Session 机制后，我对 Agent 的运行方式有了一个新的认识。 很多人理解 Session，只想到“聊天记录”。 但 Pi 的 Session 更像一个 Agent 的运行事件日志（event log）。 它不是简单保存用户和 AI 的对话，而是记录一次 Agent 运行过程中发生的各种事件： 用户消息 Assistant 回复 模型切换 Tool Call Tool Result Token 使用情况 Context Compaction Extension 状态 Branch 分支 底层使用 JSONL 保存： 一个 Session 对应一个 JSONL 文件。 文件中的每一行都是一个 entry，通过 id 和 parentId 连接成一棵历史树，而不是简单的一条消息列表。 一次 Agent 运行过程中： 用户输入后，模型可能产生多个 content block： thinking text toolCall 其中 toolCall 表示模型决定执行某个动作。 工具执行完成后产生 toolResult。 然后模型继续基于新的上下文生成下一步结果。 所以一个 Agent 任务可能包含多次模型调用，每一次调用都有自己的 assistant message。 而 Branch 机制让 Session 不再是一条线。 当你回到历史某个节点重新探索时，Pi 不需要创建新的 Session，而是在同一个 Session 中产生新的分支。 这和 Git 的 commit 历史很像： 保留过去的路径，同时允许从某个节点发展新的方向。 但需要注意： Session 保存的是 Agent 的状态，不是整个项目环境。 它可以恢复： ✅ 对话历史 ✅ Agent 运行状态 ✅ 工具调用记录 ✅ 模型状态变化 ✅ Context 压缩记录 但不能保证恢复： ❌ 项目文件 ❌ 代码版本 ❌ 运行环境 所以一个可靠的 Coding Agent 系统，需要 Session、Git、项目环境和 Sandbox 等多个部分共同配合。 理解 Session，其实是在理解 Agent 如何实现： 可恢复（durable） 可分支（branchable） 可持续运行（long-running） 这也是未来 Agent 系统区别于普通 Chatbot 的重要基础。 #AI# #Agent# #LLM#

SEC的好消息也是蛮多的呢！ SEC正在给代币化股票打开一个新的试验窗口。 9月17日推出的“创新豁免”提供最长5年的有条件救济，允许符合条件的代币化证券场所和部分LP，在许可制AMM中交易部分代币化美股。 但要注意：这不是DeFi全面放开，更不是无许可交易获得监管认可。 核心变化在于，传统证券基础设施开始正式测试链上AMM、流动性池和结算效率。 如果未来链上交易能证明成本、效率和透明度优势，可能带来的影响远不只是Crypto。 真正值得关注的传导路径： 监管试验→代币化股票扩容→稳定币结算需求增加→链上流动性增长→DeFi基础设施价值提升。 代币化股票可能正在成为传统金融进入链上世界的重要入口。