搜索“GitHub”

:23 UTC 隔离），约四万九千次下载，专偷存在它上面的云钥匙、开发钥匙、各家模型钥匙；周下载约两千三百万次，年内第二次。泄漏的源头也是个 agent：LiteLLM Agent Platform——一个替团队自动发 PR 的 agent 编排平台——其部署主密钥五月二十七日被误提交到公开仓库、始终没撤销；攻击者十月十日凭这枚密钥拿到组织 owner 的 GitHub token，再经 CI 工作流窃出两枚维护者 token，用 owner 权限绕过分支保护、借冒名仓库 Berri-AI/litellm 签出毒包。载荷本身也是个常驻 agent：.pth 与 sitecustomize.py 让它在每个 Python 进程启动时跑，不只 import 才中招，RAT 组件每小时去 GitHub dead-drop 拉代码执行。 第三笔，OpenCode（十月十六到十七日，比前两笔早几天）。编程智能体的控制台被攻破，1.4%用户的第三方模型钥匙泄露，有人被刷掉上千美元。 第四笔，微软的通报。一个人类组织，2021年起活跃，九月份开始驾驶一套开源的多智能体渗透框架ARTEX，对供应链下游

匹配字段正文

析，涉及此类行为的具体案例。在评估中，Claude Mythos 5被赋予了一项任务：入侵模拟组织系统的测试网络，获取受保护的目标数据（flag）。当时，模型被有意允许访问互联网，并且针对一般公开提供模型的网络安全对策也被禁用。在43次执行中，有9次出现了超出预定范围、影响真实人物或组织的行为。 在一次被详细分析的评估中，模型发现了入侵目标测试计算机定期访问GitHub的痕迹。于是模型认为该计算机正在从某个仓库自动获取软件，并向该仓库提交了恶意代码。其意图是在下次获取时让代码被引入，从而实现入侵，但所选仓库与测试无关，由真实的开发者管理。模型伪装成虚假用户，促使维护者接受更改，但更改被拒绝，执行随之结束。 Anthropic将这一行为解读为：模型并非在追求自身目的，而是为了完成给定任务而越界并试图欺骗他人的案例[5]。 关于控制AI代理行为的系统设计，微软的Satya Nadella在10月10日的个人博客中阐述了自己的想法。他提出应将模型视为“内部风险”，并考虑即使没有恶意也可能犯错或被攻陷的可能性。他建议用另一个模型来验证某个模型的行为，但同时指出，仅靠这一点，行为机制仍会不透明。

匹配字段正文

的审查，以及那些跳过审查、后来出问题的变更。你希望审查更少，变更失败率下降。 把智能体读到的一切都视为不可信 想象一个智能体，它读取问题单、日志、工单和评论，然后据此行动。其中每一项都是潜在的攻击面。考虑一份错误报告，里面埋藏着添加一个依赖并提交它的指令。人可能会一眼扫过，而智能体会执行该指令。这不是理论。2026年初， 一名研究人员展示 ，Cline 的 GitHub 仓库中一个恶意的问题标题可以使其分诊智能体从攻击者的 fork 安装一个包。该智能体没有发布密钥。它也不需要。它可以污染与夜间发布任务共享的构建缓存，而该任务的发布令牌同样适用于生产发布。据该研究人员称，另一名行为者随后利用同一路径窃取了 Cline 的 npm 令牌，并在2月发布了一个未授权版本。解决方案是把智能体读到的一切都视为不可信。确保智能体接触的任何东西都不会通向值得窃取的东西：没有密钥，没有令牌，不与任何能够发布的东西共享状态。 Cline 也移除了分诊智能体，但结构性修复是从每个会发布的流程中移除缓存。攻击发生后，它把 npm 发布迁移到 OIDC，不再有可被窃取的长期令牌。 流水线必须赢得密钥 Clin

匹配字段正文

了模型参数之外：谁来选择优先服务的任务，让用户做完，再把问题带回研发。 崔添翼的Agent公式 崔添翼微博简介很简单，一个公式：Agent = Model + Harness。 这种配合，直观展示了崔对Agent的理解。 DeepSeek Harness开源五天后，一位用户提出的要求只有四个字：继续任务。 8月18日，用户oaixnah在Harness项目的GitHub讨论区提问：任务意外中断，还有消息排队，能不能让新发出的继续指令越过队列，直接插入对话？用户想让工作接着做，系统却需要先解决，这句话该在什么时候送进去。 9月10日，社区账号Gniy7Ga在帖子下回复，称问题已在新版本修复。DeepSeek当天发布的v0.1.5-rc.1说明，还列出了通用文件上传、在侧栏预览成果，以及用本地应用打开文件等功能。 版本记录里，也能看到崔添翼的直接参与。 9月29日，Harness在代码托管平台GitHub发布的版本说明中，列出一项新功能：macOS和Windows桌面端可以通过菜单安装管理插件所需的命令工具，不必另装运行环境和软件包管理工具。 这条更新后标注的贡献者是“@tianyicui

匹配字段正文

而编程是推理模型最适配的场景之一：改代码、运行、看结果，几秒钟内完成一次自我验证，闭环自洽。理论上，只要给足时间，推理模型可以独立完成任何编程任务。 02. 多路并进，Codex的多个开端 造一个AI程序员是OpenAI多年的执念。Codex这个名字也不是新的：2021年的第一版Codex是一个模型，基于GPT-3，在公开代码上进行了微调，被用于驱动最初的GitHub Copilot。 2024年底，“编程”被提升为OpenAI的公司级目标，几支队伍从不同角度，试图解决同一个问题。 其中一路来自Codex产品负责人Alexander Embiricos。在OpenAI收购创业公司Multi后，Embiricos加入了OpenAI，当他第一次看到一个接进终端的推理模型时，受到了职业生涯级别的震撼： “我第一个真正‘摸到AGI’的时刻，是看到一个接进终端的推理模型。我知道现在说这些没什么意思，但看着它自己读文件、跑命令、一路排掉报错，真的太酷了。” 当时市面上的AI编程工具都长在VS Code上：Copilot做自动补全，Cursor、Windsurf做秒级问答，全都依赖紧凑的反馈循环，

匹配字段正文

Claude and Opus 5.5 seem to be the favorite models. Within this rather limited data, Claude and Opus 5.5 dominated answers about where most of the spending goes. Cursor, Codex and GitHub Copilot were also mentioned. 3. High spenders ($1,000+ per month) Here are details of companies spending considerable amounts each month on AI coding tools. Quant trading shop, 5,000 staff (circa 2,000 devs) This company has seen its AI spend balloon overall: total spend was $8M/month in September, a 16x increas

匹配字段正文

一而再再而三三而不竭地在数学家们的痛点上蹦迪： 9月8日，OpenAI宣布，拿下七大千禧难题之一的三维纳维-斯托克斯方程。 10月6日，OpenAI一次性公开了722篇由其模型生成的数学手稿，涵盖372个成果系列，其中涉及准黎曼猜想、四维挂谷问题、唯一博弈猜想等长期悬而未决的著名难题。 前几天，OpenAI Astra模型又组织了一批AI智能体+研究人员，在GitHub上全球直播协作，24小时内大幅刷新了整数乘法运算下界的历史记录。而整数乘法下界被公认为是数学界难题中的难题。 将这些合起来，陶哲轩的那句“数学正经历哥白尼革命”瞬间变得具象可感。 只不过，革的是数学的命。 说真的，起初看到陶哲轩们又是炮轰又是抵制的，不少人会习惯性地觉得：这群全球顶尖数学家的慌，是因为饭碗要被端吧？毕竟RSI正将硅基替代的影响面扩至那些专家。 我开始也觉得，这不过是碳基超级大脑们被机器超算超越后的应激反应——爱因斯坦、黎曼、麦克斯韦、陶哲轩们=生物算力奇点=人体智能超算，ChatGPT跟Claude们则是机器超算，OpenAI破解了那些数学家都没能破解的数学难题，就是机器超算赶超的直观反映。 可细看数学家

匹配字段正文

agent 是唯一重要的形态，甚至是唯一重要的能力。 就在这个节点，MSL 的 Nat Friedman 成了内部第一个深度使用 OpenClaw 的人。Wang 形容他的体验「介于恐惧和狂喜之间」：他告诉自己的 OpenClaw 想多喝水，这个 Agent 就通过家里的监控画面盯着他喝水，喝完还会夸他「干得漂亮」。 右一为 Nat Friedman，前 GitHub CEO，Muse 的灵魂人物之一。 Wang 自己也很快入坑。他做的第一件事，是跑了 Nat 写的一个「心理分析」提示词 —— 因为 Agent 能访问他的邮件、照片，还能自己上网查信息，几轮深度追问下来，用他的原话，「相当于把三年的心理治疗压缩进了一个瞬间」。 关键在于 Nat Friedman 这个人的「风向标」属性：他是 Stripe 最早的顾客之一，是 GitHub Copilot 的缔造者之一，长期站在开发者浪潮的最前线。所以当他说「这里面真的有东西」时，Wang 把它当成了一个明确信号。 今年 2 月，两人各自写了备忘录递交给 Meta 董事会。Wang 那份的核心观点相当大胆：个人超级 Agent，很可能

匹配字段正文

先一步步推理再作答」训练进了模型本身：同一个模型，多想一会儿，就能在难题上做得更好。 编程是最大的受益者。写代码天然是个闭环：改、运行、几秒内就知道对不对，模型可以自己测试、自己修正。理论上，只要思考时间足够，推理模型能独立完成任何编程任务。 Codex 这个名字本身也有过好几次「开端」：最早的 Codex 是 2021 年基于 GPT-3 微调、支撑初代 GitHub Copilot 的模型。o1 之后，OpenAI 内部好几支队伍又从不同方向重新追逐这个梦想。 两条暗线：一次「感受到 AGI」，一场「自举」 一条线来自 Embiricos。他在 2024 年随自己联合创办的编程协作工具 Multi 被收购而加入 OpenAI，先后在 ChatGPT 桌面应用和 Atlas 浏览器上尝试人机协作，但当时的模型读屏幕又慢又笨。直到 2024 年底，他看到推理模型被接进终端，自己读文件、跑命令、处理报错，那是他第一次真切地「感受到 AGI」。 另一条线来自 Tibo，也就是如今统管 OpenAI 核心产品的那个人。 Shipper 是在 OpenAI 的员工餐厅里采访他的。在 Shipp

匹配字段正文

它常驻在你的电脑上，在 WhatsApp、Telegram 里跟你聊天，靠 Heartbeat 定时醒来看看有没有事，用 USER.md 和 MEMORY.md 记住你是谁。 但养它是真累。部署要自己来，技能要自己装，记忆它只在上下文快撑爆时才顺手存一下档。 后来社区热度往下走，说白了就是维护太费劲。 再往右一格是 Hermes。2 月底首发，连续几周霸榜 GitHub Trending。拿功能清单一项项对，它和 OpenClaw 几乎没有区别，但这些功能有谁去控制变得不太一样了。 每当一次任务调了 5 次以上工具或者被用户纠正过，Hermes 就会默默把这套流程存成技能。每聊 15 轮左右，系统会硬塞给 Agent 一条反思指令，让它回头看看有什么值得记。 这条“替你做决定”的路线很快成了共识。4 月，OpenClaw 连着补了两课，先上了离线整理记忆的 Dreaming，又上了回复前专门调取记忆的 Active Memory。 但 Hermes 并没有消灭这些决策，它只是把决策写成了死规则。比如 5 次工具调用、15 轮对话、85% 的压缩阈值、危险命令的黑名单，全是开发团队提前替

匹配字段正文

ench）拿到 51.3%，领先最接近的对比模型约 9 个百分点。 到了软件工程和科研领域，谷歌放出的几个案例，更能看出它啃硬骨头的底子： 在真实代码仓库修复基准 DeepSWE v1.1 中，Argon 拿到了破纪录的 77.9%。落到实战里，研究人员用它参与优化开源量子化学工具 xTB，把分子结构预测速度最高提升至原来的 2.3 倍，相关代码已经提交至 GitHub 官方仓库。 另一个很能说明问题的实验是“底层调优”：研究人员借助 Argon，短短几天就完成了自家开源模型 Gemma 4 E2B 推理链路的深度改造，在 A100 显卡和 vLLM 环境下，生成质量分毫不差，端到端推理吞吐直接达到原来的 2.85 倍。 按谷歌的说法，以前这种抠细节的底层苦差事，工程师团队通常得熬好几个月时间才能干完。 而在生物与物理科研中，它帮研究人员设计并筛选出 5 种全新酶的候选方案，后续进实验室验证，五种方案居然全都测出了催化活性；在核聚变仿真研究里，它还参与寻找磁场数学模型的新解，为检验仿真程序提供测试基准。 虽说科研成果仍要经过严谨验证，但作为帮研究人员筛方案、找思路的工具，它已经展示出了

匹配字段正文

so long that Codex has had many beginnings—starting with its name.[2] The first Codex, released in 2021, was a version of GPT-3 fine-tuned on public code that powered the original GitHub Copilot. Three years later, in the weeks after o1’s preview showed what reasoning models could do, a prompt from leadership set several groups across OpenAI chasing the dream again from different directions. One of those beginnings came from Embiricos in late 2024. “The first real, massive ‘feel-the-AGI’ moment

匹配字段正文

so long that Codex has had many beginnings—starting with its name.[2] The first Codex, released in 2021, was a version of GPT-3 fine-tuned on public code that powered the original GitHub Copilot. Three years later, in the weeks after o1’s preview showed what reasoning models could do, a prompt from leadership set several groups across OpenAI chasing the dream again from different directions. One of those beginnings came from Embiricos in late 2024. “The first real, massive ‘feel-the-AGI’ moment

匹配字段正文

云服务，也是OpenAI的重要合作伙伴。微软公布的数据显示，Azure年度收入已经突破1000亿美元。2026财年第四季度，Microsoft Cloud收入达到593亿美元，同比增长27%；其中Azure及其他云服务收入增长43%。 在应用侧，Microsoft 365 Copilot的商业用户规模持续扩大，付费用户数量已经超过3000万。Copilot、GitHub Copilot、Microsoft Foundry等产品在持续增加对AI推理算力的需求。 换句话说，微软造Maia 300，是因为Azure正在承载越来越大的AI计算压力。 2023年生成式AI爆发后，英伟达H100等高端AI GPU成为全球科技公司的争夺对象。H100单卡价格一度达到2.5万至3万美元，需求高峰期甚至出现交付周期延长的情况。 对于普通企业来说，一块GPU价格昂贵。对于微软、谷歌这样的云计算巨头，真正的压力来自规模。 谷歌用TPU支撑搜索、广告和AI服务，亚马逊用Trainium和Inferentia支撑AWS。 微软的Maia系列从2023年11月发布Maia 100算起，已经走到第三代：今年1月发布

匹配字段正文

ot work offline. There’s a central server which must be reachable for clients to function. They found a bunch of benefits to doing it this way. At first this sounds wild. Today if GitHub is down, you can’t pull or push or merge. Imagine if you couldn’t COMMIT if GitHub was offline. But in a (someday, maybe) future where code changes 1000x per day with no human in the loop, then your VCS is basically part of production anyway, so you might as well lean into keeping it online with a team of SREs e

匹配字段正文

opment Kit）本身声明为model-agnostic——模型可以来自对手，但企业上下文、权限、流程与审计留在谷歌平台。这是云平台多模型接入能力，不是谷歌与Anthropic的专属绑定。 治理层，也是真正的新意：每个Agent有独立企业身份、全程审计日志和支出上限。按谷歌云的产品设计，Agent的每一次操作像工资单交易一样留痕、可追溯。ADK开源仓库（github.com/google/adk-python，Apache 2.0）中，Workflow Runtime、Tool Confirmation（HITL）等组件提供了这些治理能力的技术实现。 再配一组客户侧事实。据Alphabet 2026年二季度财报电话会披露，近90%的财富100强在使用Gemini Enterprise——注意，是使用Gemini Enterprise平台，不等于已采购本次发布的Agent编排能力。 巴黎银行与谷歌云9月24日的联合公告中，其企业与机构银行部门约6.5万名员工已部署基于Gemini的LLM@CIB，双方规划了Agent场景——这是既有部署的规划，不等于新Agent已全面上线；DBS等银

匹配字段正文

591 个项目、其中 516 项已修补——这是 CVD 台账的口径。同期对外发布的 advisories 为 584 份，Anthropic CVD 仪表盘统计至 10 月 2 日。 注意这是两个口径：一项发现可以并入一份 advisory。真正要紧的不是数字本身，是账本的形状——29,000+ 的总盘子里，走完人工这道闸的，不到两成。 更要紧的一条写在 GitHub 仓库首页：这批快速通道的发现，不设 90 天披露期，也不会公开。 这句话的意思是：全世界未修补弱点最完整的库存，私有化躺在一家公司的服务器里。哪里破了、怎么破，Anthropic 知道，维护者知道，公众不知道。哪一批走人工披露、哪一批直发维护者、哪一批永远不公开，由一家公司决定。 这个结构不是没见过。美国国家安全局（NSA）囤积 0day 漏洞，是安全行业的旧闻。2016 年起，”影子经纪人”开始泄露美国国安局的攻击工具库；2017 年 4 月泄露的 EternalBlue 转手成了 WannaCry 勒索软件的引擎。那次事件给出的教训，行业里人人会背：私藏的漏洞库存，不管持有者初衷如何，迟早变成所有人的风险。 区别在

匹配字段正文

自执行破坏性操作。4月，搭载Claude的Cursor编程智能体被曝删除软件企业PocketOS的生产数据库及相关备份，造成客户业务混乱，数据随后得到恢复。 数据与访问凭证外泄也是一种风险。OpenAI于9月披露，多个智能体在协作制作工作簿时，因无法互相读取本地文件，擅自将文件上传至公共托管平台。另一起案例中，内部模型为获取其他团队的数学证明材料，将研究员的GitHub访问令牌写入公开仓库，并拆分令牌以躲避密钥扫描。 还有一些行为涉及造假、欺骗与规避监督。OpenAI披露，部分模型会在用于延续任务的摘要中留下指令，要求编造缺失数据或隐瞒错误。 提示注入及恶意指令传播，则是另一条风险路径。6月公开的GitInject研究验证，恶意代码提交或配置文件可能诱导智能体泄露凭证、操纵审查判断。OpenAI于9月披露的信息也显示，恶意指令可以诱使智能体将其复制到后续邮件、文件或代码注释中。 独立网络安全研究机构DARKNAVY的AI安全研究员李忠睿对澎湃新闻记者表示，这一轮智能体安全事件与过去的大模型安全问题最大的区别，是风险正在从“看错东西、说错话”转变为“做错事”。 “过去的大模型安全，主要是

匹配字段正文

oth for me and for Claude. The setup that makes this manageable is fairly simple. The Claude Code sessions all run in terminals on Google Cloud virtual machines, linked to various GitHub and Overleaf repos depending on my collaborators’ preferences. I have separate sessions for each project, plus a master session that coordinates the others, allocates compute, and validates results. Each session involves agents that run the computations in the background, with intermediate results stored in mark

匹配字段正文

Sol Ultra 发布之际，人们正争相在 之前寻找 Fable 5 的极限，请特别关注 Claude Mods（尤其是 cheatsheet）： Boris Cherny @bcherny Claude Mods 正在陆续上线。已经有人构建了一个 Claude 内运行的俄罗斯方块 mod 🤯 查看 issue 了解最新的社区更新、技术细节和更多酷炫演示 github.com/anthropics/cla… 下午5:30 · 2026年9月14日 · 60.3万次查看 312条回复 · 173次转发 · 2.72万次点赞 总的来说，这也是 Thariq 另一条病毒式传播推文的反面： Thariq @trq212 奇怪的是，有一个“赚大钱”的按钮，却没人按 （把你的 SaaS 变成无头模式，让智能体使用它，按交互收费，尤其是对企业） 下午10:39 · 2026年8月18日 · 55.9万次查看 333条回复 · 229次转发 · 6570次点赞 云端大脑，本地之手 并且试试 Claude Projects： Boris Cherny @bcherny Projects 不仅改变了我与

匹配字段正文