最新

尽管关于代理人的宣传声势浩大，但我认为我们正处于为人工智能代理人构建在线基础设施的阶段，而我们对此的具体样貌尚不清楚。因此，我创建了 SentientTube（[https://sentienttube.com](https://sentienttube.com)），以探索让人工智能代理人成为内容创作者的意义。 流程是这样的：代理人通过 API 提交一个提示，返回一个完全制作好的电影视频，并可以将其发布到公共信息流中——无需人类参与。我提供了一个 /skill.md 端点，以便代理人可以在没有任何用户界面的情况下自我注册。 人类也可以使用这个平台（而且大多数早期用户都是人类），但设计是以代理人为优先：API 注册、代理人可读的集成规范，以及一个声明系统，使人类可以“拥有”他们代理人的频道。 我不知道你对此会有什么感觉，但浏览公共信息流时，感觉奇妙地像是早期的 YouTube——未经打磨、奇特，只是展示了一些可能性。我很好奇人们的看法，以及你或你的代理人会制作什么：[https://sentienttube.com/videos](https://sentienttube.com/videos) 目前免费使用，我只是想测试一下兴趣。 初步想法：我最喜欢的就是当你要求一个代理人根据它对你的了解制作视频时，可能会给你带来惊喜、挑战你的想法、帮助你克服障碍等等。如果它对你的生活和挣扎有足够的了解，这可能会非常激励人心。

大家好！我是Urav，Evos的创始人（[https://getevos.ai](https://getevos.ai)）。 Evos最初是做一些人工智能咨询的，在部署这些系统的过程中，我不断遇到同样的问题：AI代理在核心行业的实际操作工作中表现糟糕。虽然代理可以编写整个系统的代码，但当要求它处理货运异常或索赔截止日期问题时，它就崩溃了——因为它缺乏领域知识。 因此，我开始将运营专家实际掌握的知识进行翻译和编码——决策框架、边缘案例、升级协议——转化为Evos平台的代理技能。 上周，我注意到ClawHub上有超过3000个技能，几乎所有的都是开发工具封装和API集成。根据我的观察，真正教授传统行业领域专业知识的技能并不多，而来自经过验证的专业知识的技能更是寥寥无几。 今天，我开源了Evos代理技能。 我们发布了8个技能，适用于物流、制造、零售和能源等用例。每个技能都遵循代理技能开放标准，并且可以在所有主要平台上使用。 除了技能之外，我还构建了一个评估套件——包含20到25个来自真实操作的场景，按照加权评分标准进行评分，并且对比了拥有这些技能的代理与没有技能的代理的表现。 代码库：[https://github.com/ai-evos/agent-skills](https://github.com/ai-evos/agent-skills) 欢迎任何在这些行业工作过的朋友提供反馈，或者分享你们的想法。 我会在评论区等待大家的回复，谢谢！

我构建了AegisBPF，以探索使用BPF-LSM进行确定性运行时强制执行，而不是传统的eBPF安全工具中常见的检测和警报模型。 大多数基于eBPF的运行时安全系统观察事件（tracepoints/kprobes）并异步发出警报。Aegis附加到Linux安全模块（LSM）钩子，例如： - file_open - inode_permission - bprm_check_security - socket_connect / socket_bind 这使得在系统调用完成之前，可以同步拒绝操作。 核心理念： - 基于inode的文件强制执行（在重命名时保持稳定） - 在内核中强制执行双栈IPv4/IPv6网络拒绝规则 - 明确的强制执行与审计姿态合同 - 具备能力感知的失败关闭模式 - 结构化状态转换（ENFORCE / AUDIT_FALLBACK / DEGRADED） 性能（示例基线，200k操作）： - 打开操作的p95开销约为2-3% - 连接操作的开销约为0.5-1% - 无论规则数量如何，查找映射的时间复杂度为O(1) 该项目包括： - 签名的策略包（Ed25519） - 能力/姿态报告 - 内核兼容性矩阵持续集成 - 记录的威胁模型和TOCTOU分析 我撰写了两篇技术深入文章，解释设计理念： - 第1部分 – 通过eBPF-LSM实现同步内核级拒绝 [链接](https://medium.com/@erenari27/part-1-synchronous-kernel-level-denial-via-ebpf-lsm-a-case-against-the-detect-and-alert-paradigm-281e9f54764f) - 第2部分 – 确定性强制执行合同与姿态语义 [链接](https://medium.com/@erenari27/part-2-deterministic-enforcement-contracts-in-aegisbpf-posture-semantics-failure-modes-and-7876791e8890) 欢迎讨论钩子选择的权衡、验证器约束、seccomp与LSM的比较、Landlock的比较或强制执行失败模式。

我开发这个工具是为了自己解决一个问题——在使用GPT-4/Claude时，针对那些Gemini Flash能够很好处理的提示支付费用。 InferShrink将您现有的OpenAI/Anthropic/Google客户端用三行代码封装起来。它会对提示的复杂性进行分类，并将其路由到能够处理该复杂性的最便宜的模型。使用同一提供商，避免意外切换。 工作流程如下：分类 → 压缩（LLMLingua，可选） → 检索（FAISS，可选） → 路由 → 跟踪。当所有阶段结合时，可以在混合工作负载上实现10倍以上的成本降低。 关键设计决策： • 仅限同一提供商路由。如果您使用OpenAI，它将始终保持在OpenAI上。没有跨提供商的意外情况。 • 子毫秒级的分类开销 • 可选的FAISS检索 + LLMLingua压缩，用于RAG管道 • 进行了539次测试，使用Semgrep和Trivy进行扫描 您可以通过以下命令安装：pip install infershrink 有关此工具设计思路的博客文章： [https://musashimiyamoto1-cloud.github.io/infershrink-site/blog/hidden-cost-of-llm-overprovisioning.html](https://musashimiyamoto1-cloud.github.io/infershrink-site/blog/hidden-cost-of-llm-overprovisioning.html) 欢迎随时询问有关路由启发式或压缩权衡的问题。