Databricks 官方发了一篇指南，讲怎么收集 Databricks 和它底层 Spark 的运行数据（比如性能、成本、用量）。之前这些数据分散在各处，用户不容易统一查看和排查问题。这次介绍的方法主要是用系统表来查询日志、成本和性能指标，再配合 Spark UI、作业通知和 REST API，就能做分析和告警。不过要注意，系统表的数据不是实时的，延迟随 schema 不同，所以不能拿它做秒级告警；实时监控得靠作业通知和 API。
文中可用工具
- system tables存放 Databricks 性能、成本和用量等监控数据，可查询分析
- Unity Catalog控制谁可以访问系统表里的数据
- Databricks SQL API让外部工具从系统表拉数据做报表和分析
- Spark UI查看 Spark 作业的执行细节，帮助排查性能问题
- job notifications作业成功、失败、开始或超时时发实时通知，可发到邮件、Slack 等
- Jobs API查询作业运行情况，用于实时监控
- Databricks REST API获取查询历史等数据
- Pipelines API用 SQL 查询管道事件日志
- Spark Streaming Query Listener把流处理指标发送到外部服务
展开详情收起详情：Databricks 的原生监控资源⌄
Datadog Blog
原文发布：2026-10-02 08:00收录：2026-10-03
标准 Kubernetes（K8s，一个管理容器化应用的开源平台）功能强大，但运维负担重：搭建一套生产集群要配置控制面、网络、存储、安全、可观测性等多个组件，还要持续维护。K3s 是 Rancher Labs（现属 SUSE）推出的轻量发行版，把控制面和许多组件打包成一个不到 100 MB 的单一二进制文件，默认用 SQLite 存储，最低只需 512 MB 内存和 1 个 CPU 核心即可运行；而标准 K8s 通常至少要 4 GB 内存和 2 个 CPU 核心。因此 K3s 更适合边缘计算、物联网设备（如树莓派、零售终端、工业电脑）等资源受限场景，标准 K8s 则适合需要最大灵活性的复杂集群。需要注意的是，文章只给出了选型思路，没有提供两者性能或成本的对照数据。
展开详情收起详情：K3s 与 K8s：轻量级 Kubernetes 发行版何时胜出（何时不适用）⌄
The New Stack
原文发布：2026-10-02 21:00收录：2026-10-03
Anthropic 给 Claude Code 加了一套叫 mods 的新功能：mods 就是一些用 JavaScript 或 TypeScript 写的小函数，可以挂到 Claude Code 内部的事件上，用来改提示词、拦截或改写工具调用、处理权限请求、替换界面部件，甚至加新功能。以前开发者只能通过设置、CLAUDE.md、hooks 和 MCP 服务器调整 Claude 的行为，但没法改变 Claude Code 自身的界面和功能。现在 mods 已随 Claude Code 2.1.287 及之后版本默认启用，还能打包成插件分享给别人装，不过 mod 代码在本机运行，Anthropic 建议只装可信来源的。
文中可用工具
- mods用 JavaScript 或 TypeScript 写的小函数，挂到 Claude Code 事件上，改提示词、工具调用、权限和界面
- Claude CodeAnthropic 的命令行编程助手，mods 已在其 CLI 和桌面应用中可用
- CLAUDE.md存放持续指令的配置文件，用于自定义 Claude 行为
- hooks原有的自定义机制，可挂接 Claude Code 事件
- MCP servers为 Claude 提供额外工具和数据来源的服务端
- AGENTS.mdAnthropic 自身用 mods 实现的功能，具体用途原文未详细说明
- /diff paneAnthropic 用 mods 实现的差异查看面板
- Token Weather示例 mod，约 80 行，显示上下文窗口已用比例
展开详情收起详情：“没理由每个人都要有千篇一律的 Claude 体验”：Anthropic 的 mods 让你改变 Claude Code 的外观和行为⌄
The New Stack
原文发布：2026-10-02 22:07收录：2026-10-03
GitHub 周四公测了 Copilot 的“computer use”功能：Copilot CLI 和桌面应用现在能像人一样操作 macOS 和 Windows 上的软件，能读屏幕内容，也能点击、打字、滚动和拖拽，连那些没有接口、只能靠图形界面操作的老软件也能用。但 GitHub 自己建议：如果任务能用 API、MCP 服务器、终端命令或专门浏览器工具完成，就优先用它们，因为那样结果更可靠。这项功能目前在公测阶段，需要手动开启，macOS 上还要单独授予辅助功能和屏幕录制权限；敏感窗口内容可能被智能体读到，企业管理员也可用策略限制。
文中可用工具
- Copilot CLIGitHub 的命令行编程助手，可用 /computer 开启电脑操作功能
- Copilot appGitHub 的桌面编程应用，能操作 macOS 和 Windows 上的软件
- computer use让智能体通过看屏幕并模拟点击、打字等来操作电脑软件的功能
- MCP server让智能体连接外部工具或数据的标准接口，本功能中随插件一同提供
- Claude CodeAnthropic 的编程智能体，文中作为已提供更广泛电脑操作的对比产品
- CodexOpenAI 的编程智能体，文中提到它更早加入了电脑操作能力
- VS Code代码编辑器，企业策略对是否允许跳过审批的限制也适用于它
展开详情收起详情：GitHub 建议：先用别的办法，再考虑新的 Copilot 功能⌄
The New Stack
原文发布：2026-10-03 02:25收录：2026-10-03
Harness 发布博客文章，解释工程师为什么常常忽略云成本：传统 FinOps 工具把成本数据放在独立的财务仪表盘里，开发者得中断写代码去查，而且反馈往往要等 30 天才来，和日常交付节奏脱节。文章提出的做法是把成本信息“左移”进 CI/CD 和 IaC 流程：在合并请求合并前就评估这次改动是不是申请了没批准的实例类型、会不会超预算，超了就自动拦截或交给负责人审批；同时用 Harness Cost Management Agent 在服务级别做实时成本可见性。对平台团队来说，意义在于不用牺牲开发速度也能让开发者对云支出负责。目前文中提到的产品能力和模式来自厂商博客，具体发布时间和可用范围原文未说明。
文中可用工具
- Harness Cost Management Agent帮助工程团队主动优化云支出，把成本洞察嵌入开发流程
展开详情收起详情：为什么工程师无视云成本治理（以及如何解决）⌄
Harness Blog
原文发布：2026-10-02 08:00收录：2026-10-03
作者 Daniel Curtis 提出，AI 代码生成正在改变前端组件复用的经济账。过去团队要花钱维护一套共享的 UI 组件包，现在只要把设计系统、设计令牌、规范和测试准备好，让模型按需生成标准界面即可，维护整套组件库的必要性因此下降。他的建议是别丢掉设计系统和测试这些真正保证一致性的核心，而是把组件从“预先做好反复用”转向“按需再生成”。文章只是观点文章，没有给出具体工具、数据或落地案例。
展开详情收起详情：从可复用到可再生成：重新思考共享 UI 组件库⌄
InfoQ Architecture & Design
原文发布：2026-10-02 17:00收录：2026-10-03
Spring AI 社区发布了一个模块化 RAG 示例，把 TypeSafe 的 Jev 模型接入检索增强生成流程。传统做法直接把用户问题和相似文档片段塞给模型，问题在于用户口语化提问会带入噪音、相似文档未必有用、检索内容可能被人恶意植入指令。新方案在检索前用两次大模型调用改写并扩展问题，检索后用 JevDocumentFilter 和 JevDocumentReranker 过滤、重排文档，再交给模型生成答案。整套流程通过一个 advisor builder 配置，配套有可运行的 05-1-modular-rag 示例模块，方便与朴素版本对比。需要 TypeSafe API Key，过滤和重排依赖 Jev 模型。
文中可用工具
- Spring AI构建 RAG 管道的 Java 框架
- TypeSafe提供类型化输入输出和 Jev 模型
- JevDocumentFilter过滤检索到的无用文档片段
- JevDocumentReranker对检索结果重新排序并保留前几条
- RetrievalAugmentationAdvisor模块化 RAG 的 advisor 入口
- RewriteQueryTransformer把口语化问题改写成适合检索的查询
- MultiQueryExpander把一个查询扩展成多个不同查询
- VectorStoreDocumentRetriever从向量库中做相似度检索
- ContextualQueryAugmenter把上下文和问题拼进提示词
- PagePdfDocumentReader读取 PDF 文档用于入库
- TokenTextSplitter把文档切分成小块
展开详情收起详情：Spring AI 模块化 RAG 与 TypeSafe Jev：检索更多，只保留有用的⌄
Spring Blog
原文发布：2026-10-02 08:00收录：2026-10-03
Bit Cloud 推出了 2.0 版本和内置 AI 构建器 Hope。过去，开发者用 AI 生成应用初版后，还缺一个能运行、审查和继续迭代的地方。这次他们把应用创建和后续的部署、复用、协作放在同一个平台里，已有的登录、数据库和外部集成等组件可以被其他项目直接复用，减少重复工作和 token 成本。对读者来说，这意味着团队可以少写重复代码、少审查新代码，还能在手机上做预览和代码审查。目前这是播客中介绍的新版本，演示了从 Instagram 风格原型到应用架构，以及失败测试提前暴露问题的流程，但具体发布时间和价格原文未说明。
文中可用工具
- Bit Cloud 2.0一个把应用创建、运行和组件复用放在一起的平台
- HopeBit Cloud 内置的 AI 构建器，帮助从提示词生成应用
- Claude Code原文只提到用它处理已有代码库，未说明具体用途
- Cursor原文只提到用它处理已有代码库，未说明具体用途
展开详情收起详情：AI 构建应用之后，Bit Cloud 的新篇章才刚开始⌄
The New Stack
原文发布：2026-10-02 01:00收录：2026-10-02
Harness 在 30 天内发布了 102 项产品更新，差不多每 7 小时就有一项。它解决的是：代码写得很快，但后面的构建、测试、安全检查、审批和部署仍然很慢。这个月它把合并队列、命令行工具、基础设施密钥扫描等能力补齐，还让 ChatGPT 可以直接管理 Harness 流水线。对开发团队来说，等待构建和部署的时间可能缩短，安全扫描也更容易内嵌进流程。部分功能已可用，但具体开放范围原文未说明。
文中可用工具
- ChatGPT通过插件管理 Harness 流水线、策略和部署
- Harness CLI通过 Homebrew 安装，用于命令行操作 Harness
- Gitleaks在基础设施管道中扫描密钥
- SonarQube在基础设施管道中做代码质量与安全扫描
- Claude通过 AI 工具操作 Harness MCP Server，管理基础设施
- Cursor通过 AI 工具操作 Harness MCP Server，管理基础设施
- Harness MCP Server连接 AI 工具与 Harness，执行基础设施工作流
- LiteLLM作为路由层，统一和转发多模型请求
- Homebrew在 macOS 上安装 Harness CLI
- JFrog Artifactory使用 OIDC 认证上传构建产物
- Terraform通过 Artifact Registry 插件推送模块到注册表
- Claude Code驱动 CLI 使用的主要模型
展开详情收起详情：完成交付：Harness 2026 年 9 月发布内容汇总⌄
Harness Blog
原文发布：2026-10-02 02:23收录：2026-10-02
微软把 Azure Container Apps Express 正式推向市场，同时转正的还有它底层用的 Container Apps Sandboxes 微虚拟机计算层。以前用容器服务，常常要先配置一堆运行环境，挺繁琐；Express 把这些步骤省掉了，没有流量时还能缩到零，需要时从预热好的池子里快速启动，不到一秒就能跑起来。不过它也有明确限制：不支持自定义域名、区域冗余、Key Vault 引用、OpenTelemetry 和 Dapr。对想快速跑起简单容器应用、又不需要那些高级功能的开发者来说，这可以少折腾环境配置，更省事。
文中可用工具
- Azure Container Apps Express微软提供的容器托管服务，可省去环境配置并缩容到零
- Container Apps SandboxesExpress 底层运行的微虚拟机计算层
- Key Vault原文仅列出名称，未说明用途
- OpenTelemetry原文仅列出名称，未说明用途
- Dapr原文仅列出名称，未说明用途
展开详情收起详情：Azure Container Apps Express 正式发布，运行于新近 GA 的沙箱层之上⌄
InfoQ Architecture & Design
原文发布：2026-10-01 14:31收录：2026-10-02
这是 Spring 社区播客 Bootiful Podcast 的一期节目，主持人与嘉宾 Andres Almiray（JReleaser 的作者、Java 冠军）聊了桌面 Java、JavaFX 和打包发布工具。他们重点介绍了 JReleaser：一个帮 Java 项目自动发布版本、打包原生安装程序、生成校验和签名、并把公告发到社交平台的工具，支持 GitHub、GitLab、Maven Central 等渠道。节目还谈到它如何配合 JLink、JPackage 使用，以及为何对 JBang 这类项目变得重要。对 Java 开发者来说，这是一期了解如何更省力地打包和发布软件的闲聊节目，没有发布新版本或具体操作步骤。
文中可用工具
- JReleaser帮 Java 项目自动发布版本、打包安装程序、生成校验和签名并发布公告的工具
- JavaFX用于构建 Java 桌面应用界面的框架
- Electron原文提到其带来的痛苦，未说明具体用途
- JLink用于裁剪和生成定制 Java 运行时的工具
- JPackage用于把 Java 应用打包成各平台原生安装包的工具
- JBang用于直接运行 Java 脚本和程序的工具，原文称 JReleaser 对其很重要
展开详情收起详情：Bootiful 播客：JReleaser 作者、Java 冠军 Andres Almiray 访谈⌄
Spring Blog
原文发布：2026-10-01 08:00收录：2026-10-02
一家叫 The Den 的社交俱乐部正准备开新店，原本准备拨款申请要花 3 天、酒类执照材料要花 4 天，人手和时间都很吃紧。他们改用 ChatGPT Work 来帮忙起草和整理这些文件，结果拨款申请 2 小时就能搞定，执照材料 3 小时完成。每周因此省下 10 到 15 个小时，可以拿去拓展业务而不是埋在文书里。目前看到的是他们已在使用并取得效果，但原文没有说明具体用到的功能、费用和正式发布时间。
文中可用工具
- ChatGPT Work帮助俱乐部起草和准备拨款申请、酒类执照等文书材料，缩短办理时间
展开详情收起详情：The Den 借助 ChatGPT Work 每周省出 10 至 15 小时专注发展⌄
OpenAI News
原文发布：2026-10-01 08:00收录：2026-10-02
Datadog 的工程师发现，过去用来分析 Python 程序运行快慢的工具（火焰图）在看 asyncio 异步代码时，会搞不清“哪个任务等哪个任务”，导致看不出性能问题是哪条调用路径造成的。他们新做了一种“异步感知”的分析方式，像记录函数调用关系一样记录任务之间的父子依赖，再把相关任务叠起来展示，这样就能看出一个协程到底在等什么。同时他们还把分析器自身的额外开销降低了 60% 以上，并产出更精细的数据。对用 Python 写异步服务的人来说，以后定位异步任务的性能瓶颈会更清楚。文中没有说明这个新版分析器是否已对所有用户开放。
文中可用工具
- Datadog Python profiler用于分析 Python 程序性能、生成火焰图的性能剖析工具
- asyncioPython 中编写异步并发程序的库，用协程和任务替代手动管理线程
展开详情收起详情：我们如何构建异步感知的 Python 性能分析器⌄
Datadog Blog
原文发布：2026-09-30 08:00收录：2026-10-01
安全公司 Snyk 在 2026 年 9 月 30 日宣布，Evo Agentic Development Security（Evo ADS）里的“治理 Agent 行为”功能正式可用，首个落地场景是 MCP 治理。问题在于：AI 编程助手通过 MCP（模型上下文协议）能连上数据库、内部接口等外部系统，但连了哪些服务器、是否可信，往往没人管，可能被恶意服务器偷走凭证。MCP 治理让安全团队先列出批准使用的 MCP 服务器清单，再持续监测和记录越权使用，并在 Agent 连接的那一刻本机拦截，目前已支持 Claude Code、Cursor、Codex 和 GitHub Copilot。这样安全团队不用改架构就能给 Agent 的工具调用上锁。
文中可用工具
- Evo ADSSnyk 推出的 Agentic Development Security 平台，用于控制 AI 编程 Agent 运行时能做什么，本次随行为治理功能一同可用
- MCP GovernanceEvo ADS 下的首个治理用例，可发现、批准、监控、记录并阻止 MCP 服务器使用，已正式可用
- Claude Code支持 MCP 治理本机执行的 AI 编程 Agent 之一，原文未说明具体用途细节
- Cursor支持 MCP 治理本机执行的 AI 编程 Agent 之一，原文未说明具体用途细节
- Codex支持 MCP 治理本机执行的 AI 编程 Agent 之一，原文未说明具体用途细节
- GitHub Copilot支持 MCP 治理本机执行的 AI 编程 Agent 之一，原文未说明具体用途细节
展开详情收起详情：Evo ADS 的 Agent 行为治理功能正式可用：让 MCP 使用变得可控⌄
Snyk Blog
原文发布：2026-09-30 12:00收录：2026-10-01
这篇文章介绍了一种叫 Agentic AppSec 的新做法：让一组 AI 安全智能体来承担整个应用安全工作。背景是 AI 写代码的速度远超人工安全审核的速度，发现的问题远多于修掉的问题——据 Snyk 2026 年 6 月的数据，每修复 1 个漏洞，大约新增 6 个漏洞。做法是把安全工作拆成六个连续循环的步骤：理解应用、建立威胁模型、找出真正重要的漏洞、决定先修哪些、生成并验证修复、再独立证明修复真的有效；每个智能体只负责一件有明确触发条件和输入输出的任务。文章强调三个前提：智能体要基于共享的应用上下文模型（Snyk 称为 application-context graph），任务要有边界，验证必须由产出结果之外的东西来做，因为 LLM 单独找漏洞的结果很不稳定。对读者的意义是：这是 Snyk 提出的方法论介绍，不是可直接使用的现成产品。
文中可用工具
- Snyk VulnBench JS 1.0文中提到的基准测试用来说明 LLM 单独找漏洞的结果不稳定，原文未说明是否开放使用
- application-context graphSnyk 提出的共享应用模型，供各个智能体在行动前读取，原文未说明是否对外可用
展开详情收起详情：什么是 Agentic AppSec？⌄
Snyk Blog
原文发布：2026-09-30 12:00收录：2026-10-01
这篇文章介绍了 IAST 这种安全测试方法。以往检查应用漏洞，要么是静态扫描代码（SAST），要么从外面发攻击请求试探（DAST），前者容易误报，后者看不到内部细节。IAST 的做法是在应用运行时往代码里装监控探针，跟踪数据从输入到数据库查询的流动，能在发现 SQL 注入、XSS 等问题时给出具体代码位置。它的代价是部署更麻烦、有一定性能开销，在微服务环境里维护成本更高，而且必须在应用跑起来之后才能用。
展开详情收起详情：什么是交互式应用安全测试（IAST）？⌄
Harness Blog
原文发布：2026-09-30 08:15收录：2026-10-01
Cursor 推出了一套叫 Continuity 的 Git 存储方案。原本 Git 仓库分散存储在本地磁盘上，规模一大就容易在读写一致性和副本同步上碰到瓶颈。它的做法是先把每次代码改动写进 S3 上的“预写日志”，以这份日志作为唯一可信记录，本地 NVMe 磁盘上的仓库只当缓存用，副本之间的协调与数据一致性也拆开处理。据 Cursor 称，在合成测试中读取性能可随副本数线性扩展，最多支持 100 个副本；使用 S3 Express One Zone 时每秒能处理超过 300 次推送。需要说明的是，这些数据来自合成测试，并非生产环境实测，也暂未提及该架构何时对外开放。
文中可用工具
- ContinuityCursor 推出的 Git 存储架构，用 S3 预写日志保存代码，支持大规模读写
- S3作为存储预写日志和仓库数据的对象存储服务
- S3 Express One Zone低延迟 S3 存储类型，用于支撑每秒超过 300 次推送的测试结果
展开详情收起详情：Cursor 借助 S3 WAL 将 Git 存储扩展至每秒超过 300 次推送⌄
InfoQ Architecture & Design
原文发布：2026-09-30 21:47收录：2026-10-01
Dynatrace 对所有应用做了一次界面改版，用户打开应用就会发现外观变了。过去界面层次感偏重、深色模式对比度不够，状态和图表颜色也不容易区分。这次改版减少了页面表面的视觉堆叠，改善了深色模式对比度，让颜色更鲜明、更易区分，并新增图表主题配色；由于所有应用共用 Strato 设计系统，改版同一天覆盖全部应用，用户和开发团队都不用做任何操作。此外还能直接输入值来筛选而无需先查字段名，并可跨应用复制粘贴时间范围。
文中可用工具
- StratoDynatrace 的共享设计系统，提供颜色、阴影、边框等设计变量以及按钮、表格等通用组件
- Grail应用可直接查询的数据存储
- Smartscape应用可查询的拓扑与依赖关系数据
- DQL跨日志、指标、追踪、事件和拓扑的统一查询语言
- Dynatrace Intelligence供应用调用，用于根因分析和预测
- App Development MCP server让 IDE 助手获得组件目录、代码示例、应用体验标准和可搜索的 DQL 知识库，加快开发
展开详情收起详情：为每个 Dynatrace 应用带来设计焕新，包括你的应用⌄
Dynatrace Blog
原文发布：2026-09-29 23:02收录：2026-09-30
OpenAI 在年度 DevDay 大会上发布了一个名为 Decisions API 的新接口，用来专门做“从固定选项里挑答案”这类任务。以前开发者用聊天模型加提示词来做，结果慢、置信度也不准；或者自己训练小分类器，但每次改标签都要重新训练。这个 API 基于 OpenAI 最小的 Luna 模型，开发者只要给出问题、候选答案和背景，它就能在约 150 毫秒内返回带置信度的结果，适合内容分类、请求路由或帮智能体选下一步。目前它只在小范围预览，几天后才会大范围开放，每次调用价格、单次能处理多少候选答案、能否用自己的数据微调都还没说。
文中可用工具
- Decisions APIOpenAI 新推出的决策接口，能从预设答案中快速返回带置信度的选择，适合分类、路由或给智能体选下一步。目前仅限小范围预览。
- LunaOpenAI 当前产品线中最小、最便宜的模型，Decisions API 就建立在它之上。
- Moderation APIOpenAI 已有的内容审核接口，返回各类别分数而非文字，文中作为决策模型的类比提到。
- JevTypeSafe 推出的决策模型，文中称其突然流行，促成了 OpenAI 此次回应。原文未说明具体用途细节。
展开详情收起详情：OpenAI 以基于 Luna 的决策 API 回应 TypeSafe 的 Jev⌄
The New Stack
原文发布：2026-09-30 01:15收录：2026-09-30
OpenAI 在 DevDay 上宣布，ChatGPT Plus 和 Pro 订阅用户现在可以用自己的 ChatGPT 账号登录一批第三方 AI 和编程工具，并直接使用订阅里包含的额度，而不必另外付钱或填 API 密钥。此前“使用 ChatGPT 登录”只能用来登录账号，不能把订阅额度带过去，用户在这些工具里还得单独付费。这次有 16 家工具首批支持，包括 Devin、Amp、Warp、Notion、Vercel 等，Lovable 稍后加入；用户可以在 ChatGPT 设置里给每个应用设每周用量上限，达到上限就停止，不会自动转成第三方收费。
文中可用工具
- ChatGPTOpenAI 的 AI 助手，订阅额度可用于第三方工具
- AmpAI 编程平台，可使用 ChatGPT 订阅额度
- DevinAI 编程工具，可使用 ChatGPT 订阅额度
- LovableAI 编程平台，原文称即将支持 ChatGPT 订阅额度
- OpenClawAI 编程工具，可使用 ChatGPT 订阅额度
- Notion笔记与生产力平台，可使用 ChatGPT 订阅额度
- Vercel开发者部署平台，可使用 ChatGPT 订阅额度
- OpenCode编程工具，原文仅列为首批支持
- Pi原文仅列为首批支持
- T3原文仅列为首批支持
- Warp终端编程工具，原文仅列为首批支持
- Dactyl原生移动应用 vibe coding 平台，Agent 可使用 ChatGPT 订阅额度
展开详情收起详情：OpenAI 推出“使用 ChatGPT 登录”，让第三方开发者工具可直接使用 ChatGPT 订阅额度⌄
The New Stack
原文发布：2026-09-30 01:31收录：2026-09-30