跨栏目检索
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。
今天暂时没有新上架内容，你可以继续浏览历史归档。
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。
提供的材料未提及具体可用工具。
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。
arunsaikumarB/AI-Interview · AI Interview — self-hosted recruitment OS (advisory AI)
Logisoft HireOS 是一个自托管的 AI 招聘操作系统，将 ATS（职位与候选人管理、简历上传解析、拖拽式流程看板）、AI 筛选、自适应 AI 面试、监考信号与评估报告整合在一起。项目强调 100% 本地/自托管，AI 通过本地 Ollama 调用、不使用云数据库或 OpenAI API，AI 结果仅作为辅助建议，最终录用决策与阶段推进由人工完成并记录理由。仓库以 TypeScript 实现，采用 Next.js 14、PostgreSQL + pgvector、Prisma 等技术栈，README 中按阶段给出了从基础设施到人才库与分析的构建顺序。
abusayeed64548-cpu/ComfyUI-Fantastic-MiniMaxH3-PromptBuilder · Build structured prompts with reference media for MiniMax H3 video model in ComfyUI.
该项目是一个面向 ComfyUI 与 MiniMax H3 视频模型的提示词构建工具，提供提示词编辑、模板保存与分类、变量插入、Token 计数等功能，并内置媒体库用于导入图片、视频和音频、打标签、缩略图预览与批量操作；还可配置 MiniMax H3 API Key 发送提示词并保存生成结果与历史记录。README 以 Windows 桌面应用形式给出下载、解压和运行说明，但仓库元数据标注语言为 JavaScript，具体实现细节与开源许可为 MIT。项目实际可用性、与 ComfyUI 的集成方式、API 调用成本与限制均未在材料中说明。
sbshihab24/AI-Job-Recruitment
这是一个 Streamlit 应用，可导入候选人简历（PDF、DOCX、CSV、Excel 等）并解析岗位描述（文件或直接粘贴），调用 OpenAI Responses API 与 Pydantic 结构化模型，对技能、经验、学历、薪资、地点、语言和证书等维度进行打分，生成优势、缺失要求、风险提示、招聘摘要与建议行动，并支持将候选人、岗位、评分与解释结果导出为 JSON。项目自带大量已知限制说明（如候选人解析提示词复用岗位提示词、XLSX/XLS 未在导入层路由、上传文件不自动删除、缺少 .gitignore 与密钥管理、冒烟脚本会产生真实 API 调用费用、缺少重试与超时处理等），适合作为招聘辅助原型参考，不应用于自动做出最终录用决策。
mearslanahmed/TalentSift · An intelligent applicant tracking system (ATS) and recruitment platform featuring automated AI screening interviews, candidate practice sessions, and AI-optimized job postings.
TalentSift 是一个智能申请人跟踪（ATS）与招聘平台，连接求职者与招聘方。平台面向招聘者和求职者提供分角色工作区，核心 AI 能力包括自动化 AI 筛选面试（即时评分）、候选人 AI 练习面试（基于 LangChain 与 Groq 提供即时评分与反馈）、AI 职位标题生成器以及嵌入式 LLM 聊天助手，并支持申请状态跟踪、邮件 OTP 验证、实时通知、职位审核与 Stripe 订阅付费。技术栈为 Next.js 前端 + Django REST Framework 后端 + PostgreSQL，生产环境采用 Vercel、Render、Supabase、Cloudinary、Brevo 等托管服务。
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。
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。
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。
Featherless 是一家提供无服务器推理服务的公司，它发布了一个叫 Simple Jev 的开源库，能把开源 AI 模型变成高速的“零样本分类引擎”。原来的问题是，很多开发者用超大的前沿模型去干分类这种简单活，比如判断一张图片或一段文字属于哪一类，既慢又贵，就像开坦克送披萨。Simple Jev 不让模型写长篇回答，而是直接读出它对各个选项的打分并给出概率，因此更快、更省算力。开发者可以用免费公共接口试玩（限制 2000 词上下文、每秒 2 次请求），生产环境起步价每百万输入 token 0.03 美元，输出免费；目前视觉分类仅支持 Gemma 或 Qwen 模型。
很多企业还在用老办法改 Oracle 数据库结构：手写 SQL 脚本、DBA 审批、午夜窗口执行。Oracle 的 DDL 不自带事务回滚，还有 RAC 集群、Data Guard 备库等特殊限制，让自动化比 MySQL、Postgres 更麻烦。Harness Database DevOps 通过 JDBC 连上 Oracle，把模式变更放进 Git 版本控制和 CI/CD 流水线，配合策略即代码护栏、预检校验和测试过的回滚脚本，让改数据库和改应用代码一样快、一样安全。对读者来说，如果团队正被 Oracle 手工改表流程拖慢，这套思路提供了一条可参考的落地路径。原文未说明该产品当前是否已正式可用或仅演示。
Cloudflare 宣布 Python Workers 正式可用（GA），意味着开发者可以直接在 Cloudflare 的服务器less平台上运行 Python 代码。它基于 PEP 783 标准，并通过 Workers 的 connect API 实现网络访问。不过官方没有公布性能数据，有人担心代码依赖的上游开源库以后由谁维护，也有人追问冷启动要多久。Cloudflare 自己早前的文章提到过约 1.027 秒，这次没有更新。对于想用 Python 写 serverless 应用的人来说，功能已可用，但性能和维护责任还没说清楚。
亚马逊最近推出了 Amazon CloudWatch Omni，这是一个以 AI 为核心的监控平台。它想解决的问题是：以前监控软件和监控自主 AI 智能体往往要分开做，很麻烦。这个平台把监控、评估和排查故障放在同一个环境里，让你能同时照看普通应用和 AI 智能体。对开发者来说，以后排错可能更省事，不用在多个工具之间来回切换。目前只是发布消息，具体怎么用、是否已经开放给所有人，材料没有说明。
MinhDat205/ai-recruitment-agent
一个基于 Spring Boot 与 React 的全栈招聘平台，面向 HR 和求职者两类用户。系统内的 AI 负责三件事：将 CV 抽取为结构化数据、按 HR 自定义的 rubric 逐项打分、对分数给出解释并附 CV 引用。AI 不负责加权汇总、排名或录取决定，这些交给后端基于显式权重的计算与 HR 的最终判断。技术栈包括 Java 25、Spring Boot 4.1、Spring AI 2.0（Anthropic 对话、OpenAI 嵌入、PgVector 向量库）、PostgreSQL 17 + pgvector、React 19 与 Vite。项目目前处于初始化阶段，尚未实现任何功能。
SnowWarri0r/licai · 本地化个人理财助手 — A股/基金/理财/现金/数字资产/机器人全资产看板 + 市场AI问答 + 个股K线盘口详情 + 板块对比 + 早盘信息简报 + 资讯AI解读。只给客观信息，不荐买卖。
licai 是一个本地化部署的个人理财助手，把 A股、基金、银行理财、现金、数字资产和量化机器人统一装进一个看板，并提供市场 AI 问答、个股详情（K线/盘口/分时）、全市场榜单、板块雷达、全球指数、早盘简报与复盘归因等功能。数据全部存储在本地 SQLite，没有云端和账号；AI 问答挂了约 40 个数据工具，会自行选择工具取数后做客观解读，只给客观信息不给买卖建议。
shrs425p/AI-Recruitment-System · A desktop app that automates the hiring workflow — from resume parsing and NLP extraction to candidate ranking, scheduling, interview question generation, and reporting — all in a single user-friendly interface.
AI Recruitment System 是一个面向技术招聘的桌面应用，将简历解析、NLP 特征抽取、候选人按岗位加权排名、面试排期、面试问题生成、网页监考与报告输出整合进单一界面。它支持本地 Ollama 隐私模式与 8+ 云服务商的轮询负载均衡，提供带一次性令牌的面试门户、摄像头活体检测与浏览器违规追踪、离线语音问答、AES 加密凭据存储及 PDF 报告。
Varad1006/Smart-resume-shortlisting-system · Developed an industry-driven AI recruitment system that performs semantic resume–job matching and parses multilingual/handwritten resumes using OCR + NLP. Combined contextual similarity with GitHub activity scoring to produce fair, accurate candidate shortlists and reduce manual screening effort.
该系统面向招聘场景，将简历按职位描述进行语义匹配和排名，并展示排名依据。它支持读取 PDF、Word 文档、扫描件和手机照片（含手写体），覆盖 90 多种语言；通过 OCR 将非文本简历转为文字，再按语义而非关键词比较简历与职位描述。职位要求会被逐条打分，并附上满足该要求的简历原文片段作为证据。可选功能包括基于公开 GitHub、LeetCode、CodeChef 活动的公平加分（最高 +10，且不会对无此类资料的候选人扣分），以及针对排名靠前候选人生成的 AI 摘要（优势、差距、面试问题），AI 摘要仅用于解释排名，不改变分数。项目通过 docker compose up 一条命令启动 Web 应用，并保留历史运行记录。
Anthropic 收购了 SDK 和 MCP 工具公司 Stainless，随后 Stainless 宣布关停产品，包括其 SDK 生成器。这让 OpenAI、Google 和 Cloudflare 等曾依赖该服务的公司突然失去了自动更新 SDK 的工具。Cloudflare 于是开源了自研工具 Forge，它读取 OpenAPI 描述，自动生成 SDK、命令行工具和文档等接口。Forge 采用 Apache 2.0 许可证，可私有运行和修改，目前仍处早期阶段，已用于生成 Cloudflare 的 cf CLI，其官方 SDK 和文档将在未来几个月迁移过来。同期 Google 也与 Speakeasy 合作开源了 OpenAPI 代码生成套件。
JFrog Artifactory 的替代方案该怎么选？这篇博客建议先弄清楚三件事：它是否支持你实际使用的软件包格式，安全扫描是否内置，以及定价模型会不会因为正常的 CI/CD 流量而多花钱。文章说，换仓库通常是被成本、复杂度和安全缺口逼出来的；真正迁移前要清点现有仓库、梳理依赖、先在最重的流水线上试跑再切换。对读者来说，这是一份迁移前的检查清单，而不是具体推荐某个产品。
安全公司 Harness 做了一次基准测试，比较两类查代码漏洞的 AI 工具：直接让大模型扫描代码的“LLM 扫描器”，以及传统扫描器加 AI 复核结果的方式。测试发现，LLM 扫描器误报少（准确率高），但漏报严重，很多真漏洞没找到；同一份没改过的代码重复扫描，结果、耗时和花费都不一样。它还比传统方案慢 1.6 到 37 倍、贵 6 到 39 倍。因此 Harness 建议：LLM 扫描可用于渗透测试和关键应用的定期深度扫描，日常代码提交的持续扫描还是用传统扫描器加 AI 复核更稳、更省。