AI

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。

相似不等于相关：无向量 RAG 正在把检索交还给推理

2026-09-30T09:20:00+08:00

把向量数据库整个拆掉之后，PageIndex 用一棵文档目录树加 LLM 推理，在 FinanceBench 上从约 50% 做到 98.7%。代价是推理成本、延迟和跨文档退化，成本结构从固定挪到了变动。

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。

Agent 提交代码之后：变更溯源与成本治理，正在长成新的一层

2026-09-28T09:20:00+08:00

当 Agent 写下的代码量超过人能看懂的速度，瓶颈就从「写得出来」变成「看得懂、管得住」。Change Checkpoints 补上 Git 不记录的 why，治理层则负责预算、审批与审计。本文梳理这两层新基建的机制、边界，以及小团队今天就能落地的五个最小做法。

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。

换模型不如换记忆：Agent 记忆层正在脱离模型独立进化

2026-09-26T09:00:00+08:00

同一套骨干模型，只把记忆层换掉，LongMemEval 准确率从 39% 跳到 83.6%；而在 8 个骨干模型的对照实验里，模型换来换去准确率只差 3.4 个点，单次查询成本却差了约 30 倍。记忆正在变成一个可以单独采购、单独评测、单独优化的层。