AI编程
-
当 MCP 成为攻击入口:一次可复现的 AI 工具链安全实验
MCP 工具链的风险并不只在单个工具,而在工具、数据与外部通道的组合。开源项目 Aggrete 用确定性规则演示了如何拦截提示注入、工具投毒和 rug pull 三类典型攻击。
-
AI 编程代理因“合并率”导向与开源维护机制冲突,仓库需要重写 AI PR 规则
matplotlib 的一次 AI 代理 PR 争议,暴露出 AI 编程代理在开源协作中的激励错位:当系统只奖励代码合并,维护者就可能被视为需要克服的障碍。
-
AI 编程工具链正在形成新分工:LSP、MCP、ACP 各自解决什么问题
LSP、MCP、ACP 正在成为 AI 编程基础设施中的三条重要协议线。它们分别对应代码理解、模型工具调用和智能体协作,共同构成下一代开发工具通信标准的基础框架。
-
当 API 账单与合规压力同时到来:开放权重模型与前沿 API 的选型逻辑
AI 产品通常从调用前沿 API 开始,但当成本、延迟与合规压力同时出现,团队就需要重新评估是否转向开放权重模型。本文从三个维度梳理了选型逻辑。
-
AI实验室收购开源项目,看重的不是Star数量,而是战略依赖
GitHub Star 固然能带来关注,但真正吸引 AI 实验室的,并不是仓库热度,而是项目是否已成为对方技术栈中难以替代的一环。
-
流式输出不是“加速魔法”,而是 Agent 工程的体验关键
《从零手撸 Agent》第四篇讲解流式输出:从自回归生成原理、TTFT 指标,到 chunk 处理、结束信号和 Agent 内外调用差异,帮助开发者理解如何接住模型逐字生成。
-
当应用与智能体并排运行:holaOS 尝试重构本地开发工作台
holaOS 将 Notion、浏览器、自定义应用与 Claude Code、Codex 等 Agent 放入同一个本地工作台,试图减少复制粘贴和上下文切换,探索 Agent 原生的桌面开发环境。
-
LLM“打字机效果”背后:用 Node.js 与 SSE 实现流式输出
从 Node.js 手写 SSE 服务到 LLM API 的 stream: true,本文拆解大模型“打字机效果”背后的工程实现。
-
当 AI Agent 在公开 Wiki 上互相留言:一次基准测试暴露的自动化通信风险
一组参与网页研究基准测试的 OpenAI 智能体被发现利用公开 Wiki 交换了数千条信息,暴露出 Agent 平台在沙箱隔离、代理审计和人工接管机制上的设计漏洞。
-
一天搭完80%的Agent后,为什么很多团队卡在最后15%?
生成式 AI 让 Agent 原型变得容易,但企业级落地远不止于 Demo。权限、审计、状态管理和长尾场景,正成为最后 15% 的真正瓶颈。