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。
Datadog 推出 RUM 远程配置功能，让开发者可以直接在 Datadog 界面里修改浏览器、iOS 和 Android 端 RUM SDK 的采样率、隐私设置和数据采集范围，不用改代码重新发版。过去这些设置写在应用代码里，改动必须发新版本，移动端还得等应用商店审核和用户慢慢升级，遇到故障想多采数据时来不及。现在只需在初始化代码里加一个远程配置 ID，SDK 下次启动时就会拉取最新设置。新应用默认开启，老应用手动接入即可。
Datadog 推出了一项叫 Tap to Parse 的 AI 辅助功能，用来解决日志里有用信息被埋在一整句话里、难以筛选和统计的问题。以前想从日志里提取状态码、耗时这类字段，得自己写复杂的正则或 Grok 规则，遇到不归自己管的服务或第三方系统就更麻烦。现在只要点一下某条日志并选择 Tap to Parse，Datadog 就会分析样例、自动生成解析规则，并让你先预览再应用，提取出的字段就能用来筛选、分组和画图。它能在 Log Explorer 里查询时用、在 Log Pipelines 里对以后新进的日志用，也能在 Observability Pipelines 里让日志离开你的环境前先结构化。目前 Log Explorer 和 Log Pipelines 中已正式可用，Observability Pipelines 中需申请开通。
Datadog 的工程师把 Qwen3.5-9B 微调成一个专门做“变更归因”的小模型：告警响了以后，它能推断最近哪次部署、功能开关或配置改动最可能是元凶。原本用规则筛选又快又便宜，但遇到复杂故障就不准；用 GLM-5.3 这类前沿大模型做多轮智能体调查则准得多，可每次调用 API 约 0.06 美元，全量告警跑不起。他们用 GLM-5.3 生成的 348 起内部事故调查轨迹来训练小模型，结果小模型达到 GLM-5.3 召回率的 87%，自托管每次调查成本约 0.003 美元，约为原来的二十分之一，一张 40GB A100 每周能支撑约 10 万次调查。目前这还只覆盖客户每周数百万个监控项中的一小部分，团队称会继续优化以扩大适用范围。
OpenAI 周二发布了 GPT-6 Sol 和 Luna，可以理解为 GPT-6 Astra 的降价版本，对齐程度上比之前的 GPT-5.6 Sol 更接近 Astra，但仍不如旗舰模型。这次最直接的改变是 API 价格砍半：输入每百万 token 分别只要 2 美元和 0.1 美元，输出为 10 美元和 0.5 美元，Luna 的输出 token 更是比上一代便宜 58%。不过 OpenAI 强调，缓存改进才是真正的省钱杠杆：默认缓存命中率更高，缓存读取打九折（即 90% 折扣），而且调整推理强度或工具可用性时不会破坏已有缓存。此外还上线了 Prompt Caching Dashboard，让开发者能看到哪些上下文被复用、哪些机会被浪费。对开发者来说，同一个任务不必每次从头处理上下文，速度和成本都会下降。
Anthropic 周二发布了 Claude Opus 5.5，把每百万输入 token 的价格从 5 美元降到 4 美元，输出 token 从 25 美元降到 20 美元，上下文窗口和最大输出保持不变。但官方迁移指南指出，有四类改动会让原本写给 Opus 5 的请求在切换后直接报 400 错误，另有几处不报错却会悄悄改变 Agent 行为。例如思考功能无法再关闭、强制工具调用被禁用、思考块只能在特定模型和对话中复用、电脑操作工具换成了新的 toolset。想让 Agent 正常升级，开发者需要逐项改代码、重新评估 effort 设置，并处理 refusals 和工具调用叙述消失等问题。
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。
Meta 在 9 月 8 日推出了购物助手 Muse，它能像普通顾客一样打开浏览器、登录账号并在电商网站上下单。9 月 21 日前后，亚马逊开始屏蔽 Muse，理由是它不表明自己是 AI、未经允许就进店，还可能保存了用户的密码和支付信息。几乎同时，Shopify 走了相反路线，把 Muse 接入自家商店，通过专用支付协议让购物在商家可确认、可追溯的通道里完成，卡号不会交给 Muse。对普通读者来说，这背后的分歧是：网站该怎么识别和放行自动购物机器人。目前事件仍在早期，双方说法存在矛盾。
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。
小米发布了 MiMo-V2.6 系列模型，包括旗舰版 MiMo-V2.6-Pro，这是一个万亿参数的大模型，支持文本、图像、音频和视频，上下文窗口达 100 万 token。小米不仅公开了模型权重（MIT 许可），还把强化学习训练过程通过公开仪表盘直播了 5 天，并公布了训练成本：Flash 约 85 万美元，Pro 约 262 万美元。此外，小米承诺开源超过 7000 个任务环境和训练框架等资源，但目前 Hugging Face 上只有三个模型，其他资源尚未放出。这意味着研究人员和开发者未来可以基于这些开放资源做更多实验，推动开源 AI 进步，但部分承诺还在陆续兑现中。
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。
传统代码扫描器只能靠规则匹配找已知模式，而大语言模型能顺着程序逻辑追踪攻击者可控的输入是否真的能到达危险位置，因此能发现规则没覆盖的漏洞。但模型本身不稳定：同一份没变的代码扫两次，结果可能不同，耗时和花费也难预测，没法直接用在每次提交都跑的自动化扫描上。Harness 的 Security Test Orchestration（STO）在模型外面加了一层编排：控制扫描什么时候触发、只扫改动范围、每步怎么约束、结果怎么统一，变成可比较、可信任的扫描。用 GPT-5.5 对三个故意留漏洞的测试应用跑基准，增量扫描比全量扫描最高省约 83% 费用、快约 72%，且没有漏掉全量扫描找到的问题；连续跑 10 次时增量方案比全量便宜约 75%。目前该能力基于 OpenAI Codex Security，配合 Mythos 代理插件，以安全扫描技能方式调用，具体开放范围和价格原文未说明。
Harness 发布了一篇博客，解释漏洞“修复”和“缓解”的区别：修复是打补丁或升级，彻底消除漏洞；缓解则是隔离、封堵或关闭功能，让漏洞难以被利用，但漏洞本身还在。博客说，当补丁还没有、修复需要停机窗口，或攻击路径本来就不通时，可以先选缓解；但每个缓解措施都要有负责人和到期日，否则临时措施会变成永久隐患。对开发团队来说，这能帮助决定什么时候必须真正修、什么时候可以先顶住，而不是把风险一直存着。文中还提到 Harness 的安全测试编排可对接 40 多个合作扫描器，并引用调查称：最频繁使用 AI 编程工具的人群中，50% 表示采用后漏洞和安全事件变多了。
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。
GitHub 重建了 Copilot 应用里的代码差异查看界面，专门解决超大拉取请求（pull request）打开慢、滚动卡的问题。原来代码行高度固定、可以提前算好，但评论会因 Markdown 换行、折叠块、回复框和图片加载而高度不定，强行套用旧方案会导致页面跳动。这次他们把代码区域和评论区域拆成两套高度计算：代码部分保持精确不变，评论部分先估算再懒加载实测，并把修正锚定在用户当前位置。测试对象是一个约 2200 个文件、超一百万行改动、400 多条行内评论的开源拉取请求，现在这种极端情况也能流畅滚动。该功能已随 GitHub Copilot 应用推出。