内容归档
按栏目浏览往期内容，用关键词、分类和日期找到需要的信息。
在 OSS EU 的一场讨论中，专家们说欧洲组织想要在技术上更自主，不是完全不用全球供应商，而是要有靠谱的替代方案，并且自己掌握必要的技能。他们强调，要搞清楚自己在云服务和硬件上依赖了谁，同时在软件上做出实际可用的选择，这样才能真正把技术控制权握在手里。对读者来说，这意味着技术自主不是一刀切地拒绝外部产品，而是学会评估依赖、培养能力，并善用开源等选择来保障日常运营。
提供的材料未提及具体可用工具。
Spotify 的工程师 Pratik Rasam 在一场演讲中介绍了 Spotify Ads Manager 如何用 Google ADK Java 在生产环境大规模运行多智能体系统。多智能体系统就是让多个 AI 程序各管一块任务、协同工作；规模一大就容易变成难以维护的“单体巨兽”，也难控制成本。他分享了架构模式、领域归属、确定性护栏和基于追踪的评估策略，以及划定智能体边界、优化工具结构、控制成本等经验教训。目前这是演讲分享，材料未说明具体落地成效或可复用代码。
这期 Spring 的 Bootiful 播客请到了 Java 圈很有影响力的工程师 Kohsuke Kawaguchi（川口耕介），聊了他的职业经历和对技术的看法。他曾在 Sun 参与 JDK 里的 XML 和 Web 服务基础设施，还做过几个后来被开发者广泛使用的个人项目，最有名的当属 Jenkins——起初只是因为他自己受不了构建老失败，才写了 Hudson，后来演变成最重要的持续集成平台之一，靠的是插件化、开放和模块化的设计。他后来创办 Launchable 想让测试和 CI 流程更高效，相关成果后来并入了 CloudBees。现在他不再全职带团队，把时间花在长途骑行、做饭和旅行上。他也谈了对 AI 的看法：AI 正在快速改变软件开发，但更可能胜出的做法是把智能能力嵌进现有工作流，而不是让所有人都用一个大聊天窗口。如果你关心 Java 历史、CI/CD、开源文化或开发者工具，这期值得一听。
Stripe 做了一个叫 Restock 的示范智能体，它住在 Slack 里，能帮你在网上找商品、把商品放进购物车并完成付款。以前让 AI 自己花钱很麻烦：要么让它在网页上模拟点按结账，容易出错，要么得把银行卡信息交给模型，很不安全。这次的做法是让付款交给 Stripe 的消费者钱包 Link 处理，模型从头到尾看不到卡号，而且用户要在 Slack 里确认订单并设定花钱上限，比如买一盒 25 美元以内的蓝笔，智能体最多只能花这么多。对读者的意义是，可以从 Restock 的示例代码出发，自己搭一个能安全付款的智能体。
Datadog 原有远程漏洞扫描器在主机规模扩大后，扫描全部主机需超过18小时，而扫描器的 SSH 凭证只有12小时有效期，凭证过期后无法继续认证剩余主机，导致部分主机漏扫。他们改用已经部署在各主机上的 Datadog Agent 收集安装的软件包版本，传给 Datadog Cloud Security 来识别已知漏洞，并用六个月新旧系统并行比对覆盖范围和检测结果。迁移后扫描新鲜度保持在99%以上，即99%以上范围内主机在过去24小时内完成过扫描，并继续满足 SOC 2 Type II、ISO 27001、PCI DSS 和 FedRAMP High 的审计要求。
Snyk 首席创新官 Manoj Nair 与 Anthropic 应用 AI 负责人 Alon Krifcher 在一场线上活动中讨论：攻击者已经开始用 AI 智能体自动发起攻击，防御窗口从几个月缩短到几分钟甚至 27 秒。Snyk 提出用「发现 → 修复 → 验证 → 预防」四步并行应对，并称其产品 Evo 和 Snyk Studio 已在实际企业中使用，例如有客户靠它发现了人工渗透测试漏掉的问题。对读者的意义是：可以关注一个简单指标——新发现的问题与已关闭问题的比例，它比开了多少工单更能说明安全状况是否真的在改善。
有人拿同一个漏洞百出的网站做测试，一边用 Evo COS 这种直接去打活网址的工具，一边用 Claude Security 这种只读代码找漏洞的工具。结果 Evo COS 能证明 15 条攻击链里的 10 条确实能打通，比如先利用一个漏洞拿到签名密钥，再用它伪造管理员身份接管后台；而只读代码的模型虽然也能发现同样的两个漏洞，却无法证明它们能被串起来真正攻破系统。这说明看代码和打活系统是互补的两件事，想真正评估风险，两边的活都得干。
Docsy 是 Google 在 2019 年创建的一个技术文档主题工具，常被 Kubernetes、OpenTelemetry 等开源项目用来搭建文档网站。以前文档主要给人看，现在越来越多 AI 智能体也会读取文档，但机器不容易找到和看懂这些内容。Docsy 最近加入了 Linux 基金会，并陆续推出新功能：可自动生成 Markdown 版本和 llms.txt 索引，还能在页面中提示 AI 去读取索引，另外正在开发给维护者用的“对智能体友好度”评分。这些功能大多还是实验性、需要手动开启，评分尚未推出。
OpenAI 在 9 月 29 日发布了 GPT-6.1 Sol，距离 GPT-6 Sol 发布仅一周。它被定位为 GPT-6 的升级版，同时也是 GPT-6 Astra 更便宜的“近似替代品”。作者通过 OpenAI 的 Responses API 用同一套三项测试对两者进行了对比：CI 故障分诊、故障日志分析和依赖解析器编写。15 次运行中两者全部满分通过，但 GPT-6.1 Sol 总共花费 2.66 美元，而 Astra 为 14.77 美元，前者只需后者约 18% 的成本，并且在两项较长的测试中更快。作者的结论是，在这类工作上，GPT-6.1 Sol 已经够用，没有理由为 Astra 多付钱。
一群曾参与 OpenSearch 的工程师创立了 Infino，推出面向 AI 智能体的统一检索层。过去，智能体要查数据得分别对接数据仓库、搜索引擎、向量数据库，还要用 ETL 管道同步，查询繁琐、成本高。Infino 把数据以 Parquet 格式存到对象存储，用一条 SQL 就能同时完成关键词搜索、语义搜索、过滤、聚合和连接，省去多个系统和胶水代码，还能集中管理权限。对开发者来说，接入更简单、花费更低，核心引擎已在 GitHub 开源（Apache-2.0），Infino Cloud 托管服务也同时推出，但其中部分专有功能需付费使用。
Anthropic 推出了它最小、最便宜的模型 Claude Haiku 5.5，这是近一年来该系列首次更新。相比上一代 Haiku 4.5，新模型在“知识工作”“电脑操作”“终端编程”等测试上分数明显提高，同时按用量计费的价格大幅下降：小请求每百万输入/输出 token 只要 0.10/0.50 美元，大请求为 0.50/2.50 美元，官方称平均省约 75%。它还首次允许开发者控制模型思考用力程度，可用于客服、浏览器操作等对速度敏感的智能体任务，并已在 Claude 平台和亚马逊、谷歌、微软云上提供。需要留意的是，它加强了网络安全限制，渗透测试仍被禁止，更高权限需申请审核。
OpenAI 前安全负责人 David Robinson 接受采访时说，过去发布一个新模型要从头训练，往往要花好几个月，所以一年只发几次；现在基础模型只是其中一层，上面还能加推理训练、新工具接入和编程智能体，改起来快得多，不必每次重训。他形容这种节奏让公司“每周二都在发布新能力与新风险”，并说安全报告已经跟不上，理想的替代品是实时更新的安全仪表盘。他提到 OpenAI 内部编程智能体用量激增，研究团队用智能体的算力比年初多了上百倍，Codex 甚至取代了内部求助频道。对读者来说，这解释了模型迭代为何越来越快、安全测试为何越来越难跟上，也让人关注智能体能自主操作文件、调用 API 后，风险会被放得更大。
CNCF 报告说，82% 的容器用户在生产环境里使用 Kubernetes（一种管理大量容器的工具），它已经成了默认选择。但选对了技术不代表团队就省心了：开发人员喜欢自助上线、快速改配置，运维团队却担心稳定性和审批流程，双方常常较劲。现在 AI 推理任务越来越多，应用要跑到混合云和边缘设备上，GPU 调度和扩容又成了新难题；有专家认为，公司过度拆分微服务也带来了“架构臃肿”。好消息是，AI 自动化有望帮团队盯集群、查日志，甚至提前预测故障，把一部分运维活儿接过去。对读者来说，这意味着未来容器混乱有希望缓解，但作者也强调没有单一产品能解决所有问题——HPE 等厂商在推相关工具，但哪些具体限制、何时落地，文中没有说明。
OpenAI 本周把 Decisions API 开放公测，给它加上看图片的能力，让程序能根据画面快速做判断。以前要做这类判断往往得调用更慢的推理模型，现在它直接把文字或图片变成三类结果：概率、选项和打分。它按每百万输入 token 收 0.10 美元，输出不另收费，跑在 GPT-6 Luna 上。同一时间 Perplexity、Cloudflare、亚马逊也发布了能自己下载运行的决策模型，但 OpenAI 仍只能通过它的托管接口使用。
Anthropic 本周扩大了它的“网络验证计划”（CVP），把使用权限分成三档，按用途区分，并把原来的 Project Glasswing 并入限制最少的一档，名义上是让更多网络安全防御者用上更强的模型能力。但问题在于：大多数做防御工作的小团队和个人研究者，只能落入限制最严的“防御访问”档。Anthropic 自己的测试显示，在最严档下调用 Claude Opus 5.5 做 50 次攻击性安全基准任务，有 46 次被直接拦下；而最宽松的“专业访问”档只对少数经 Anthropic 和美国政府联合审查的组织开放。对读者来说，这意味着如果你的安全团队想用 Claude 做高级防御或渗透测试，大概率仍会被限制，而且必须接受数据留存要求；想自控数据存储，要等今年秋天将推出的 EFS，或已持有 Claude Fable 5.1 / Mythos 5.1 且零数据留存的组织才可豁免。目前这些分档已经宣布，但防御场景下的实际影响仍缺乏专门的评测基准，尚不清楚限制会误伤多少正常防御工作。
OpenSSH 10.6 在本周二发布，维护者明知会让一些用户出现问题，还是主动改掉了两个功能。第一，他们关闭了压缩中的 LZ77 字典编码，因为研究者发现，多条通道共用同一份压缩记录时，可能把另一条通道里的机密内容泄露出去；压缩默认本来就没开，只有手动开启的人会受影响。第二，命令行用户名里不再允许出现 $ 和 \ 两个符号，防止内部工具或 CI 拼接用户名时被 shell 当成命令执行；写在配置文件里的同类用户名不受限制。对普通用户来说，交互式登录基本无感；但大量传输可压缩数据的自动化任务可能变慢，需要把压缩挪到应用层完成。
GitHub 发布数据称，如今每三个 pull request 中就有一个涉及 AI 智能体，而一年前不到十分之一；代码产出在加速，但泄露的密钥平均要等约 40 天才被人工撤销，五分之一甚至超过 90 天。为解决这个“开发快、修复慢”的失衡，GitHub 与 Microsoft Applied Sciences 合作训练了一个分类器，能在不到两毫秒内判断一组候选密钥，把推送保护扩展到没有固定格式的密钥，有望让可拦截的密钥数量翻倍以上。对开发者来说，更多密钥会在进入仓库历史前被自动拦下，少一些事后手动补救的麻烦。目前该模型的具体上线时间和可用范围，原文尚未说明。
提供的材料未提及具体可用工具。
谷歌的分布式数据库 Spanner 以前只能跑在自家数据中心里，因为它依赖两种特殊硬件：原子钟（用来给全球服务器对时间）和 Colossus 文件系统（用来存数据）。现在谷歌推出了 Spanner Omni 并正式可用，把这两样硬件换成了纯软件方案，于是用户可以在自己的机房、其他云服务上，甚至一台笔记本上运行 Spanner。代价是官方没有提供可用性承诺（SLA），实际使用中可能遇到延迟变高和运维更费劲的问题。
Cloudflare 把前沿 AI 模型放进一套受控的测试框架里，用来试探自家的 Web 应用防火墙（WAF，用来拦截网站攻击的安全系统）。原来的做法是：碰到被拦下的攻击就结束了；这次他们把那些被拦截的攻击当作起点，让 AI 模型在此基础上生成并不断改进新的变种，再去测试 WAF 能不能挡住。对读者来说，这意味着以后网站防线可能更耐打，也让 AI 从“被防的对象”变成帮忙找漏洞的测试员。目前原文只提到这是一次受控测试，没说具体用了哪些模型、测试规模多大，也没说结果是否已公开或投入生产。
提供的材料未提及具体可用工具。
有人写了一篇文章，介绍如何在 Apache Kafka 之上自己动手做一套“会话级有序”的消息管道。Kafka 本身只保证同一分区内的顺序，但很多场景需要把几千个独立渠道各自的消息严格按顺序处理，这个需求它默认做不到。文章的做法是在应用层做路由，用一致性哈希把同一会话的消息分到同一处理路径，再加上重试和“连续水位提交”来保证顺序。对做消息队列的工程师来说，这提供了一个在 Kafka 上实现跨分区严格顺序的参考方案。