Agent

Agent 开始自己找漏洞：渗透测试正从年度体检变成持续验证

2026-10-05T08:00:00+08:00

渗透测试的节奏一直很尴尬：一年测两周，剩下 50 周在生产里裸奔。2026 年动手做测试的变成了 agent，于是真正的问题从「能不能找到漏洞」换成了「能不能证明它真能被利用」，以及「谁能在 agent 越界之前把它叫停」。OWASP 刚发布的 APTS 标准，把后者拆成了 173 条可以逐项核查的要求。

窗口做到一百万 token，Agent 还是越跑越笨

2026-10-04T08:00:00+08:00

Chroma 测了 18 个前沿模型，可靠性在窗口填满之前就开始下滑；EMNLP 2025 的论文更直接，检索完全正确时性能照样掉 13.9% 到 85%。这篇文章拆开上下文预算的账本：真正的成本中心是工具输出而不是对话，以及为什么 2026 年的实测会得出「缓存命中时，不压缩反而更便宜」这个反直觉结论。

多 Agent 并行写代码：收敛才是真问题

2026-10-03T08:00:00+08:00

今天的 GitHub 榜单几乎被多 Agent 编排包场。但真实工程里，隔离只是把冲突推迟到第二天早上，协调决定谁来付合并的账，验证才是能不能收工的开关。

提示词护栏救不了 Agent：权限边界正在下沉到 Linux 内核

2026-10-02T09:20:00+08:00

Agent 安全的三件套（提示词红线、工具白名单、危险操作审批）为什么注定失效，Linux 的 Landlock、seccomp 与 seccomp user notification 能补上什么，为什么凭证隔离比文件隔离更值钱，以及沙箱为什么可能只是「围堵剧场」。

AI 界面为什么都长一个样：设计品味正在变成 Agent 的约束层

2026-10-01T09:20:00+08:00

同一个模型，同一批模板，同一套默认值，生成的界面自然会长成同一个平均值。本文拆解正在成形的三层约束：给 Agent 一套设计词汇、把设计系统写成机器可读的文件、用确定性检测器把品味变成可回归测试的断言，并说清楚这套方法在哪里会失效。

技能文档也能训练：从 SkillOpt 到 SkillsBench，Agent Skills 正在变成可量化资产

2026-09-29T09:20:00+08:00

微软 SkillOpt 把 SKILL.md 当成可训练的文本状态，在 52/52 个评测单元里拿到最优或并列最优，GPT-5.5 上平均提升 23.5 个百分点；而 SkillsBench 测出公开技能的平均质量只有 6.2/12。技能正在从手写提示词变成需要评测、版本化和治理的资产。

Harness 才是产品：Agent 的竞争重心正在从模型上移到执行层

2026-09-27T09:30:00+08:00

当工具定义能吃光七成上下文、记忆跨不过会话边界时，决定 Agent 能不能上生产的是模型外面那层 harness。本文拆解 harness 的六个组件、三个真实战场，以及团队该从哪里开始动手。

Agent 一次任务要调上百次模型：路由层正在变成 AI 的成本中枢

2026-09-25T09:20:00+08:00

Agent 的一个任务会在计划、执行、观察的循环里发出上百次模型调用，其中大多数根本不需要前沿模型。本文用微软 AKS 三层路由参考架构、Switchcraft 工具调用路由器与 LLMRouterBench 的实测数据，拆解模型路由与 AI 网关这一层到底解决了什么，以及为什么它比看上去难得多。

Agent 的瓶颈不在模型，在它能碰到什么：操作真实软件的三条路线

2026-09-24T09:20:00+08:00

同一个模型，换一层界面，token 成本和成功率能差一到两个数量级。本文用 Office Harness、Stagehand 与 GUI Agent 的公开基准数据，拆解 Agent 操作真实软件的三条路线，并给出工程上的选择顺序。