Datadog 的政府版服务最近拿到了 FedRAMP High 认证，这意味着处理最敏感政府数据的团队，现在也能用 Datadog 来做事件响应了。以前，政府系统的告警、日志、截图等敏感信息，可能不敢放在认证环境里，事件处理会缺东少西。现在，值班呼叫、协调沟通、自动化处理、复盘等一整套流程，都能在 US1-FED 这个认证环境里完成，还能跟现有监控工具配合。对政府用户来说，好处是事件数据不用再挪出安全区，响应过程更完整，也更容易通过审计。文章说它是目前唯一有此认证的事件响应平台，但具体怎么开通、价格多少，原文没说明。
文中可用工具
- Datadog Incident Response在政府认证环境里做值班呼叫、事件协调、自动化处理和复盘
- Datadog On-Call自动呼叫负责出故障服务的值班团队，支持排班、升级和手机响应
- Slack在团队日常用的聊天工具里协调事件、发布更新
- Microsoft Teams在团队日常用的聊天工具里协调事件、发布更新
- Datadog Workflow Automation自动执行重复的响应步骤，比如收集信息、跑修复流程、建工单
- Jira把事件后续要做的任务导出到工作管理系统
- Datadog Synthetic Monitoring验证关键用户流程是否已经恢复正常
- Catalog管理服务归属信息，让升级逻辑跟上团队和服务的变化
展开详情收起详情：在 FedRAMP High 环境中运行事件响应⌄
原文发布：2026-10-08 08:00 · 首次收录：2026-10-09
Datadog 推出了可视化标注工具（Visual Labeler），让产品经理不用写代码就能给网页上的点击、点击等交互起名字。以前，自动采集到的操作名只描述页面元素本身，看不出用户真正想干什么，比如“开始结账”这种业务问题往往要工程师写代码或加自定义事件才能回答。现在你只需打开浏览器扩展，在自家网站上点选元素并命名，Datadog 就会把这个名字补用到留存期内已经记录的所有匹配交互上，历史趋势和漏斗当天就能用。标好的操作还能作为共享事件在漏斗分析、热力图和仪表盘中重复使用，减少不同分析师对同一行为各叫各名字的麻烦。
文中可用工具
- Datadog Product Analytics分析用户在网页上的行为，比如看有多少人开始结账
- Visual Labeler不用写代码，在网页上点选元素并给它起一个反映用户意图的名字
- Datadog Action Management集中定义和查找已标注的用户操作
- Datadog RUM原文未说明具体用途，仅提到共用同一套 SDK 和配置
- Datadog test recorder Chrome extension在浏览器中导航网站并选择要标注的元素
- Datadog Heatmaps把页面上的交互聚合成点击图，看哪些元素被点得最多
- Funnel Analysis用标注好的操作搭建漏斗，看用户从一步走到下一步的转化情况
- Notebooks共享漏斗图表，和团队一起看转化数据
- Error Tracking排查可能影响转化的报错
- Session Replay回放用户会话，了解漏斗流失时的具体情况
展开详情收起详情：在 Datadog Product Analytics 中用可视化标注定义 Web 应用用户操作⌄
原文发布：2026-10-08 08:00 · 首次收录：2026-10-09
2024 年 Redis 把原本宽松的 BSD 许可证改成专有许可，社区随即分裂，Linux 基金会推出了开源分支 Valkey。虽然 Redis 在 2025 年又增加了 AGPLv3 选项，但很多应用当初是按“单个 Redis 实例”来写的，迁移到多节点的 Valkey Cluster 就得改代码；商业 Redis 和云服务可以用代理层绕开这个问题，自己跑 Valkey 的公司却没有开源方案。Percona 因此开发了 Valkey-proxy，它像中间人一样让老应用不改代码就能连上 Valkey 集群，代码计划 10 月底全部公开，12 月出候选版，2027 年初正式可用。
文中可用工具
- ValkeyRedis 许可证变更后由 Linux 基金会推出的开源分支，用于缓存和快速数据访问。
- Redis原本采用 BSD 许可证的内存数据存储，2024 年改为专有许可，2025 年新增 AGPLv3 选项。
- Valkey-proxyPercona 开发的开源代理，让按单实例写的应用无需重写即可连接 Valkey Cluster。
- Envoy文中提到的另一种代理，但被指不能完全理解 Valkey 协议，无法支持 Valkey 全部功能。
- AGPLv32025 年 Redis 新增的一种开源许可证选项。
- BSDRedis 原先使用的宽松开源许可证。
展开详情收起详情：Redis 代理层：Percona 瞄准 Valkey 采用的最后一大障碍⌄
原文发布：2026-10-08 14:54 · 首次收录：2026-10-09
我们平时用AI模型聊天，其实底层就像在打电话，每次说话都要连着同一条线。普通网页聊天靠浏览器和服务器“黏”在一起还能凑合，但AI智能体可能短时间内发出几十个请求，中间还会跑去查资料、重试、出错，结果一旦服务器从一台扩到三台，请求被分到不同机器，就可能丢掉之前的对话，模型照样回复，却答得不对。文章用2014年微服务那套老办法来修：把对话历史从单台机器里拿出来，放到所有机器都能读写的共享存储里，这样任意一台机器都能接着聊。配套用Oracle AI Database Free做演示。对读者来说，这解释了为什么AI API不能直接照搬普通网页后端，并给出了一个可落地的改造方向。
文中可用工具
- OpenAI SDK把官方客户端接到兼容的推理接口上，维持多轮智能体对话
- Oracle AI Database Free作为共享存储，保存对话状态，支撑多台机器一起服务
展开详情收起详情：为AI应用构建可扩展且对智能体友好的API⌄
原文发布：2026-10-08 19:00 · 首次收录：2026-10-09
Anthropic 在发布 Opus 5.5 六天后推出了 Sonnet 5.5。作者用三个编程任务各跑五遍对比两者：Sonnet 5.5 十五次全部通过，Opus 5.5 只通过十三次。虽然 Sonnet 每次调用更便宜，但它常常要多花不少 token 才能做完，所以实际总费用只便宜约 36%，而不是价格表上的一半。对于难度较高的编程任务，作者建议把 Sonnet 5.5 当作默认选择。
文中可用工具
- Anthropic API用来调用 Claude 模型进行测试的接口
- Sonnet 5.5Anthropic 新推出的更便宜、更快的模型
- Opus 5.5Anthropic 此前推出的高端模型，用于对比
展开详情收起详情：Claude Sonnet 5.5 对比 Opus 5.5：便宜 42%，每次运行都完美⌄
原文发布：2026-10-08 20:00 · 首次收录：2026-10-09
Webflow 公司花了一年时间把 AI 用在事故响应的环节里，比如整理告警、调取处置手册、提出应对建议，甚至起草事后复盘。这样一来，AI 已经成了事故响应系统的一部分。但问题在于，传统的桌面演练只测试人，默认工具是固定的、不会出错的，所以没人演练过 AI 出错时该怎么办。作者建议在演练里加一层专门针对 AI 的故障注入，比如 AI 自信地给出错误结论、AI 系统本身不可用、有人绕过安全护栏、团队忘了手动操作的老办法，以及 AI 建议和人工决策之间的交接边界是否清楚。目前这些建议还只是实践者的经验分享，没有提到具体的产品或工具。
展开详情收起详情：AI 改变了你应对事故的方式，但你的桌面演练还没跟上⌄
原文发布：2026-10-08 21:00 · 首次收录：2026-10-09
企业用 AI 代理自动管理云上基础设施时，常遇到一个瓶颈：代理只能看到代码里“声明要什么”，却看不到云上“实际跑着什么”，也看不到安全、成本、合规等跨领域信息，于是反复调用云 API 查询，既容易撞上速率限制、拖慢甚至搞挂 CI/CD 和自动扩缩容，又产生额外费用和延迟，这就是所谓的“API 税”。env zero 公司提出，解决办法不是换更聪明的模型，而是加一层共享的“上下文层”，把声明意图和真实运行状态对齐起来，并已结合 CloudQuery 的云清点能力供早期客户使用。他们还在做 EZ Control 自主控制环，能发现偏差、按策略建议或执行修复并验证结果，目前处于早期访问，目标 2026 年 12 月底全面可用。对读者的意义是：部署 AI 代理时，光靠模型能力不够，得先理顺架构和上下文。
展开详情收起详情：API 税：为什么 AI 代理脱离基础设施上下文就会停滞⌄
原文发布：2026-10-08 21:30 · 首次收录：2026-10-09
AI 训练和推理让数据中心的存储方式遇到瓶颈：以前数据湖只用来偶尔批量查数据，现在却要同时、持续、高速地把数据喂给大量 GPU。原有存储架构按“便宜、够大”设计，扛不住这种并发压力，于是行业开始采用 QLC NAND 闪存和 256TB 级别的大容量 NVMe 固态盘，用更少的硬盘存更多数据，并降低每瓦功耗。对数据中心管理者而言，这意味着要在容量、性能和电费之间重新做取舍，部分云厂商也把客户越来越多地推向高性能存储档位。
展开详情收起详情：AI 数据湖正在推动新的存储需求⌄
原文发布：2026-10-08 22:00 · 首次收录：2026-10-09
作者把自己的 Azure 登录凭证直接交给一个 AI 编程智能体，然后测量它实际能碰到什么。结果发现：数据库只看到作者的名字、机器和工具，无法分辨是人还是智能体在执行，其中一个环境能删掉安全数据库里的数据，却偏偏没有审计记录。问题不在配置错误，而是整套身份设计默认“握着凭证的是人”，智能体借用人的身份后就继承了人的全部权限。这意味着你无法单独限制或吊销智能体的权限，也无法在事后证明某条查询是人还是机器跑的。
文中可用工具
- Azure CLI缓存用户的登录令牌，供其他工具直接调用
- sqlcmd命令行连接 SQL 数据库并执行查询
- Azure提供云资源与身份认证的凭证体系
展开详情收起详情：审计日志写着我的名字：把凭证交给智能体时，它到底继承了什么⌄
原文发布：2026-10-08 23:00 · 首次收录：2026-10-09
这篇文章讲的是 AI 代理（就是自动帮你干活的程序）在云上创建资源后没人管的问题。环境里有 34 个资源，比如网络、数据库和负载均衡器，有些已经几周没流量了，但标签上的“负责人”写的是 deploy-agent，根本查不到真人。以前员工离职至少有交接记录和上级接手，代理干完活后上下文一关，留下的东西就没人认领了。解决办法是用查询找出哪些资源的“负责人”其实是服务账号而不是真人，再用一条审批策略拦住新部署——除非每个资源都填了真人的邮箱，否则不允许通过。这样运维和财务就不会被遗忘的资源持续烧钱。
文中可用工具
- CloudQuery查询云资源的资产清单，找出负责人标签指向机器账号而非真人的资源
- env zero管理和审批环境部署的平台，用策略确保每个资源都有真人负责
- env zero API keys给代理分配受限权限的密钥，避免使用管理员级别的共享凭证
- env zero agent CLI让代理以独立受限身份认证，而不是共用令牌
展开详情收起详情：你的 AI 代理刚刚创建了资源，谁来负责？⌄
原文发布：2026-10-09 00:00 · 首次收录：2026-10-09
大多数 AI 事故响应工具还不能自己判断什么时候该介入处理故障，仍要等人发现问题或提前设定触发条件。Traversal 的联合创始人 Raaz Dwivedi 把智能体的自主程度分成三档：等人来问、按预设规则触发、自己主动判断何时介入；目前多数生产环境中的工具只停在前两档。10 月 22 日 The New Stack 将举办直播网络研讨会，届时会讨论如何让团队信任智能体自己做出这类判断，以及从第二档升到第三档需要满足哪些条件。至于具体怎么实现、有哪些限制，原文没有细说。
文中可用工具
- AI SRE用于事故排查和响应、辅助运维的 AI 工具，文中未说明具体产品形态
- Traversal Workers据文中描述已具备主动判断何时介入的智能体
展开详情收起详情：多数 AI 事故响应工具仍把关键决策留给人⌄
原文发布：2026-10-20 19:13 · 首次收录：2026-10-09
简单说，就是有人提出：用 Postgres 存数据很方便，但数据一多、尤其是做 AI 应用或有 AI 代理不断读写时，原生版会变慢、维护变麻烦。文章介绍的思路是用 TimescaleDB 来扩展 Postgres，而不是换成另一套数据库，这样就不用做昂贵的迁移。文中还预告了一场 10 月 21 日的网络研讨会，由 Tiger Data 的 Matty Stratton 讲解和现场演示。对读者来说，这提供了一条“继续用熟悉工具、但扛住更大数据量”的路线，不过具体演示效果和限制文中没说，得等研讨会。
文中可用工具
- Postgres一种常用的关系型数据库，用来存储和管理数据
- TimescaleDB用来扩展 Postgres，帮它在大量实时数据下跑得更稳
- autovacuumPostgres 自带的后台清理机制，数据变多时维护负担会加重
展开详情收起详情：你可以在不离开 Postgres 的前提下超越原生 Postgres⌄
原文发布：2026-10-09 00:23 · 首次收录：2026-10-09
GitHub Copilot 很快会自动决定编程任务是在本地还是云端运行，预计10月底上线。微软说会看任务和缓存状态来选，但没说 Auto 模式会把多少代码库信息传到云端，也没说开发者能不能查看或限制这些决定。本地跑模型需要大内存，目前只针对特定 Windows 设备，选了本地模型也不等于完全离线，因为它仍可能联网。
文中可用工具
- GitHub CopilotAI 编程助手，即将自动决定代码任务是本地还是云端运行
- Project HydraFusion为编程任务选择模型的系统，扩展后负责决定在哪里运行
- MAI Code 1.1 Flash微软的本地代码模型，可离线运行
- Windows ML providerWindows 上运行本地模型的接口，原文未详细说明用途
- Execution Containers (MXC)微软开源库，用于强制沙箱策略
- ProcessContainer 后端 BaseContainer 层级Windows 上的沙箱执行环境，原文未详细说明用途
- SeatbeltmacOS 上的沙箱机制，原文未详细说明用途
- bubblewrapLinux 上的沙箱工具，原文未详细说明用途
- copilot-sdk在演示中用于构建每日分诊仪表盘的项目
- SWE-Bench Verified代码任务评测基准，用于对比量化前后性能
- Terminal-Bench 2.1终端任务评测基准，用于对比量化前后性能
- OpenAI-compatible local endpoints兼容 OpenAI 的本地模型接口，让开发者选择本地模型
展开详情收起详情：GitHub Copilot 将支持本地推理，但微软未说明哪些数据会发送到云端⌄
原文发布：2026-10-09 01:49 · 首次收录：2026-10-09
Anthropic 推出了 Claude Dashboards，目前处于测试阶段，用户只要连接 Snowflake、Databricks 等数据源，用日常语言描述想看的数据，Claude 就能生成实时仪表盘，点击图表里的数字还能看到背后的查询语句，不懂 SQL 也能让 Claude 解释。过去企业做数据分析往往要专门找 BI 团队排期，现在营销、运营等业务人员也能自己动手，而且权限跟原有账号保持一致，看到的数据范围不变。它还支持把仪表盘导出到 Grafana、Hex、Sigma 等常见商业智能工具，企业版默认关闭，需要管理员手动开启。
文中可用工具
- Claude Dashboards连接企业数据源后用自然语言生成实时仪表盘，并支持查看查询语句
- Claude Motion把季度更新或图表等素材通过写代码的方式变成动画短片
- Snowflake作为 Claude Dashboards 可连接的企业数据源之一
- Databricks作为 Claude Dashboards 可连接的企业数据源之一
- Amazon Redshift作为 Claude Dashboards 可连接的企业数据源之一
- ClickHouse作为 Claude Dashboards 可连接的企业数据源之一
- Salesforce通过 Claude 现有连接器接入 Dashboards
- Grafana可把 Claude 仪表盘导入的 BI 工具之一
- Hex可把 Claude 仪表盘导入的 BI 工具之一
- Mixpanel可把 Claude 仪表盘导入的 BI 工具之一
- monday.com可把 Claude 仪表盘导入的 BI 工具之一
- PostHog可把 Claude 仪表盘导入的 BI 工具之一
展开详情收起详情：Claude 现在可以帮你构建仪表盘了⌄
原文发布：2026-10-09 03:00 · 首次收录：2026-10-09
Harness 宣布收购了 Augment Code 的编程智能体产品，包括 Cosmos 软件工厂等，想解决的是：代码生成变快了，但测试和发布流程没跟上，反而成了瓶颈。他们计划让智能体在写代码时参考过去的部署失败记录，自动修复问题，但这项整合功能还没上线，具体怎么交换信息、权限怎么分配都没说清楚。目前 Cosmos 仍可在原网站使用，程序员依然要人工审核代码。对读者来说，如果团队用这套工具，现在只能用到基础功能，真正好用的部分还得等。
文中可用工具
- Cosmos把需求或缺陷报告变成代码合并请求，智能体在隔离虚拟机里写代码和测试
- Auggie CLI原文未说明具体用途
- Code Context Engine在编程过程中检索相关的代码库上下文
- Harness已有的软件交付平台，负责测试和部署
- Agent Harness计划用于管理 Cosmos 智能体的身份和策略控制，但细节未说明
展开详情收起详情：Harness 收购 Augment 编程智能体，但最佳功能尚未发布⌄
原文发布：2026-10-09 05:38 · 首次收录：2026-10-09
Harness 收购了 Augment Code 的部分资产，包括 Cosmos、Auggie CLI 和代码上下文引擎。以前，AI 写代码和把代码安全部署到生产环境是两件分开的事，中间要人工搬运信息。现在 Harness 想把这些环节连起来：让 AI 代理从工单或 bug 出发，自动规划、写代码和测试、提 PR，再交给 Harness 的交付、安全、成本等代理一路管到上线。对读者来说，这意味着软件开发可能从「AI 帮写代码」走向「AI 跑通整条流水线」，但具体开放时间和可用范围原文未说明。
文中可用工具
- Harness Cosmos Software Factory Agent把工程任务从想法自动推进到代码，协调代理完成规划、写码、测试和提交 PR
- Auggie CLI原文未说明用途
- Code Context Engine帮助 AI 代理理解代码库及与任务相关的代码关系
- Harness Software Delivery Knowledge Graph连接软件构建、测试、安全、部署和运维的上下文信息
- PR Author预置的 AI 专家，负责撰写拉取请求
- Deep Reviewer预置的 AI 专家，负责深度代码审查
- Risk Analyzer预置的 AI 专家，负责分析风险
- Verifier预置的 AI 专家，负责验证变更
- Software Delivery Agent把代码变更安全地构建、部署到生产环境并验证，支持回滚
- Security Testing Agent在进入生产前发现并修复代码、依赖和供应链中的风险
- Runtime Protection Agent保护生产环境中的应用、API 和 AI，防御运行时威胁
- Cost Management Agent管理和优化云及 AI 成本
展开详情收起详情：Harness 收购 Augment Code，推进自主软件开发生命周期⌄
原文发布：2026-10-08 08:00 · 首次收录：2026-10-09
Harness 发布了一篇入门教程，手把手教没有用过 Harness CD 的开发者部署一个示例 Java 应用。原来很多团队用 SSH 脚本手动部署，一旦要加第二个环境、回滚或上线审批，脚本就会变得混乱，回滚往往要凭记忆找回上一个可用的镜像版本。这次教程把“构建”和“部署”拆开：部署目标、策略和失败处理只需配置一次、到处复用，从测试环境切到生产环境只改少量设置，出错一键回滚并保留完整发布历史。教程需要 GitHub 等代码仓库账号、Docker Hub 账号、Kubernetes 集群和 Harness 账号，并说明仓库里已带一份可用的流水线配置，可直接指过去跳过手动步骤，但整篇是演示性质，是否已在正式产品中可用原文未明确说明。
文中可用工具
- Harness CD配置和运行部署流水线，支持回滚、审批和发布历史记录
- Harness Delegate装在 Kubernetes 集群里的轻量代理，让 Harness 能访问集群并执行部署
- Docker Hub存放构建好的应用镜像，供部署时拉取
- Kubernetes运行示例应用的目标集群环境
- GitHub Actions在已有 CI 里附带部署步骤的常见做法
- GitLab CI在已有 CI 里附带部署步骤的常见做法
- Jenkins在已有 CI 里附带部署步骤的常见做法
展开详情收起详情：如何在 15 分钟内用 Harness CD 部署你的第一个应用⌄
原文发布：2026-10-08 21:19 · 首次收录：2026-10-09
这篇博客记录了作者用 Harness 搭建 CI 流水线的一次实际体验：他有一个 Java Maven 项目（含 42 个单元测试和 Dockerfile），以前搭流水线要手写一堆 YAML 配置，这次他把 GitHub 仓库授权给 Harness，让内置 AI 扫描代码、自动识别 Java + Maven 并生成构建、测试、缓存步骤，再手动加一步把镜像推到 DockerHub。整个过程不用写一行流水线 YAML，首次运行 2 分 34 秒全部通过，加上推送 DockerHub 后整条流水线也只跑了 3 分多钟，适合想快速体验 Harness CI 的开发者参考。
文中可用工具
- Harness CI自动化构建、测试并推送代码的持续集成平台，可让 AI 自动生成流水线
- GitHub存放源代码的代码托管平台，本次用它授权连接仓库
- Docker把应用打包成镜像并推送到镜像仓库
- DockerHub存放和分发 Docker 镜像的公共仓库
展开详情收起详情：Harness CI 流水线教程：构建并推送 Docker 镜像⌄
原文发布：2026-10-08 22:55 · 首次收录：2026-10-09
GitHub 的漏洞赏金团队为了庆祝网络安全意识月，专门介绍了他们赏金计划里的一位顶尖安全研究员 @vaib25vicky。他平时的工作，就是像普通用户一样去使用 GitHub 的各种功能，然后琢磨这些功能哪里可能被坏人利用。他特别擅长找和“权限控制”有关的漏洞，这次分享了他挑目标功能、验证漏洞的方法，也提到会用 AI 当助手，但强调 AI 给出的结果必须自己亲自验证过才能提交。对读者来说，这让人了解白帽黑客是怎么帮平台提前发现并修好漏洞、让大家的代码更安全的，也顺便知道了 GitHub 调整赏金规则、设了只邀请顶尖研究员的 VIP 计划，最高奖金能到三万美元甚至更多。
文中可用工具
- GitHub CopilotAI 编程助手，文章提到它正在改变软件开发方式，可能带来新的安全测试面
- Copilot coding agentAI 编程代理，同样被视为新的潜在攻击面
- HackerOne漏洞报告平台，文章建议通过它向 GitHub 提交安全发现
展开详情收起详情：一位漏洞赏金研究员如何挑选要调查的功能⌄
原文发布：2026-10-09 01:02 · 首次收录：2026-10-09
Cloudflare 在“生日周”活动上发布了 Clef，这是一组开放的 AI 模型，专门用来在几个预设选项中做选择，而不是像聊天机器人那样生成大段文字。以前让 AI 做决策，常常要写很多复杂的提示词，还容易出错。Clef 把决策变成“选择题”，并配套了一个平台，可以针对具体决策任务进行调整。这次发布了 90 亿和 270 亿参数两个版本。对开发者来说，以后做自动化选择时可能更简单、更可控，但具体怎么用、效果如何，材料里没说。
文中可用工具
- Clef一组开放权重的 AI 模型，用于在预设选项中做选择，而非生成文本
- Cloudflare原文未说明具体用途
展开详情收起详情：Cloudflare 开源面向 AI 智能体的决策模型⌄
原文发布：2026-10-08 14:54 · 首次收录：2026-10-09