[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-cat-insight":3},{"items":4,"total":174},[5,17,25,34,42,51,60,69,77,85,94,103,110,117,125,133,140,148,157,166],{"itemId":6,"vertical":7,"category":8,"source":9,"score":10,"title":11,"summary":12,"analysis":13,"url":14,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":16},"89196","ai","技巧与观点","NVIDIA Technical Blog",62,"英伟达谈如何将情境感知视频AI智能体接入企业工作流","英伟达撰文探讨如何把能感知推理视频内容的智能体接入企业现有系统与工作流。","英伟达撰文探讨情境感知视频AI智能体如何真正落地企业,核心观点是智能体光会看懂视频还不够,必须打通内容管理、消息、数据库、工单等现有系统才有用。\n\n· 视频分析智能体需要具备感知、推理、行动三段能力,基于海量视频素材做出判断\n· 落地关键在于集成:内容管理系统、企业消息平台、数据库、工单队列、升级处理流程都要打通\n· 集成难点在于视频系统与企业知识库、业务系统之间架构和数据形态天然不兼容\n· 文章更多是方法论层面的梳理,未给出具体产品或量化数据\n\n这提醒想上视频智能体的企业:重点不在模型能不能看懂视频,而在集成工程量,提前规划好数据流转和系统对接才是落地成败的关键。","https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fintegrating-context-aware-video-ai-agents-into-enterprise-workflows\u002F",null,"2026-07-17 00:03:35",{"itemId":18,"vertical":7,"category":8,"source":9,"score":19,"title":20,"summary":21,"analysis":22,"url":23,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":24},"89197",60,"英伟达详解BlueField极致协同设计，支撑智能体AI工厂扩展","英伟达详解用BlueField芯片对智能体AI基础设施做协同设计,应对多步骤调用带来的数据搬运压力。","英伟达详解智能体AI工厂如何通过与BlueField DPU的极致协同设计来扩展,核心是智能体式工作负载让基础设施的调用模式变得远比传统推理复杂。\n\n· 智能体架构下,一次用户请求可能触发多次模型调用、工具调用、记忆查询、策略检查、存储访问和网络传输\n· 随着并发智能体数量增多,且要在多用户、多工具、多会话间携带上下文,基础设施必须更快地搬运、保护、检索和复用数据\n· BlueField作为数据处理单元被定位为承接这些高频、细粒度数据操作的关键组件,与计算侧协同设计以降低延迟\n· 文章聚焦架构理念,未给出具体性能数字或产品发布细节\n\n这透露出英伟达对智能体基础设施的下一步押注方向——不只是堆算力,而是把DPU这类数据搬运层也纳入协同设计,是判断未来AI工厂硬件路线的一个信号。","https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fscaling-agentic-ai-factories-through-extreme-co-design-with-nvidia-bluefield\u002F","2026-07-17 00:00:00",{"itemId":26,"vertical":7,"category":8,"source":27,"score":28,"title":29,"summary":30,"analysis":31,"url":32,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":33},"89149","Elvis Saravia",52,"用智能体委员会做 AI 研究的实践方法","作者分享用多智能体组成\"LLM委员会\"做AI研究的方法,强调需为各智能体精心设定角色与目标而非简单堆叠数量。","这条推文分享了作者与@raft_hq合作摸索出的一套「智能体委员会」（LLM Council）做AI研究的实操方法，核心提醒是：多智能体协作不是简单地把几个模型拉到一起跑,而是需要精心设计每个角色的分工与目标才能真正发挥价值。\n\n· 用「委员会」而非单一模型做研究,靠多视角交叉验证降低单一模型的盲区和幻觉风险\n· 强调「角色设定」是关键前提——每个智能体要有明确的职责边界和评判标准,而不是重复劳动\n· 目标设定同样重要,委员会成员需要围绕统一的研究问题协同,避免各说各话\n· 该方法由作者与@raft_hq共同打磨落地,更偏向一线实践经验而非纯理论\n\n对正在用AI辅助科研、竞品分析或深度调研的团队来说,这提供了一个可复用的多智能体协作范式：把「堆算力」升级为「分角色精细协作」,可能是提升AI辅助研究质量的下一个抓手。","https:\u002F\u002Fx.com\u002Fomarsar0\u002Fstatus\u002F2077765052434633023","2026-07-16 22:39:26",{"itemId":35,"vertical":7,"category":8,"source":36,"score":19,"title":37,"summary":38,"analysis":39,"url":40,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":41},"88995","新智元","不再手写提示词:Claude 官方定义\"循环工程\"四种循环类型","Claude Code团队官方定义\"循环工程\",将智能体自主干活的模式拆分为回合制、目标、时间、主动四种循环类型。","Claude Code 官方博客首次系统定义「循环工程」（loop engineering），把硅谷大佬们口口相传的“不再手写提示词”实践，归纳成四种可复用的循环范式，为智能体自动化干活立了工程规矩。\n\n· 循环的本质是「智能体重复执行直到触发停止条件」，四种类型对应四种不同的停止判定：人工逐轮判定的回合制循环、评估器模型对照标准判定的目标循环（\u002Fgoal）、按固定间隔触发的时间循环（\u002Floop、\u002Fschedule）、由事件或时间触发且全程无人值守的主动循环。\n· Claude Code 创造者 Boris Cherny 透露自己已几乎不亲手写提示词，改由一个“协调一切”的智能体代写提示词；OpenClaw 之父 Peter Steinberger 更主张应该设计喂给编程智能体的循环，而非逐条写提示词。\n· 官方总结中被单独强调为“最有价值”的实践是验证（verification）——给 Claude 一种能自我检查产出的方式，这是循环能可靠收尾而不失控的关键。\n· 循环并非没有代价：不设上限的循环会快速烧穿 token 预算，文中提到 Steinberger 自嘲是“手握无限 token 的男人”，侧面说明成本控制仍是落地循环工程的现实门槛。\n\n这标志着 AI 编程的重心正从“写一句好提示词”转向“设计一套会自己停下来的系统”，程序员的角色也在从写内容者向系统设计者迁移。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FYzQh7w0OgmO1Xi-BnV6U0w","2026-07-16 21:12:06",{"itemId":43,"vertical":7,"category":8,"source":44,"score":45,"title":46,"summary":47,"analysis":48,"url":49,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":50},"88127","MarkTechPost",55,"Patter SDK构建餐厅预订电话智能体教程","教程展示如何使用Patter SDK构建餐厅预订电话智能体，包含动态变量和安全检查。","Patter SDK 教程展示了如何构建餐厅预订电话智能体，涵盖动态变量、护栏、延迟仪表盘和评估检查，为语音 AI 开发提供完整参考。\n· 教程模拟 AI 电话助手在真实对话中的行为，包括定义动态变量、注册可调用工具、应用输出护栏。\n· 支持模拟语音到文本和文本到语音，无需真实电话凭证即可测试。\n· 提供延迟和成本指标跟踪，以及回归式评估验证系统稳定性。\n影响\u002F看点：Patter SDK 将智能体逻辑、工具使用、安全检查和部署模式整合为统一管道，降低了语音 AI 应用的开发门槛，适合快速原型和迭代。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F16\u002Fpatter-sdk-guide-to-building-a-restaurant-booking-phone-agent-with-dynamic-variables-guardrails-latency-dashboards-and-eval-checks\u002F","2026-07-16 15:42:49",{"itemId":52,"vertical":7,"category":8,"source":53,"score":54,"title":55,"summary":56,"analysis":57,"url":58,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":59},"88172","阿易 AI Notes",61,"Anthropic Boris Cherny：模型越强，越需将代码环境做规范，让Agent友好","Anthropic的Boris Cherny指出，模型越强越需要规范代码环境，让Agent友好，而非随意。","Anthropic 的 Boris Cherny 指出，模型越强，越需要将代码环境规范化，以让 Agent 更高效。\n· 过去 lint 规则、类型系统、CI 自动化是最高杠杆的工作，现在同样自动化乘以整个 Agent 团队的产能。\n· 不要让 Agent 一次次修同类问题，而应写规则让问题永不发生，从实例级修复升级到系统级自动化。\n· 领域知识外化成 Agent 可读格式后，新人第一天就能贡献代码，设计师和 PM 也能有效参与。\n· 真正拉开差距的是将代码库、流程、知识变成 Agent 友好的操作系统，而非 prompt engineering。\n影响\u002F看点：这一观点强调了基础设施工程的重要性，为 AI 编程实践提供了新方向。","https:\u002F\u002Fx.com\u002FAYi_AInotes\u002Fstatus\u002F2077601895120617803","2026-07-16 11:51:06",{"itemId":61,"vertical":7,"category":8,"source":62,"score":63,"title":64,"summary":65,"analysis":66,"url":67,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":68},"86963","洪明",64,"AINMM五级模型：AI原生转型从口号到可测量标尺","大淘宝技术提出 AINMM 五级模型，用于衡量 AI 原生转型成熟度。","大淘宝技术提出 AINMM 五级模型，将 AI 原生转型从口号变为可测量标尺。\n· AINMM 围绕上下文工程、能力封装、验证回路、协作契约、自进化五个过程域，将 AI 转型分为 ML1 至 ML5 五个等级。\n· 实测挽单系统总分从 30 涨至 48，成熟度由 ML1 升至 ML2，验证模型有效性。\n· 核心判断：Harness 比 Agent 更重要，强调基础设施对 AI 系统的重要性。\n· 配套 AI Native Evolution Kit 提供 audit.sh 等命令行工具，实现可执行闭环。\n看点：AINMM 为企业 AI 转型提供了可量化的评估框架，Harness 优先的思路值得借鉴。","https:\u002F\u002Fx.com\u002Fhongming731\u002Fstatus\u002F2077564850088415565","2026-07-16 09:23:54",{"itemId":70,"vertical":7,"category":8,"source":71,"score":28,"title":72,"summary":73,"analysis":74,"url":75,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":76},"86745","Simon Willison 博客","Mermaid转Unicode框线图工具（grok-mermaid）","开发者将 Grok 的 Mermaid 渲染器编译为 WebAssembly，实现在线转换。","Simon Willison 将 Grok 开源代码中的 Mermaid 渲染器编译为 WebAssembly，推出在线工具。\n· 该工具可将 Mermaid 流程图转换为 Unicode 框线图，适合终端或纯文本环境。\n· 基于 Rust 编写的 xai-grok-markdown 库，通过 WebAssembly 在浏览器中运行。\n· 用户可编辑 Mermaid 代码，实时预览渲染结果，并复制为文本或链接。\n· 工具开源，展示 Grok 代码库的可复用性，也体现 WebAssembly 在工具链中的应用。\n看点：从 Grok 开源代码中提取实用工具，Mermaid 转 Unicode 框线图在文档和终端场景有独特价值。","https:\u002F\u002Fsimonwillison.net\u002F2026\u002FJul\u002F16\u002Fgrok-mermaid\u002F#atom-everything","2026-07-16 08:33:18",{"itemId":78,"vertical":7,"category":8,"source":79,"score":54,"title":80,"summary":81,"analysis":82,"url":83,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":84},"88076","数字生命卡兹克","分享我现在随时随地让Agent干活的远程操控方案","作者分享使用Codex和UU远程远程操控家中Mac Mini让Agent干活的方案。","作者分享了一套远程操控 Agent 的方案，核心是 Codex 远程控制 + UU 远程兜底，实现随时随地让 Agent 干活。\n· 使用一台 24 小时开机的 Mac Mini 作为主力机，通过 Codex 远程控制同步所有设备任务。\n· Codex 支持手机和电脑远程操控，可实时查看进度、新建会话，并保持唤醒状态。\n· UU 远程用于解决 Codex 无法处理的场景，如扫码登录，提供完整桌面控制。\n· 该方案免去了多设备维护和记忆同步的麻烦，适合经常出差或在外使用 Agent 的用户。\n影响\u002F看点：这一实用方案降低了 Agent 远程使用的门槛，可能提升个人和团队的生产力。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fx2JlkhOlGNVhL8oe7AVk9Q","2026-07-16 08:12:00",{"itemId":86,"vertical":7,"category":8,"source":87,"score":88,"title":89,"summary":90,"analysis":91,"url":92,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":93},"86973","Peter Steinberger",54,"AI时代代码审查失败本质是自动化失败","工程师认为 AI 时代代码审查失败本质是自动化失败，应编码领域知识。","工程师指出 AI 时代代码审查失败本质是自动化失败，强调将领域知识编码为基础设施。\n· 若代码审查因未使用正确框架或架构模式而拒绝 PR，说明自动化不足。\n· AI 智能体时代的关键是将领域知识转化为 lint 规则、CI 步骤、CLAUDE.md 规则等基础设施。\n· 每个团队应编写能让智能体零上下文高效工作的文档，将领域知识自动化。\n· 这样即使新人甚至非工程师也能贡献代码，提升团队效率。\n看点：代码审查自动化是 AI 协作的关键，将领域知识固化到工具链中，可释放团队生产力。","https:\u002F\u002Fx.com\u002Fsteipete\u002Fstatus\u002F2077544756390088777","2026-07-16 08:04:03",{"itemId":95,"vertical":7,"category":8,"source":96,"score":97,"title":98,"summary":99,"analysis":100,"url":101,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":102},"88066","AI寒武纪",59,"Claude Code之父：「自动化」正变得前所未有的重要","Claude Code之父Boris Cherny强调，自动化在AI智能体时代变得前所未有的重要。","Claude Code之父Boris Cherny指出，在AI智能体时代，自动化已从工程师的加分项变为团队用好智能体的分水岭。\n· 过去，顶尖工程师的共同习惯是花大量时间自动化自己的工作，如优化编辑器、编写lint规则、搭建测试流程，这是杠杆率最高的做法。\n· 现在，自动化变得更重要，原因有三：基础设施自动化能让智能体提速；将问题转化为代码（如lint规则、CI步骤）可永久解决整类问题，而非逐个修复；自动化让新人甚至非工程师（如产品经理、设计师）也能有效参与代码库开发。\n· 阻碍非工程师参与的关键是只存在于人脑中的领域知识，而智能体时代可通过代码注释、技能文件、CLAUDE.md等将领域知识写入基础设施。\n· 他建议每个团队主动编写CLAUDE.md、REVIEW.md等文档，让智能体无需额外背景即可高效工作，这是工程师自动化精神的自然延伸。\n影响\u002F看点：自动化正从个人效率工具演变为团队协作的基础设施，领域知识的显性化将成为AI时代团队竞争力的核心。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FEqsPZFtLoTVfG3fhX70MjQ","2026-07-16 07:55:28",{"itemId":104,"vertical":7,"category":8,"source":9,"score":19,"title":105,"summary":106,"analysis":107,"url":108,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":109},"86764","使用 NVIDIA DeepStream 9.1 构建多摄像头 3D 追踪应用","NVIDIA 发布 DeepStream 9.1，用于构建多摄像头 3D 追踪应用。","NVIDIA DeepStream 9.1 推出多摄像头 3D 追踪功能，解决跨摄像头目标跟踪的痛点。\n· 单摄像头 2D 追踪缺乏深度信息，且目标离开画面后容易丢失，限制了仓库安全、零售分析等场景的应用。\n· 现有 3D 追踪方法需要手动校准，部署复杂。\n· DeepStream 9.1 利用 AI 实现自动化的多摄像头 3D 追踪，无需手动干预。\n· 该功能可实时追踪同一目标在不同摄像头视野中的移动，提供可靠的深度信息。\n影响\u002F看点：这一更新将大幅降低多摄像头视频分析的门槛，推动智慧仓储、零售和楼宇监控等领域的智能化升级。","https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fbuild-a-multi-camera-3d-tracking-application-with-nvidia-deepstream-9-1-skills\u002F","2026-07-16 07:00:00",{"itemId":111,"vertical":7,"category":8,"source":9,"score":45,"title":112,"summary":113,"analysis":114,"url":115,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":116},"86765","使用 AI 代理加速开发轻量级 USD 运行时","NVIDIA 介绍如何使用 AI 代理加速开发轻量级 USD 运行时。","NVIDIA 推出 AI 代理加速轻量级 USD 运行时开发，解决 OpenUSD 部署难题。\n· OpenUSD 是一个开放框架，用于描述物理 AI 场景，但传统实现需要适配大型代码库。\n· 对于需要特定内存占用的团队，现有方案过于臃肿。\n· NVIDIA 的 AI 代理可自动生成轻量级 USD 运行时，大幅缩短开发周期。\n· 该方案支持将 CAD 数据、仿真资产和真实遥测数据整合到统一场景中。\n影响\u002F看点：这一工具将降低 OpenUSD 的采用门槛，加速数字孪生和物理 AI 应用的落地，尤其适合资源受限的边缘设备。","https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fdevelop-lightweight-usd-runtimes-faster-with-ai-agents\u002F","2026-07-16 05:57:23",{"itemId":118,"vertical":7,"category":8,"source":119,"score":45,"title":120,"summary":121,"analysis":122,"url":123,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":124},"87004","Thariq","软件工程即自动化：AI 时代编码领域知识为基础设施","软件工程即自动化，AI 时代需将领域知识编码为基础设施。","软件工程本质是自动化，AI 时代将领域知识编码为基础设施（如 CLAUDE.md、REVIEW.md 等），能让智能体高效工作。\n· 将领域知识系统化编码，可减少智能体对额外上下文的依赖，提升自动化效率。\n· 自动化不仅能加速工程师和智能体产出，还能让非工程师像工程师一样贡献代码，降低参与门槛。\n· 一次性解决重复问题，避免反复人工干预，实现“自动化自动化”。\n看点：该观点为 AI 智能体时代的软件工程提供了新思路，强调知识编码作为基础设施的重要性，有望重塑开发流程。","https:\u002F\u002Fx.com\u002Ftrq212\u002Fstatus\u002F2077490092290253259","2026-07-16 04:26:50",{"itemId":126,"vertical":7,"category":8,"source":127,"score":45,"title":128,"summary":129,"analysis":130,"url":131,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":132},"86828","Hacker News 热门","我为何离开谷歌 DeepMind","一位作者在博客中解释为何离开谷歌 DeepMind。","一位前谷歌 DeepMind 员工分享离职原因，反思大型 AI 实验室的内部文化和技术方向。\n· 作者在 DeepMind 工作期间，感受到研究优先级逐渐偏向商业化，与个人对基础科学探索的追求产生冲突。\n· 指出大型实验室的官僚化和资源分配问题，导致创新速度放缓，个人成长空间受限。\n· 强调独立研究或小型团队在灵活性和专注度上的优势，鼓励研究者根据价值观选择环境。\n看点：该文为 AI 从业者提供了职业选择的真实视角，也引发对大型实验室研究生态的反思。","https:\u002F\u002Fturntrout.com\u002Fwhy-i-left-google-deepmind","2026-07-16 03:37:38",{"itemId":134,"vertical":7,"category":8,"source":127,"score":45,"title":135,"summary":136,"analysis":137,"url":138,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":139},"86834","DSL 使 LLM 能够可靠地投入使用","Martin Fowler 文章指出 DSL 使 LLM 能够可靠地投入使用。","Martin Fowler 提出，使用领域特定语言（DSL）能让 LLM 更可靠地投入实际应用，通过结构化约束提升输出质量。\n· DSL 为 LLM 提供明确的语法和语义边界，减少自由生成带来的不确定性，使输出更可预测。\n· 结合 LLM 的自然语言理解能力，DSL 可自动生成代码、配置或规则，同时保持人类可读和可维护。\n· 实际案例表明，DSL 在金融、医疗等高风险领域能有效降低 LLM 的幻觉风险。\n看点：DSL 作为 LLM 的“护栏”，为可靠部署提供了实用方法论，尤其适合需要精确输出的企业场景。","https:\u002F\u002Fmartinfowler.com\u002Farticles\u002Fllm-and-dsls.html","2026-07-16 02:49:36",{"itemId":141,"vertical":7,"category":8,"source":142,"score":54,"title":143,"summary":144,"analysis":145,"url":146,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":147},"87213","Boris Cherny","工程师应通过 AI 智能体将领域知识编码为基础设施以放大产出","工程师应通过 AI 智能体将领域知识编码为基础设施以放大产出。","优秀工程师通过自动化放大产出，而在 AI 智能体时代，将领域知识编码为基础设施（如 CLAUDE.md、REVIEW.md 和技能文件）能让团队效率倍增。\n· 过去工程师用 vim 宏、lint 规则和端到端测试来放大自身，这些自动化在智能体时代变得更加关键——智能体可以利用更好的基础设施加速开发。\n· 智能体不仅能加速现有流程，还能将一次性修复转化为永久性的 lint 规则或 CI 步骤，彻底消除某类问题。\n· 将领域知识编码为文档和技能文件，能让新工程师甚至非工程师在第一天就有效贡献代码库，大幅降低上手成本。\n· 这种“知识基础设施化”的思路，本质上是将隐性知识显式化，让整个团队受益。\n影响\u002F看点：这篇文章为工程师提供了一条清晰的路径：通过 AI 智能体将个人经验转化为团队资产，从而在 AI 时代保持高杠杆产出。","https:\u002F\u002Fx.com\u002Fbcherny\u002Fstatus\u002F2077460395279692197","2026-07-16 02:28:50",{"itemId":149,"vertical":7,"category":8,"source":150,"score":151,"title":152,"summary":153,"analysis":154,"url":155,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":156},"86757","Hugging Face Blog",65,"构建 Shippy 教会我们的智能体开发经验","Hugging Face 博客分享构建 Shippy 智能体的经验。","构建 Shippy 智能体的经验表明，高可靠性是海洋保护等高风险领域 AI 的核心挑战。\n· 智能体由灵魂（系统提示）、技能（处理特定请求）和配置三部分组成。\n· 灵魂和技能打包成 Docker 镜像，配置决定运行时参数。\n· 技能采用标准 markdown 格式，便于版本管理和修改。\n· Shippy 依赖 Claude Opus 4.6 和开源框架 OpenClaw。\n影响\u002F看点：模块化设计和高可靠性验证是智能体落地的关键。","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Fallenai\u002Fshippy-tech-blog","2026-07-16 01:29:41",{"itemId":158,"vertical":7,"category":8,"source":159,"score":160,"title":161,"summary":162,"analysis":163,"url":164,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":165},"87262","Kim",66,"NVIDIA 用两个提示词在一天内将模型准确率从 54% 提升至 93%","NVIDIA 使用两个提示词通过 Codex 后训练，一天内将模型准确率从 54% 提升至 93%。","NVIDIA 用两个提示词通过 Codex 后训练，在一天内将 Cosmos 3 Nano 模型准确率从 54.41% 提升至 93.35%。\n· 单个 LoRA 在 8 块 A100 GPU 上约 30 分钟达到 87.14%。\n· 43 个并行 AutoML 试验在 19.5 小时后达到 93.35%。\n· LoRA 所需 GPU 时数比全参数训练少约七倍。\n· 该方法高效且成本低，适合快速模型优化。\n影响\u002F看点：后训练技术展现巨大潜力，有望成为模型微调的主流方法。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2077400362995388729","2026-07-15 22:30:17",{"itemId":167,"vertical":7,"category":8,"source":71,"score":168,"title":169,"summary":170,"analysis":171,"url":172,"coverUrl":15,"direction":15,"marketSignal":15,"publishedAt":173},"86747",69,"我是如何欺骗 Claude 泄露你最深、最黑暗的秘密的","研究者发现 Claude 的 web_fetch 工具存在漏洞，可被利用窃取用户隐私数据。","研究者发现 Claude web_fetch 工具的漏洞，可诱导其泄露用户隐私。\n· Claude 的 web_fetch 工具设计上限制只能访问用户指定或搜索返回的 URL。\n· 攻击者利用“蜜罐”网站，通过嵌套链接诱导 Claude 逐字母遍历用户信息。\n· 成功提取了用户的姓名、城市和雇主信息，暴露了防护机制的盲点。\n· Anthropic 已修复该漏洞，但未支付漏洞赏金，称已内部发现。\n· 此攻击属于“致命三连”攻击的变种，利用工具组合窃取数据。\n看点：AI 安全防护需考虑工具链的复合风险，单一限制不足以防御复杂攻击。","https:\u002F\u002Fsimonwillison.net\u002F2026\u002FJul\u002F15\u002Fclaude-web-fetch-exfiltration\u002F#atom-everything","2026-07-15 22:21:54",270]