内容浏览
搜索中文标题、仓库名或关键词，再用分类、来源和日期缩小范围。
本文回顾了 {unscripted} 在芝加哥和哥伦布的活动。现在 AI 写代码快了约 180%，但真正能上线的只多了约 30%。原因是代码提交后的评审、合规检查、安全流程还是人工慢慢走，堵住了。活动上介绍了几种办法：按风险开放自动化、用 Change Advisor 替代人工变更评审会、让被规则的 Agent 干杂活，以及把合规当功能来设计。对读者来说，如果团队用 AI 写代码却没多上线，问题可能不在写代码，而在提交之后的那段流程。
AWS 介绍了最新版 Model Context Protocol（模型上下文协议，简称 MCP）规范的变化。以前远程 MCP 服务器需要靠“会话”记住每个用户，还要求请求固定发到同一台机器（会话亲和性）并额外存会话数据，横向扩容很麻烦。现在规范去掉了协议层会话，请求可以随便发给任意服务器，扩容更简单；但应用状态、重试、可观测性和幂等性这些事就交给其他层自己处理了。
提供的材料未提及具体可用工具。
TypeSafe AI 发布了 Jev，它和普通大模型不同，不写文字，只做判断：你给它当前状态和一组问题，它返回带概率的、固定格式的答案，代码可以直接照着走。以前大家遇到模糊任务就整个交给大模型，又贵又慢，还每次答案可能不一样；Jev 在路由、分类这类窄判断任务上据称能快 200 倍、便宜 400 倍，并且同一输入重复跑结果基本不变。LangGraph 负责把这些廉价判断编排进流程：状态当上下文、节点按需调用 Jev、出错了能从检查点续跑，流程仍留在可检查、可测试的代码里。读者可以据此搭建更快更便宜、也更可靠的生产级 Agent，而不是把整个流程交给一个“神”模型。目前这是基于 TypeSafe 基准和官方文档的发布介绍，实际效果需自行验证。
提供的材料未提及具体可用工具。
很多团队都有一份长期没人处理、也不指望处理完的漏洞清单，过去把它当成“技术债”：先按严重程度挑一部分修，剩下的默认没人会碰。但现在三个前提变了：代码产出量远超清理速度（产品数据显示大约每修1个漏洞就新增6个）、越来越多代码由AI代理生成、无法追问作者意图、攻击方也用上自动化，能低成本扫描并组合利用那些低危小问题。文中举例说，几个单独看都不严重的问题串起来，可能形成远程代码执行的攻击路径。所以清单不只是排队问题，而是一份攻击者能拼装的零件表；光把排序做得更准，也只能让队列更有序，并不会让它变短。
提供的材料未提及具体可用工具。
Perforce Delphix 发布了一份关于 AI 与数据隐私的报告，指出很多企业在推进 AI 时遇到一个矛盾：数据既要保护隐私，又要足够真实可用。调查显示，51% 的企业抱怨数据质量问题，26% 表示隐私控制让生产级数据更难获取，25% 难以保持数据表之间的关联关系。报告认为，光靠打码脱敏还不够，如果脱敏后数据之间的关联（比如客户和订单、发票之间的对应关系）被破坏，训练出来的 AI 和跑出来的分析就会不准确、不可信。解决办法是采用企业级、可大规模一致执行的脱敏算法，让同一份数据在不同环境里保持相同的脱敏结果和关联完整；同时建议团队从数据质量、真实性、关联完整性、可访问性等几个维度来衡量隐私工作，而不只是看合规指标。
企业 Java 公司 Azul 发布了一款叫 Azul Intelligence Cloud AI Assistant 的工具，它是一个用自然语言提问的界面，帮软件团队看清自己正在运行的 Java 系统里藏着哪些安全风险和许可证违规。以前大家靠静态报告和代码扫描工具管理 Java 风险，但报告只在生成当天准确，之后 JVM 会被新建、打补丁、漂移、下线，报告就越来越不准。新助手直接读取实时运行时数据回答问题，还能查历史记录。对读者来说，这意味着排查“哪台机器还在偷偷跑 Oracle Java”这类问题，可能不用再翻过时报表了。目前该工具已发布，但材料未说明具体价格和全面可用时间。
这是一篇面向平台工程和 DevOps 团队的指南性文章，讲的是怎么在 2026 年把云账单降下来。文章指出，很多云资源被闲置或超额配置，会造成浪费；数据显示 AI 相关支出中约有 26% 被浪费。解决思路分四步：先搞清楚钱花在哪些团队和业务上，再找出闲置或配置过大的资源，在调整容量前先评估对可靠性的影响，最后用自动关停、自动扩缩容、预算和异常告警等手段让节省持续下去。文中给了 10 条具体策略，也包括 Kubernetes 安全缩容和提交折扣等做法，并附有 GE Vernova 省下 50.4 万美元、Tyler Technologies 年化节省 120 万美元等例子。文中还提到 Harness 成本管理代理（Cost Management Agent）可用于自动分摊成本，但文章只是介绍策略，并未说明这些工具目前的开放状态。
苹果公布了一项名为 Reference Image 的新设计，用在 iPhone 18 Pro 的相机里。它的做法是在图像传感器那一层就给原始像素数据签名，然后放到苹果的 Private Cloud Compute（苹果的私有云计算服务）里处理，全程带着苹果的签名。过去这类照片来源验证多依赖 C2PA 这类标准，容易在后期被改动或伪造；苹果把信任点提前到拍摄瞬间，理论上更贴近真实。不过 Hacker News 和 Reddit 上的开发者提出质疑：对着屏幕翻拍也可能被当成真照片、匿名保证需要依赖苹果云、身份验证是否该由相机来承担。目前只是设计公布，尚不清楚实际可用时间和具体限制。
提供的材料未提及具体可用工具。
ChatGPT Ads 是 ChatGPT 里的广告投放服务，之前只在部分地区开放。这次它把覆盖范围扩展到了东南亚和台湾地区，符合条件的商家现在可以借助它触达 60 多个国家的用户。原文只提到扩展区域和覆盖国家数量，没有说明具体上线时间、收费方式，也没有列出哪些商家算“符合条件”。
Dynatrace 宣布其 AI 管理体系通过了 ISO/IEC 42001:2023 国际标准认证，由 Schellman Compliance, LLC 颁发，证书编号 1395170-1，生效日期为 2026 年 9 月 2 日，有效期至 2029 年 9 月 1 日。该认证针对的不是某个模型或产品，而是 Dynatrace 平台背后开发、部署和提供 AI 功能的那套管理制度，包括人员、流程、工具、集成和应用，涵盖 Dynatrace SaaS 和 Dynatrace Managed 中内嵌的 AI 能力。换句话说，它证明 Dynatrace 在治理 AI、评估风险与影响、管理数据来源以及保持人工问责方面有一套经过独立审计的机制，并且每年还会接受监督审计。对企业客户来说，这可以作为评估 AI 供应商时的一个信任信号，有望加快合规与采购尽职调查，但要注意它并不等于某个具体产品、模型或输出获得了认证，也不代表符合欧盟 AI 法案等具体法律。
提供的材料未提及具体可用工具。
Qodo 是一家用 AI 检查 AI 生成代码质量的公司，今年刚拿到 7000 万美元 B 轮融资。它没有敞开花钱，而是给每位工程师设了每月约 1 万美元的 token 额度，因为公司发现：AI 让写代码变快，但代码太多反而堵在测试和审查环节，钱花了却不一定多出货。CEO 因此提出一个简单公式：AI 带来的好处除以 AI 的成本，结果越大回报越高，鼓励团队先粗略量化再持续跟踪。对读者来说，这提供了一个思路——衡量 AI 投入时别只盯单一指标，要同时算上省下的返工和事故。该公式目前是 Qodo 内部实践，并非已发布产品。
提供的材料未提及具体可用工具。
WHOOP 是一家做健康手环的公司，每天要处理成千上万条漏洞告警，靠全员连续多天手工分类才能不漏掉问题，既费人力又容易被噪音淹没。这次他们用 Datadog 的 Bits AI 和 Workflow Automation 搭了一套自动化的漏洞响应流程：先结合运行时数据判断哪些漏洞真的在被利用，再把工单自动分配给对应微服务的负责人，让开发者能自己处理一部分。原文尚在预告 2026 年 10 月 7 日的线上分享，具体实现细节和效果数据没有给出；不过它的思路是自动化处理加人工最终确认，对同样被大量漏洞告警困扰的安全和运维团队有参考意义。
AI 编程工具让开发者写代码快了很多，但也让攻击者更容易找到和利用漏洞。文章说，现在 AI 不只帮人写代码，还在替人选择用哪些开源库；一旦攻击者攻破某个被广泛信任的开源组件，就可能像推倒多米诺骨牌一样影响很多下游系统。作者认为，组织不能只等扫描出漏洞再修，而要把更多精力放在“入口把关”，也就是确认进入开发流程的软件来源和内容是否可信。对读者的用处是：理解为什么软件供应链安全需要提前预防，而不是事后检测。文章没有说明具体的解决工具或发布日期。
提供的材料未提及具体可用工具。
很多企业想让 AI 读取病历、财务记录或核心知识产权，但又不放心把这些数据传到云端或别的公司服务器上。为此，VAST Data 推出了一款叫 VAST DataEnclave 的产品（9 月 22 日发布），做法是把数据锁在企业自己的设备里，模型也加密，只有经过硬件验证的特定程序才能解开使用；企业拿着自己数据的钥匙，模型厂商也拿着自己模型的钥匙，双方都不用交出控制权。这样企业既能用上先进模型，又不必担心数据外泄，模型厂商也不怕模型权重被人偷走。目前文章只介绍了这一产品的发布，尚未说明实际使用效果和具体开放范围。
英伟达 CEO 黄仁勋接受《纽约时报》采访时回应了“AI 很快将取代程序员”的说法。他认为工程师的核心使命是解决问题和创造产品，而写代码只是其中一项任务，就像AI能帮放射科医生读片、但没有取代医生诊断疾病一样。对于现在入行的年轻人，他说答案要等两年：因为大学要读四年，第一批从入学起就和 AI 一起学习的学生大约 2028 年才毕业，届时会带来一波“AI 原住民”工程师。短期看，初级开发者靠写测试、查堆栈、修小 bug 积累判断力的学徒期可能被压缩，目前还没有证据说明跟智能体协作能否替代这段经验。
提供的材料未提及具体可用工具。
企业用 AI 一直面临两难：要么用闭源模型，担心自己的数据被模型厂商拿去训练、泄露商业机密；要么用开放权重模型，但能力落后于最前沿。VAST Data 推出名为 DataEnclave 的新产品，想让模型厂商把自家模型跑在企业自己的安全环境里：模型权重不外流，企业数据也不外流，用的是 Nvidia 的机密计算技术。它目前处于早期访问阶段，后续才会正式开放；能否同时让两边都放心，还要看市场检验。
德国斯图加特创业公司Q.ANT造了一种用光而不是电来做AI部分计算的芯片，号称比现在的芯片省电得多。过去只有少数研究机构能用到这种芯片，别人想写程序都没门。现在Q.ANT把一套免费开源的软件开发工具包放上了GitHub，普通电脑上就能跑模拟器，用Python或C写程序、做测试，等以后拿到真芯片再直接运行。这套工具目前只能跑已经训练好的模型，比如手写数字识别、照片物体识别，训练还得靠普通CPU和GPU。对开发者来说，好处是提前熟悉光学芯片的编程方式；但真机还要等几个月，通过德国云服务商IONOS或Q.ANT的本地服务器才能用上，省电效果也无法自己验证。
提供的材料未提及具体可用工具。
AI 让网络攻击变快了，防守方原来那堵墙就不够高了。文章用“梯子和墙”打比方：攻击者过去只是把梯子加高一点点，刚好翻过防守方的墙。现在有了 AI 帮忙，梯子一下子高了很多，很多公司来不及应对。文章建议先把身份管理、漏洞修复、威胁检测这些基础做好，同时用 AI 加快处理速度，还提到 Anthropic 发了一篇详细博客讲怎么准备。对读者来说，重点是别把这当成纯安全问题，工程、基础设施和安全团队要一起配合，才能跟上节奏。文章没给具体数字，也没说这些建议是已经可用的产品还是未来计划。
提供的材料未提及具体可用工具。
AWS 官方博客发布了 15 条云成本优化建议，覆盖计算、存储、网络和成本监控四个方面，并附了一张按实施难度和节省潜力排序的速查表。文章指出，很多团队在买折扣套餐（Savings Plans）之前没有先做资源规格调整（rightsizing），导致承诺与实际用量对不上；AWS 对 7.1 万多家客户的分析显示，同时做规格调整的客户，成本效率提升速度是只买折扣套餐客户的 4 倍。对使用 AWS 的团队来说，这份清单可以当作本季度降本的候选动作，比如先关闲置资源、按实际 CPU 和内存用量调整实例大小，再考虑长期折扣承诺。文中还提到 GE Vernova 通过缩小 50 个实例节省了 50.4 万美元。
GitHub联合耶鲁气候变化传播项目调查了1039名GitHub用户，想了解他们对软件效率与气候变化的看法。结果发现，八成受访者想要能帮助写出更节能代码的工具，约七成五想测量软件对环境的影响，但63%的人觉得自己写代码对环保影响很小。主要问题不是没兴趣，而是缺少找浪费、量改进、说服维护者的实用路径。调查还建议先找可测量的浪费，用Agent寻找优化机会，但最终决定仍留给维护者。