搜索归档

GitHub 的秘密检测模型：用更少的噪音发现更多秘密

GitHub 改进了它用来扫描代码里密钥、密码等敏感信息的检测方式。以前用大型语言模型来判断，误报多、速度慢、成本高，因为很多看起来像密钥的字符串其实是测试用占位符或校验码。现在 GitHub 换成两段式流程：先用规则快速找出所有可疑字符串，再用一个专门训练的小模型 ModernBERT 结合文件路径、变量名和周围代码判断它是不是真的密钥。结果是用户接受警报的比例提高了 11.5%，扫描中位耗时降低 86%，服务器成本降低 98% 以上，并且这套方法已经用在提交前的拦截保护里。

Cloudflare 的 OHTTP 网关拒绝解密经由 Cloudflare 到达的请求

Cloudflare 正在小范围测试一个叫 OHTTP Gateway 的新服务。OHTTP 是一种让服务器能看到请求内容、却看不到是谁发来的技术：请求先被加密封装，中间转发者只知道发送者是谁，而最终的网关只负责解密内容、不知道发送者是谁。Cloudflare 这次的一个特别设计是：如果请求是从 Cloudflare Workers 发出、或者来自通过 Cloudflare 代理的服务器，网关会直接拒绝解密。因为一旦解密，发送者身份和请求内容就落到同一方手里，隐私保护就失效了。目前该服务处于封闭测试阶段，尚未公开可用；原文没有说明具体开放时间、价格或申请方式。

演讲：EVE Online 如何利用头部采样观察“乐趣”

EVE Online 的工程师 Nicholas Herring 在一场演讲中，介绍了这款已有 20 年历史的网游是如何做分布式追踪和可观测性的。难点在于游戏服务器实时处理海量事件，如果样样都记录，数据量太大、成本高，还可能拖慢游戏本身。他们的做法是在追踪一开始就决定采不采样（头部采样），并配合动态指数移动平均（EMA）和确定性采样，在保证数据能反映真实运行情况的同时控制开销。对做大型在线系统的读者来说，这是一套在“看得清”和“跑得快”之间取平衡的实战经验。

智能体、评估与 LLM 成本的生产实践：QCon AI 纽约 2026

QCon AI 纽约 2026 大会（12 月 15 日至 16 日）已确认一批工程师演讲，主题是 AI 进入生产环境后遇到的真实难题。原来，模型上线后代码产出快到来不及审查，token 花销不断上涨，评估结果必须足够可靠才能据此决策，智能体还需要权限和护栏来约束。这些演讲会分享工程师们如何应对这些限制。对读者来说，可以借此了解把 AI 放进生产系统时，同行都在关心哪些问题和做法。目前只公布了会议时间和已确认的演讲，具体议题内容原文没有说明。

Gemini 4 Argon：为解决最棘手问题而打造

谷歌发布了 Gemini 4 Argon 模型，面向开发者、企业和订阅用户开放。它擅长处理编程、金融、法律、网络安全等复杂多步骤任务，在 Vals Index 上排第一。内部团队用它做了不少实际工作：比如帮助 Chrome 整理 4000 万行代码中的遗留部分，完成原本要几个月的重构；还让开源库 xTB 预测分子结构快了 2.3 倍、Gemma 模型推理速度提升 2.85 倍。对普通用户来说，这款模型目前可以通过 API 和谷歌部分订阅服务使用，具体哪些功能免费、哪些要付费，文章没有说得太细。

Gemini 4 Argon for Robotics

摘要整理中，请查看原文。

负责任且安全地开发 Gemini 4 Argon

Google 正在把新一代模型 Gemini 4 Argon 从限量试用推向更广泛的开放。它擅长编程、金融、法律、网络安全和科研等复杂任务，能帮安全人员找出以前模型漏掉的软件漏洞，比如 Wiz 用它发现医院软件中的严重缺陷。问题是能力越强，被坏人拿去写攻击代码或研究危险生物材料的风险也越大，模型还可能为完成任务而越界。为此 Google 加了三道实时防线：先由小模型筛查请求、再用探针读取模型内部信号、最后持续监控输出，同时训练模型尊重系统边界、如实报告、遇到不确定就停下来问人，并配备自动越界监控。普通读者可以理解成：这类模型正被更谨慎地放开，既有实用价值，也被加上了防滥用和防失控的护栏。目前 Argon 已开始逐步开放，Fairwind 计划也在扩大；但正文未说明具体开放时间、地区和完整可用范围。

Gemini 4 Argon：为攻克最难问题而生

Google 发布并全球上线了新模型 Gemini 4 Argon，开发者、企业以及部分订阅用户现在就能通过 API、Antigravity、Gemini 应用和搜索的 AI 模式使用它。它主要解决复杂多步任务上“不够深、不够准”的问题，官方称其在编程、金融、法律、网络安全和科研等领域表现超过其他前沿模型，并在衡量这些行业表现的 Vals Index 上排第一。定价是每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入可打九五折。对读者的意义是：如果你从事代码重构、漏洞排查或专业分析等工作，多了一个可能更快完成数周甚至数月任务的工具，但它对普通日常问题是否更好用，原文没有说明。

Higgsfield 将 AI 视频时长从 1 分钟提升至 10 分钟以上

Higgsfield 这家做 AI 视频的公司宣布，它现在能生成超过 10 分钟的视频了，而以前大概只能做 1 分钟。它靠的是新模型 GPT-6 Astra 来拉长视频，用 GPT-Image-2.5 让画面更精确，还提到一条通向“用声音做电影”的路线，工具叫 GPT-Live。对做视频的人来说，这意味着可以用 AI 生产更长的片子，不用被一分钟的长度卡住；不过这些能力是否已经能实际使用、具体怎么用，材料里没有说明。

在 LangSmith 中用 AI Search 按行为搜索智能体轨迹

LangSmith 是管理和查看 AI 智能体运行记录（trace）的工具，每条记录包含用户说了什么、智能体怎么回应、调用了哪些工具。以前想找“用户是否不满”或“有没有泄露隐私信息”这类记录，只能靠关键词搜索或事先写好评测脚本，因为这些问题对应不上标签或元数据。现在 LangSmith 新增 AI Search：用大白话描述你想找的行为，系统用一个快速决策模型逐条阅读轨迹并返回命中的记录，还借助统一的轨迹视图压缩重复内容让搜索更快。对团队来说，找评测样本、排查问题或挖掘用户反馈都会省力很多。该功能现已推出，可与现有筛选条件一起使用。

用 ScaleDown 与 Deep Agents 构建长时间运行的智能体

LangChain 把 ScaleDown 的专用小模型接进了 Deep Agents 和 LangChain 智能体框架里。原来长时间运行的智能体上下文会越堆越满，而用通用大模型去摘要历史、压缩工具结果又慢又贵。现在换成专门做单一任务的 ScaleDown 模型（摘要、压缩、抽取、分类），官方称这些窄任务上比前沿模型快 200 倍、便宜 467 倍，单次最多能读 100 万 token，还能直接处理图片和扫描 PDF。做智能体的开发者可以借此降低每次决策的成本和延迟，也可通过 LangSmith LLM Gateway 追踪调用和用量。

Open SWE：面向内部编程智能体的开源框架

几家大公司（Stripe、Ramp、Coinbase）各自做了内部的编程 AI 助手，虽然独立开发，但做法却惊人地相似：都在云端隔离沙箱里跑、只用少量精选工具、从 Slack 里召唤、开工前先把任务上下文拉全。现在有人把这些共同经验打包成开源框架 Open SWE，基于 Deep Agents 和 LangGraph 搭建，代码可定制，不用从零造轮子。对想给团队部署内部编程智能体的公司来说，它可以直接当起点。不过文章只发了框架，没说更多落地数据。

通过 harness 工程改进 Deep Agents

LangChain 给自家的编程智能体 Deep Agents CLI 换了一套围绕模型的“外骨架”（系统提示、工具和中间件），用来引导模型的能力。原来的做法缺少测试和验证，智能体常写完代码、自己看一遍就停下，导致成绩只有 52.8 分，排在 Terminal Bench 2.0 榜单 30 名开外。这次他们加了强制自检清单、注入目录与工具环境信息、以及时间预算提醒，还用追踪数据自动分析失败原因，成绩提升 13.7 分到 66.5 分，进入前五。对读者的意义是：不改模型本身，靠工程化外围设计也能明显提升智能体表现；不过其追踪分析技能尚未发布，仍在测试中。

Deep Agents 的上下文管理机制

LangChain 团队开源的 Deep Agents SDK 是一个帮开发者搭建 AI 智能体的工具包，这类智能体可以自己规划任务、派生子智能体、读写文件，去完成耗时很长的工作。问题是任务一长，对话内容就会超出模型能记住的容量，导致 AI「忘事」、表现变差。为此它用三招省内存：工具返回内容超过 2 万 token 就存到文件系统里，只留一个路径和前 10 行预览；上下文用到 85% 时，把旧的写文件操作替换成文件路径，不再重复占位置；再不够就把整段对话压缩成一份摘要，同时把原始记录完整存进文件系统，需要时再查回来。这样开发者能让 AI 长时间干活而不容易「失忆」。

开源模型已跨过临界点

LangChain 团队用 Deep Agents 测试框架跑了一批开放权重模型，发现 GLM-5 和 MiniMax M2.7 在文件操作、工具调用、指令遵循这些智能体核心任务上，已经和 Claude Opus 4.6、GPT-5.4 等闭源顶级模型打得差不多。过去用闭源大模型跑智能体，又贵又慢：每天输出 1000 万 token，Opus 4.6 大约要 250 美元，MiniMax M2.7 只要约 12 美元，一年差出近 8.7 万美元。开源模型还能跑在 Groq、Baseten 这类专门优化的推理服务上，延迟和吞吐都更好。不过这还只是早期评测结果，团队正在继续扩充测试集；普通用户暂时用不上，主要意义是给要做智能体产品的开发者一个更便宜、更快的选择。

Deep Agents Deploy：Claude Managed Agents 的开源替代方案

LangChain 今天发布了 Deep Agents Deploy 的测试版，它能让开发者用一条命令把自定义 AI 智能体部署到生产环境。此前，部署一个智能体需要自己搭建可扩展的服务器、为每次会话创建沙箱、再接通各种接口，步骤繁琐。这次它把这些打包成 `deepagents deploy`，你只需指定模型、指令文件、技能和工具配置即可上线，而且底层用的是开源、不绑定任何模型厂商的框架，所以智能体的记忆存在你自己的数据库里，换模型或换平台时不用从零开始。目前是 beta 测试版，记忆格式用 AGENTS.md 等标准文件保存，支持通过 API 直接查询。

我们如何让文档自己测试自己

LangChain 团队把文档里的示例代码变成 CI 可自动测试的代码，方法是用 Deep Agents CLI 这个命令行智能体，配上预先写好的技能（类似给同事的步骤说明），让智能体自动把文档里的内联代码抽成独立文件、补全可运行的环境、加标记、跑测试，再嵌回文档。原来这些示例是静态的，API 或依赖一变就悄悄失效，而手动改造又太费工，所以很多团队干脆不做。现在只需在文档仓库里对智能体说一句“把某个文件里的内联代码迁移成可测试的示例”，它就会照技能执行，再配合 GitHub Action 定期跑测试并在失败时开单。这一做法目前是 LangChain 团队自用的示例，Deep Agents CLI 可查看官方文档试用，技能脚本需自己在仓库中配置，并非开箱即用的成品服务。

LangChain 中的 MCP：无状态协议、elicitation 等更新

LangChain 把 MCP 支持搬进了主包，现在放在 langchain.mcp 里，不再需要单独安装 langchain-mcp-adapters。MCP 是一种让 AI 智能体调用外部工具的通用协议，过去每次调用都要先开一个会话、记住会话编号，服务器一重新部署，正在进行的会话就断了，运维起来很麻烦。新版 MCP 规范改成了“无状态”，所以 LangChain 顺势支持了工具列表缓存，以及 elicitation（工具执行中途反过来问用户问题，比如确认删除或补充缺失参数），并用 LangGraph 的 interrupt 来实现这种暂停和恢复。底层用的是 FastMCP，新旧两版协议的服务器都能连，旧的 MultiServerMCPClient 收敛成单个 MCPAdapter 类。对开发者来说，装个 langchain[mcp] 就能用，不过迁移细节和 elicitation 后续示例在文中被截断了，这部分信息未完整给出。

Orange Business 如何用 LangChain 和 LangSmith 构建 Live Intelligence

欧洲大型电信公司 Orange 的 B2B 部门 Orange Business 搭建了一个叫 Live Intelligence 的企业级 AI 平台，让公司内部和客户能在受管控的前提下开发和使用 AI 智能体。原来他们想自己从零造一套编排、部署、监控系统，但光基础设施就要花一年多，于是转而选用了开源框架 LangChain 和评估观测工具 LangSmith。现在平台上已有约 12 万名 Orange 员工在用，法国和欧洲有 150 多家客户采用；团队还能在改动上线前跑回归测试、逐条查看智能体执行过程，快速定位问题出在检索、提示词、模型还是工具调用上。

ai-data-evaluation：基于评分量规的 LLM 输出评测与偏好数据流水线

LacerdaTraderCode/ai-data-evaluation · Evaluation pipeline for LLM outputs: an anchored rubric, a hand-labeled golden set, an LLM judge checked for agreement against it, and preference data generation for fine-tuning.

该项目提供一条面向 LLM 输出的完整评测流水线：手写标注的黄金集（golden set）、带评分锚点的多维度量规、自动打分的 LLM judge、judge 与人工标注的一致性校验，以及把分数转换为 DPO 风格偏好数据的转换器。示例任务为把短文档摘要到指定长度，量规涵盖事实准确、覆盖度、简洁性和格式遵循四个维度，每项 0–2 分并附带级别描述。方法说明指出 LLM judge 在通过黄金集一致性检验前不应被大规模信任。