搜索归档

llm-stream-guardrails：流式响应中实时脱敏 PII 与密钥的 LLM 护栏

roshcompanylabs/llm-stream-guardrails · LLM guardrails for streaming: redact PII and secrets mid-stream

llm-stream-guardrails 是一个 TypeScript 库，用于在 LLM 流式响应过程中实时检测并遮盖 PII、API 密钥、私钥等敏感内容，无需先缓冲完整回复再过滤。它接收任意字符串异步可迭代对象（可直接接入 Vercel AI SDK 的 textStream，OpenAI/Anthropic SDK 需一行映射），承诺对任意输入、策略与分块方式，流式输出与整串过滤结果逐字节一致且每个输出块独立完整。内置 email、信用卡（Luhn 校验）、电话、SSN、IBAN（mod-97）、35 类密钥形态及 PEM 私钥块检测器，并支持按字段名识别的 labeledSensitive 与自定义敏感标签。仓库定位为纵深防御而非合规控制，作者明确说明对未见文本的召回率约 47%–81%，不能替代其他安全措施。

Starkbot Neo：本地优先的 macOS/Linux 桌面 Agent，通过 Jev 导航器操控浏览器与原生应用

ethereumdegen/starkbot-neo · Fast, local-first macOS agent with Jev navigation and Hypercanvas

Starkbot Neo 是一个基于 Rust 与 Tauri 构建的本地优先桌面 Agent，可在 macOS 和 Linux 上运行。它通过 CDP 驱动浏览器、通过平台无障碍 API（macOS Accessibility / Linux AT-SPI）驱动原生应用，核心是 Jev 导航器：每一步由一个分类器输出操作头、目标头和安全头，并把这一循环接入可接受语音或文本任务的 Agent。项目定位为面向 SEO 与 GTM 工作流及媒体应用的营销与媒体执行工具，而非 shell 或编程 Agent，没有 bash 工具和通用文件访问。当前处于活跃开发中，Web 导航、无障碍路径与流式 ReAct Agent 循环已可运行，媒体通过应用操作、packs 和 GTM 工作流尚未构建；尚无正式安装包或发布下载，需从源码构建。

rajhi-rag：阿拉伯语银行对账单验证与 RAG 问答工具

jahfaliabdulrahman-dev/rajhi-rag · Verified Al Rajhi bank-statement reader (Arabic-first): literal VLM transcription → balance chain + printed-footer oracle → Arabic RAG Q&A. Sample scope; synthetic public fixture only.

rajhi-rag 面向阿拉伯语优先的 Al Rajhi 银行对账单扫描件（无文本层的 PDF），流程为：VLM 逐字转录数字并做确定性归一化，再用余额链推导每笔交易的方向和金额，并以每页印刷的页脚合计（借方/贷方/累计余额）作为外部校验；最后通过阿拉伯语检索（FAISS + e5）加确定性工具进行问答，模型只调用工具、不自行计算，并展示答案所依据的行。项目还提供导出 Excel（交易、逐页校验、未证实项、说明四个工作表）、Markdown 转阿拉伯语 RTL PDF、发布前隐私扫描与 QA 网关。仓库为示例范围，公开样本为合成数据，实测结果与已知缺口在 README 中逐项列明。

Hermes Agent on Cubeship：在 Cubeship 上部署 Hermes 自改进 AI 代理的模板

cubeshipd/cubeship-hermes-agent-template · Nous Research's self-improving AI agent, with its web dashboard and messaging gateway

该仓库是 Cubeship 平台上部署 Nous Research 开源 AI 代理 Hermes Agent 的模板。它通过 Dockerfile 在实例上构建并运行 Hermes Agent v2026.9.21，将 gateway 以受监督方式启动，提供 Web 仪表盘，并将会话、记忆、技能、API 密钥与日志持久化到 /opt/data 卷中。安装后可在仪表盘中配置模型提供商密钥与模型，并通过 Telegram、Discord、Slack 等聊天平台接入，同时支持 OAuth/OIDC 登录选项。

HEIMEL：在意图转化为实际后果前进行授权治理的基础设施

Heimel-open/Heimel · HEIMEL Intent. Realized. HEIMEL is open infrastructure for the transition from intent to consequence.

HEIMEL 是一套面向后果承载执行的授权治理基础设施，位于现有身份、策略与执行系统之间，在意图落地为真实效果的那一刻判断其是否具备当前授权。它不替换 IAM 或策略引擎，而是把决策、精确效果、许可与回执绑定，并通过 Gateway 强制唯一受治理的效果路径，由 Veritas 保留可归因的证据。仓库包含本地参考运行时，支持本地授权、执行、回放与证据查验，并提供标准授权演示、可执行授权演示和回放演示。

lossless-memory：为个人 AI 打造不压缩原文、全量带时间戳的长期记忆层

aru-labs/lossless-memory · Lossless long-term memory for a personal AI: never summarize, keep every line, put a timestamp on everything.

lossless-memory 是一个本地、基于文件的长期记忆层，面向单用户与单个 AI 助手。它把每轮对话按固定七字段（时间戳、说话者、角色、类型、原文、模型、会话）完整追加到每日 JSONL 日志中，不做任何摘要，并以此为唯一事实来源。系统以时间为主轴构建「Temporal Backbone」：SQLite FTS5 精确索引带时间戳并存，查询入口先解析时间短语（相对时间目前仅日语，绝对日期支持任意语言）把检索范围限定到时间段，再在范围内排序，结果按时间顺序返回未摘要的原始文本；仅在范围内精确匹配不足时才回退到基于 sqlite-vec 的语义检索，并在输出中如实标注。另有 LLL「当前位置」索引记录话题切换，可由人工标注优先级，每轮注入模型上下文，使长对话在上下文窗口压缩或跨会话后仍能接续。项目还包含定时增量重建索引的守护进程，并公开了实际运行中的失败数据与经验文档。许可为 MIT。

Iris Agent：开源编码智能体服务，支持 CLI、HTTP API、ACP、LSP 与 MCP

4onstudios/iris-agent · Open-source coding agent with CLI, HTTP API, ACP, LSP, MCP, workspace tools, and multi-provider model support.

Iris Agent 是 AIRIS 使用的独立编码智能体服务，提供流式对话、工作区工具、LSP 路由、MCP 集成、命令审批和运行生命周期 API。它可以作为 HTTP 服务（/api/agent）、终端交互式 CLI 或基于 stdio 的 ACP 服务器运行，便于 IDE 集成，并支持 OpenAI、Anthropic、Google、OpenRouter 和 Ollama 等多提供商模型配置。

soc-lab：在 SOC 场景中研究 LLM 智能体攻防与提示注入抗性的安全实验环境

joshuakoplik/soc-lab · A SOC lab for studying LLM agents on both sides of the boundary: vulnerable dockerized targets emitting real telemetry, a deterministic ingest/detect pipeline, and triage + red-team agents on top — plus a harness measuring prompt-injection resistance.

soc-lab 是一个用于研究安全运营中心（SOC）内 LLM 智能体行为的研究环境，由三部分组成：刻意存在漏洞、可输出真实遥测的 Docker 靶机实验场；确定性的数据摄取、规范化与检测流水线（结果落入 SQLite，不涉及模型）；以及构建在其上的两类智能体——蓝队分诊智能体和红队智能体。项目还在日志 schema 中按“可信度”而非类型划分列，把攻击者可控字段与基础设施断言字段结构分离，并通过 injection_asr 测试框架对比开启/关闭信任边界防护时，分诊智能体对提示注入的抵抗程度。项目定位为研究工具而非安全产品，包含未沙箱化的工具能力和真实 iptables 网络封锁行为。

test-ci-cd：用 LLM 与图库 API 每小时自动刷新照片画廊

mujammed-04/test-ci-cd · Next.js gallery that refreshes itself hourly — an LLM invents the search prompts, a stock photo API finds the shots, CI republishes the image

一个基于 Next.js 的照片画廊项目，通过 GitHub Actions 每小时自动运行：先随机选择主题，再由 Groq 上的 LLM 生成搜索提示词，调用 Pexels 图片 API 获取照片并写入 gallery.json 提交到 main 分支，随后触发 CI 校验并重新构建镜像发布到 GHCR。项目使用 Next.js 16 App Router、React 19、TypeScript、StyleX 与 Feature-Sliced Design 组织代码，支持多语言路由，图片与提示词来源需标注 Pexels 与 Groq。

AI Foundation Models Lab：从产品管理视角动手探索基础模型的零样本预测、评测、RAG 与 LoRA 微调

kousalya-pm/ai-foundation-models-lab · Hands-on experiments across time-series and security foundation models: zero-shot forecasting, evaluation, RAG, and LoRA fine-tuning — from a product management perspective.

该项目是一组以 Jupyter Notebook 形式记录的动手实验，从产品管理视角探索基础模型的生命周期：使用 Cisco CTSM 进行单变量零样本时序预测并测试噪声、缺失数据和异常下的鲁棒性；在本地以 Q4_K_M GGUF 量化运行 Cisco Foundation-Sec-1.1-8B-Instruct 安全领域模型，构建评测数据集并从分类准确率、MITRE 技术映射、证据完备性、延迟等多维度评分；用 TF-IDF 与语义向量检索对比实现安全策略 RAG，诊断检索、生成与拒答等失败模式；并在 Qwen2.5-0.5B 与 Foundation-Sec 上对比 LoRA 微调效果。仓库保留了每项实验的原始数字、失败模式与局限性说明，并给出面向产品团队的经验总结和平台能力建议。

Glasshouse：多智能体编程编排控制平面与代码模式 harness

HarzerHeribert/glasshouse · Multi-agent coding orchestrator with a first-party code-mode harness. Run Claude Code, Codex and other agents with routing, project memory, live tool results and fewer inference boundaries.

Glasshouse 是一个用 Rust 编写的多智能体编程编排系统，由可独立使用的编程 harness `pane` 和控制平面 `glasshouse` 组成。`pane` 提供代码模式执行环境，工具结果以运行时命名对象而非对话文本的形式保留，模型通过编写 TypeScript 程序调用工具，从而显著降低上下文占用；`glasshouse` 则作为控制平面，启动并驱动 Claude Code、Codex 等已安装 harness，依据延迟、可靠性、缓存热度、剩余容量与消耗速率等实测证据路由请求，维护项目级持久记忆，并在多个会话并行时就文件编辑冲突进行协调。项目提供推理网关组件，支持订阅与密钥的跨账号调度、配额与容量估算以及工具输出压缩。项目状态为活跃开发中，能力图文档为其权威规格。

了解用户转化或流失的主要路径与 Journey Paths

Datadog 产品分析新推出 Journey Paths（用户旅程路径）功能，能帮你看清用户从进入到转化的完整路径。过去漏斗只能告诉你多少人中途流失，但不知道他们去了哪里、做了什么；现在 Journey Paths 会按频率排序展示每条路径，比如有人在付款前反复点击帮助链接最终离开，你可以直接对比转化用户和流失用户走的路线，再配合转化分析、会话回放和 RUM 数据定位具体是哪类用户遇到了什么问题。这项功能目前已在 Datadog 产品分析中提供，需付费账户使用，新用户可申请 14 天免费试用。

SAML：糟糕设计的分形

这篇文章讨论的是企业登录用的 SAML 协议。以前 SaaS 兴起时，公司需要让员工用一个账号登录很多网站，SAML 和单点登录（SSO）就是干这个的。但 SAML 建立在 XML 之上，XML 签名验证极其复杂又容易出漏洞，导致实现往往依赖没人看得懂的 C 代码库。作者认为该淘汰 SAML，改用更现代的 OpenID Connect（OIDC），并回顾了 SAML 的委员会式设计起源、学术界推动和一连串安全攻击。

AWS 开源一款 AI Agent，声称比 Claude Code 和 Codex 便宜 45%

AWS 开源了一个叫 Strands Harness 的通用 AI Agent 基础框架，开发者可以本地运行或部署到云上。过去用 Strands 这类 SDK 搭 Agent，虽然零件齐全，但上下文怎么管、对话怎么存、工具怎么接，都得自己从头决定。Strands Harness 把这些预先配好，自带文件、shell、网页工具以及上下文压缩、记忆、会话持久化等能力，默认走 Amazon Bedrock，但也能改成 Anthropic、OpenAI、Google 或本地 Ollama。AWS 用六项基准测试对比后称，相比 Claude Code 和 Codex 平均便宜 45%、准确率大致相当；不过加入更便宜的 DeepSeek Harness 后，这一差距缩小到 28%。AWS 说这是通用 Agent 而非编程助手，目前可通过 pip 或 npm 安装使用。

Grok 4.7 主打长时间运行编码智能体，但多数任务仍会失败

SpaceXAI 发布了新模型 Grok 4.7，专门练它连续干活好几个小时不掉链子。原来的问题是：编码助手做长任务时，一步走错，后面的步骤就全歪了，而且任务越跑越长、要记的东西越来越多，更容易出错。这次他们用更长的强化学习、故意多练费劲的长任务，还让模型学会检查自己刚才做得对不对、管住长上下文；在 Terminal-Bench 4.0 上从 20.3% 升到 38.0%，但对手 Claude Fable 5.1 仍有 57.9%，所以长任务可靠性还是没完全过关。对用的人来说，按每百万输入 2 美元、输出 6 美元算，跑几个小时可能更便宜，但出错率仍高，不能完全放手。

你的 AI 智能体正在为不需要文字的选择燃烧 Token

AI 智能体在做路由、安全检查、排序和升级这类决策时，其实不需要写出文字，却仍把问题发给生成式大模型，等它吐出答案再解析回来，既浪费算力又增加延迟。开发者 Jared Palmer 基于 Qwen 3.5 发布了开源决策模型 Kev，包含 0.8B、4B 和 9B 三个规模，采用只预填充、不逐字生成的方式，一次前向传播就读出选择概率；它只给已有选项打分，不会凭空造出新选项。Kev 最大模型在项目测试中准确率 83.7%，但概率校准可能偏移、微调后通用知识和算术能力下降，这些限制开发者已有说明。

TypeSafe 推出 Jev：因为顺序式 LLM“对计算机毫无用处”

TypeSafe 这家公司隐藏研发两年后，带着 DCVC 领投的 4000 万美元种子轮融资亮相，发布了首个模型 Jev。普通聊天大模型是一个字一个字地往外蹦，对话很自然，但让软件等它做判断就太慢；Jev 不写文字，只做决定——开发者给它结构化的问答题，它直接返回带概率的选项或数值，软件可以据此处理“不确定”。据称它比普通 LLM 快 20 到 200 倍、便宜 40 到 400 倍，输出 token 免费，上线 AI Gateway 后 24 小时内成为采用最快的模型。对读者的用处是：以后应用里需要“做个判断”的地方，可以调用 Jev 而不是塞一个聊天模型进去。

Grok Build 与 Claude Code：我实测了哪款记忆更强

xAI 在 9 月 16 日给终端编程助手 Grok Build 加入了记忆功能，能把项目规则和决定写成 Markdown 笔记，下次打开时先读笔记再干活。Claude Code 早就有类似功能，但它的记忆只按单个代码仓库隔离，跨项目规则带不过去。有人在四个小型 Node 项目上做了三组测试，每组先告诉工具一个事实、关掉、再打开做相关任务。结果 Grok Build 三项全过，Claude Code 过了两项，跨项目规则传播失败。Grok 总花费 0.41 美元，Claude Code 花了 1.05 美元但速度更快。对普通开发者来说，Grok Build 目前是更便宜且跨项目记忆更可靠的选择。

Jev 在 Harness 中实现可审计的决策原语

现在的 AI Agent 做决定时，通常是先写一段文字或 JSON，然后由外部软件去猜它到底选了什么。TypeSafe 推出的 Jev 改变了这一点：它直接把“决定”本身作为输出，比如从几个选项里选一个、打个分数，或者回答是/否，并且给出这个决定的可信度概率。这样做的意义是，Agent 在思考和行动之间那些原本藏在文字里的判断，比如下一步该做什么、证据够不够、某个操作风险大不大，现在都能被记录下来、评估和审计。Harness 已经在评测、模型路由和风险打分等生产环境中试用了这个方案。

AWS 无法恢复仅存于中东受损可用区的数据

AWS 告知客户，因与伊朗冲突造成的损坏，它无法恢复仅托管在阿联酋 mec1-az2 可用区的资源与数据，也无法恢复仅托管在巴林区域的资源与数据。AWS 表示巴林的损坏波及多个可用区，超出了其区域级和多可用区服务的设计承受范围。可用区可以理解为同一区域里相互隔离的机房群，通常一处出问题不影响另一处。这次事件提醒依赖单一可用区的用户，数据可能无法找回，跨区备份更稳妥。