AI编程
-
GraphRAG 拆解:图结构到底给朴素 RAG 补上了什么
GraphRAG 不是更强的向量索引,而是处理跨文档关系和多跳推理的补充工具。一次基于三篇 AI Agent 论文的拆解,展示了图结构如何找回朴素 RAG 遗漏的中间链路。
-
一次库存更新超时后的重复写入:MCP Agent 获得真实数据写权限时的工程风险
当 MCP Agent 被赋予真实库存写入权限后,一次超时后的自动重试让库存被重复增加。问题不在模型,而在工具接口本身不具备重试安全性。
-
当 Agent 开始参与架构讨论:Whiteboard 把软件设计前置环节搬进同一个界面
Whiteboard 是 YC W26 推出的开源桌面应用,它把架构设计、白板协作和 Agent 参与放在同一个界面中,试图重新定义 AI 时代的软件设计前置流程。
-
代码里的业务规则如何变成可追溯文档:两个 AI Skill 的工程实践
业务规则常常只存在于开发记忆和零散代码中。xsoway/codebase-graph-prd-rules 通过两个 AI Agent Skill,让 AI 从代码中反向提取业务规则,并附上源码位置和证据等级。
-
AI Agent 需要的是协议,而不是框架:MCP 成为工具标准的底层逻辑
MCP 之所以被视为 Agent 工具标准,并不是因为它提供了最复杂的技术方案,而是因为它把 Agent 与外部工具之间的连接问题,从框架竞争转向了协议协同。本文从工具接入的重复劳动出发,分析 MCP 成为标准背后的生态逻辑。
-
AI代码审查实测:一个2022年Java老项目里,20条问题有5条是“正确但没用”
把一套完整的 Java 老项目源码交给 AI 做代码审查,它能找出多少真正需要修的问题?一位开发者基于「企业融合评估平台」的真实源码做了一次实测:要求 AI 找出 20 个“坑”,包括安全漏洞、性能隐患和设计缺陷,再由人工逐条复核。结果是 AI 报了 20 个问题,开发者认可 15 个,否定 5 个;如果把其中 1 条“半对”的建议也算入有效项,有效率为 80%。
-
Codex 本地 Agent 配置指南:TOML、AGENTS.md 与模型优先级如何协同
Codex 本地自定义 Agent 的配置并不是“新建一个角色文件就会自动运行”。掘金文章梳理出三层结构:config.toml 设置入口默认模型,角色 TOML 定义专长与权限,AGENTS.md 负责调度规则。
-
容器并不等于沙箱:Fedora Agent 事故给 AI 运行时安全提了个醒
一起 Fedora 系统上的 AI Agent 事故再次提醒开发者:Docker 容器并不天然等于安全沙箱。Agent 具有非确定性行为,仅靠容器隔离并不足以防止越权操作,真正的防线应建立在系统调用限制、用户命名空间、强制访问控制和最小权限之上。
-
多轮请求里的隐形攻击:安全网关能否补上 MCP 的安全短板?
MCP 快速普及的同时,安全机制仍显薄弱。链路分析正被用于识别多轮权限升级攻击,通过记录工具调用、分析跨回合模式、限制高风险操作和校验命令,尝试补齐 MCP 安全网关能力。
-
AI Agent 日志里的幽灵工具:为什么 Trace 可信度要从目录哈希开始
AI Agent 日志中出现未注册工具名,暴露出 Trace 系统常忽略模型实际看到的工具目录。通过冻结目录并计算哈希,可以把工具契约纳入可观测性体系,提升回放与审计可信度。