turcon excluder是什么意思
粉丝2824获赞1.0万
相关视频
01:16查看AI文稿AI文稿glotopus 四点八又被提前曝光了，但比起泄露的几行代码，我想说的是， antropic 这家公司正在被它自己的技术系统一次次出卖。这次曝光，来自谷歌 vertex 后台，开发者在模型列表里扒出了 glotopus 四点八的标识。 为什么模型老在这儿先露脸？因为一个模型正式上线前，要先在 vertex a w s 这些云平台后台注册标识符配好路由。这些动作全发生在官宣之前。盯着云平台的模型列表，等于提前拿到了 entropic 的 发布日历。四点六，四点七，四点八全是这么被扒出来的。 还有还有，三月底 anthropic 推 cloud code 更新，有人忘了在 mp magna 里写 da map 这一行，就漏这一行。一份五十一万行代码的 source map 被完整推上了 mpm 公共仓库。 cloud code 支付事后确认不是被攻击就是个普通失误。 source map 是 开发者调试用的还原地图，能把压缩过的代码翻回可读的原版， 等于把内部代码摊开给所有人看。下一代模型的踪迹就是从这五十一万行里翻出来的。把两条线拼起来指向同一件事，大版本号从年级变成了月级。 anthropic 不是 不小心，是快到自己都看管不过来。 opus 四点八不是终点，只是这条加速曲线上我们刚好看见了一个点。关注星智源，秒追 a s i。
92新智元
02:15查看AI文稿AI文稿大家好，今天我们来聊 longchang， 一 句话定义它是 lm 应用的操作系统，提供标准化组建和抽象，帮你快速构建复杂应用。很多人直接调 api 也能够跑通，但是项目一复杂就会力不从心。 longchang 的 核心就是标准化，让你不用再重复的造轮子。接下来我们来拆开它，看它到底解决了什么问题。 直接调 api 和 longchang 有 什么区别？核心价只有三点，第一，标准化接口，各厂商的 api 格式不同， longchang 提供统一的接口，换模型，不用改业务代码。 第二，组件化加可组合，把应用拆成独立的组件，用管道符自由组合，不用自己写胶水代码。第三，生态集成项链、数据库、文档加载器，开箱，即用 agent 工具生态无缝的对接。这三点就是啷扇的呼声盒。 说到管道符就必须要提 l c e l， 这是微零点一之后的新的语法，用管道符就是一个竖杠连接组件，替代了旧版的点 run 和 call。 数据流是这样的， 输入先经过 prompt 格式化，变成完整消息列表，然后交给 l l m 生成回答。接着 paris 把输出文本解析成结构化的字幕串，最后返回结果供下游消费。整个列录像 unix 管道一样清晰，代码的可读性大幅的提升。 当称的六大模块各司其职。 models 提供统一的 l m 调用接口，屏蔽厂商差异。 prompts 负责模板管理，支持变量差值和消息格式。 chris 是 组建的链式组合， l c e l 让定义极其简洁。 memory 管理对话历史策略丰富。 retros 是 r a g。 的 核心，从项链库解锁相关文档。 agents 则是智能体，能够自主决策调用工具。这六块构成了浪荡的完整骨架。 memory 有 四种策略， buffer 存全部消息简单但是占 token buffer window 只保留最近的 k 轮 summary 对 旧黑化做摘药。 summary buffer 是 混合策略，近期完整的保留久远的做摘药是最佳实践。再看 output paris 三种解析器推荐 pentatic output paris 解析为 pentatic 模型类型安全，第二个输出列表，第三个输出结构化的字典。 最后总结三点，核心价值是标准化、接口组建化、生态集成。现在语法用 l， c， e， l 管道服务连接组建六大模块，各司其职。但是 longchain 不是 万能的，抽象层过多反而增加复杂度，简单场景直接调 api 可能更合适。会用 longchain 是 能力，知道什么时候不用才是判断力。这就是今天的全部内容。如果这期视频对你有用，记得点赞关注，我们下期再见！
00:51查看AI文稿AI文稿嗨，朋友们，今天咱们来聊个编程界的小玩笑，不尔值的数学游戏你知道吗？在 python 里，如果你运行 print， 结果竟然是二，是不是有点颠覆认知？这时候肯定有小伙伴要问了， true 不是 真的意思吗？ 怎么还能相加呢？其实啊，在计算机的世界里，不尔值 true 和 false 背后藏着数字的身份， true 相当于一， false 相当于零。所以 true 加 true 其实就是一加一等于二啦。 这要是让数学老师看到，估计得揉揉眼睛怀疑人生。我教的一和零怎么还换了身马甲叫 true 和 false？ 不 过别担心，这只是编程语言里的一个小设定。 布尔值主要还是用来判断条件的，比如如果天天下雨就带伞，但偶尔用它来算个数，是不是还挺有趣的？你们还发现过哪些编程语言里的冷知识？评论区分享一下吧！
00:56查看AI文稿AI文稿python 的 反射机制中，如果说 getter 是 获取工具， setter 是 修改工具，那么 setter 就是 保障这两个工具安全使用的前提条件。 python 是 python 自带的内核函数，核心作用只有一个，判断某个对象是否包含指定的属性或方法。它的语法简洁易懂，仅接受两个参数。第 一个参数表示要检查的对象可以是类实力列表、字典自定义对象等各类对象。第二个参数表示要检查的属性名或方法名。同样的必须是字母串格式，必须是字母串格式，必须是字母串格式。函数最终会返回一个布尔值。我们来看一个简单的案例，先定义一个简单的类，创建对象，用 hex 函数完成检查。 检查对象的方法也是同样的操作。 hex 的 底层运行逻辑不是简单的看一眼属性是否存在，而是主动尝试获取目标属性， 读取成功就返回处。如果抛出 attribute 而错误，函数会自动捕获异常并返回 false。 需要注意的是，如果属性存在，在获取属性时触发了其他类型的异常，例如属性是一个会主动抛错的函数，异常则会直接抛出，不会返回 false。
93码途钥匙
01:07查看AI文稿AI文稿hamis agent 最新版是 v 零点一五零两千零二十六年五月二十八日发布，代号 velocity release。 这版重点是速度架构重构和多 agent 编排。第一，核心架构变轻， 原来的核心逻辑被拆进十四个 a 帧模块，并且保持行为兼容，对使用者的意义是插件开发问题，定位后续迭代都会更快。第二， command 变成多 agent 的 平台，它能自动拆任务，创建 swarm， 让并行 walker 验证器合成器和 shell blackboard 一 起工作，每个任务还能单独配置模型， walk tree 和启动时间。 第三，速度继续提升，单轮函数调用减少百分之四十七。 hermes version 从七百零一毫秒降到零点八秒。第四， session search 重做，不再靠辅助。 l l m 历史绘画搜索从几十秒级降到毫秒级，安全和生态也在补。 prompt ware 防护， bit warden 密钥管理， n t f y 消息平台， skill bundles open hands 技能，还有 n s。 认可的 m c p catalog。 我 的判断， v 零点一五零是 hermes agent 从能跑很久升级到能更快组织多 agent 的 工作的一版。
40大桃学AI
03:31查看AI文稿AI文稿context is claud's working memory is claud's working memory。 context 是 claud 的 工作记忆。 claud 读的每一个文件，跑的每一条命令，你发的每一条消息都会占用 context window 里的空间。 你可以把 context window 想象成 claud 一 次能记住的总容量。每次你输入 prompt， claud 去读文件跑工具调用，拿到工具调用结果 result this is adding on to the context。 这些信息都会一点一点累加进 context window。 但 context window 的 容量有限，所以怎么用好这块空间就变得极其重要。 now when you approach this limit。 当你逼进 context 上线时， context window 会自动触发压缩。压缩过程会把重要细节总结下来，把不必要的工具调用结果清掉，腾出大量空间。但要注意，压缩可能会丢失之前对话里的一些细节。 you can run the compaction manually as well。 你 也可以手动触发压缩跑斜杠 compact， 它会把你目前为止做过的所有事压缩一遍。想腾 context 空间，但又想保留之前工作的记忆，这个就很顺手。如果想完全从零开始， 不要任何之前的记忆就跑斜杠 clear， 它会把所有上下文清空，从头来过。想看当前 context 状态，跑斜杠 context， 你 能看到 context 占了多少，哪些类别吃的最多？还有一张图，直观展示这些数据。 a general rule of thumb 一 条经验法则，你正在做某个 feature。 context 已经满了，但还得继续做，叫 compact。 保住这个 feature 相关的上下文，继续开发很重要。 如果 plan 已经做完，要开新 feature 就 clear。 别让之前的对话给你新创建的东西带偏。有些东西你希望 cloud 跨 session 一 直记得，就写进 cloud 点 md 里，这样它就不用每次都从头重新发现一遍。要写得具体。 be specific 这里有个反直觉的点 prompt 写得越短，长远来看反而越费 context。 因为你不讲清楚 cloud 就 只能自己去代码库里到处翻，自己想，这比你多写一两句话，明确说出来吃掉的 context 多得多。 m c p server 默认把所有工具定义都塞进 context， 如果你装了一堆跟当前项目无关的 m c p server， 把它们关掉就值得。也可以是 skill， 它跟 m c p 类似，但不会把全部内容塞进 context， 能省下空间。 子智能体跟主智能体并行跑，但有完全独立的 context window。 所以 那种只要答案，不需要看探索过程的任务，比如认证端点在哪儿，可以丢给子智能体去干，它跑完只把摘药回传给主智能体。 just a summary to your main agent。 在 cloud code， 管好 context 是 关键，用斜杠 compact 总结，长 session 用写纲 clear 从头开始想高效，用 context window 写清楚你要什么，检查当前是什么在占 context。 对， 只要答案的任务用子智能体分担。
01:02查看AI文稿AI文稿各位朋友，二零二六年五月，范蒂刚发布了一份特殊的 ai 文件，发布者是数学家出身的教皇梁十四世，文件叫壮丽人性，不讲神学，只聊技术核心。 这份文件指出了三个关键事实，第一，黑箱风险， ai 能模仿语言和共情，但他不理解内容。文件警告，把致命武器的决策权交给无法理解生命的算法是不可接受的。 第二，数据直民。文件点名批评了数字直民主义，极少数巨头垄断数据资源，利用技术壁垒干预社会，而底层却在付出环境与人权的代价。第三，对其难题， 文件质疑了单纯追求效率的目标函数。如果 ai 的 优化目标是利润最大化，必然会系统性牺牲就业与人类赋值，这种价值对其是失败的。这不仅是道德呼吁，更是从技术论理层面要求将人类控制权写入 ai 的 底层逻辑。
48海晏清的阳光海洋
05:30查看AI文稿AI文稿这节课加餐，我们来学一下 s t d screen view。 有 同学提出让分享一下 c 加加十七里面的 s t d screen view。 咱们先看看问题的背景， 从进阶班讲到现在，大家脑子里绷得最紧的一根弦是什么？应该是减少不必要的开销。但是有一个性能小偷一直潜伏在咱们的代码里，他就是 s t d stream。 大家平时传制服串，是不是习惯性的写个 const s t d stream 引用， 觉得这已经很省了。今天我要告诉你，在某些场景下，即便是 constant stdd 指令引用，也会背着你偷偷剁手买内存。想真正的零开销，需要看看 c g 加十七给我们准备的只看不买大法就是 stdd 指令 v 五， 咱们先来看个场景，你写了一个处理字串的函数 process， 然后你传入一个 const std string 引用。当你传一个 std string 进去的时候，没有问题，它是引用。 但是如果你传一个 c 风格的字串，比如 process hello world， 发生什么了呢？编辑器一看，类型不对啊， 于是他默默地在后台申请一块内存，把 helloworld 拷进去，造出一个临时的 s t d 史军对象给韩树用， 用完再销毁。这就好比你只想去书店看一眼书名，书店老板却非要你先把整本书买下来，读完再退货，这效率能高吗？这个时候， s t d。 史军 v 五闪亮登场， 它的底层结构简单到令人发指，一个指向制腐串开头的指，增加一个代表长度的数字，它不拥有这块内存，它只是一个观察者。当你把 process 参数改成 std string view， 无论你传的是 siri 还是 c 风格制服串，甚至是一个制服数组的一部分。 siri， vivo 都只是啪的一声把指针指过去长度量一下，没有内存申请，没有制服串口味，这就叫只看不买，白嫖万岁。 我们来 call 点演示一下矢菌 view 的 基本使用，先要把矢菌头文件包含进来，接下来我们定义 process 函数，让它接受一个矢菌，引用 s 到函数里面。为了区分它是不是做了内存清蒸和拷贝，我们先打印出 s 的 地址，这里要强转成 u 英的 ptr， 否则打出来就不是地址， 然后再把 s 的 内容打出来，而色彩函数就实现完了。导媒函数，我们首先用 string 来声明一个对象， str， 说是华为 hello world， 然后我们也把 s t r 的 地址打印出来，方便后面去做比较，同样也要做类型转换，再把 s t r 的 内容也打出来，然后再调用我们刚刚实现的 process 函数，把 s t r 对 象传进去 翻译运行。我们看到 s 的 地址和 s t r 的 地址是相同的，说明传词句对象不会去拷贝。 现在把 s t r 的 类型改成 ctrl 幺星，再来翻译运行，发现两个地址就不一样了，说明 s 已经是新申请的内存，产生了区块拷贝时钟引用不行，我们现在改成时钟 will， 然后来翻译运行。哦，这里是用了 c 加加十七的特性，所以要显示的指定 c 加加十七标准，手快了啊。再运行就看到两个地址是一样的了，说明 stream view 它只看不买白嫖。再把 console 叉星换成 stream， 然后编辑运行。别忘了加 s t d 等于 c 加加十七。我们看到地址也是不变的，依然没有拷贝。再试一下，声明一个制符宿主，然后让 process 接受制符宿主的第六个元素的地址已传入一个制符宿主的一部分， 再翻译运行，地址也没有变。有点不同，是因为我们传了第六个制符，所以它们两个的地址相差了六。这个是正确的 指令。 wheel 也不是万能的，它有一个小坑，那就是它指向的制符串不保证以斜杠零结尾。如果你把它传给 c 语言的 printf 或者 str line， 它们会一直往后读，直到读到不可描述的地方，然后崩掉。 下面我们来做一下总结。 std stringview 是 指读的观察者只有指征和长度。它是函数参数的神器，能通吃 string 和掐心，且绝不产生多余的拷贝。切片操作是零开销的，是处理大文本时的首选。 注意寿命的风险，别去观察一个马上要死的对象，还有就是他不保证以零结尾。别混用旧时代的 c 函数。加餐就到这里下课。
180抠钉人生
00:42查看AI文稿AI文稿一分钟掌握今日全球 ai 圈大事。先是 cloud 更新 opus 四点八模型，目前看属于小版本提升，相比四点七在编程、 a 阵、任务等方面跑分略高一些。不 过四点八会更诚实，遇到不确定内容会主动标注，减少硬边的概率。价格上与四点七持平，还有个快速模式，二点五倍速下降价三分之二。界面上多了能调节模型思考强度的开关。更值得看的是这个叫动态工作流的能力， 它可以将那种需要耗时几天的大型任务自动拆解成几百个并行子任务去执行，执行完另派一波 agent 只去验证挑刺，反复迭代优化，结果中途断了还能接着跑。如果你有一次涉及上千个文件的任务，就可以考虑它啦。
22EverAI
00:38查看AI文稿AI文稿trapdoor 攻击同时袭击 n p， m， p， y， p i 和 chris， 点 i o， 涉及三十四个恶意包。攻击者向开源项目注入篡改的 cloud md 和 castle roose 配置文件。这是首次大规模利用 ai 编码助手信任链的攻击。 ai 工具链本身成了新的攻击面， 当你信任 ai， 帮你写代码，攻击者只需要让 ai 读一份恶意指令，就能绕过所有防线，立即审计你的 cloud md 和 dot cursor， 拒绝来自不明 pr 的 配置文件变更。 ai calling 时代的安全意识不是可选项，而是每个开发者的基础素养。
10:1458Agent创世纪
07:45查看AI文稿AI文稿五月二十八日， anthropic 发布了 cloud opus 四点八。如果只看名字，这可能不是一条特别刺激的新闻，它不是 cloud 五，也不是传闻里更强的 missiles。 官方甚至没有把它包装成一次跨时代发布，而是很克制地说，这是相对前代一次温和但可感知的提升。 但我反而觉得，这正是 opus 四点八最值得看的地方，因为它说明大模型竞争正在从一个阶段进入另一个阶段。过去大家最关心的是谁更聪明，谁跑分更高，谁回答更惊艳。但现在， 真正的竞争开始变成，谁更可靠，谁更适合长时间工作，谁能在复杂任务里少犯错？ 谁能在不确定的时候主动告诉你这里有问题？ cloud opus 四点八这次升级，重点不是让 cloud 看起来更会聊天，而是让它更像一个能交付工作的 ai agent。 先把基础信息说清楚， cloud opus 四点八是 antropic 最新的旗舰 opus 模型 api， 名字是 cloud o p u s 四杠八，官方定位是复杂推理、长周期 agent 编程以及高自制度工作 价格没有变，还是每百万输入 token 五美元，每百万输出 token 二十五美元。上下文窗口在 cloud a p i a w s bedrock 和 vx a i 上市，一百万 token 最大同步输出一百二十八 k token。 it hub copilot 也开始支持 opus 四点八，但部分用户会看到逐步灰度上线。这些参数本身不难理解，但它们背后有一个更大的问题， 当 ai 不 再只是回答问题，而是要真正干活。它到底差在哪里？差的不是一句更漂亮的回答，而是三件事，第一，它能不能长期保持任务状态。第二，它能不能在复杂环境里正确使用工具。第三，它能不能发现自己哪里不确定，哪里可能错了。 opus 四点八的升级基本都围绕这三点展开。先看编程能力。官方数据显示， opus 四点八在多项编程和 agent benchmark 上超过前代。 github 的 早期测试也提到， 它在真实代码理解、代码生成、复杂问题处理和大代码库导航上比之前版本更进一步。但这里不要误解， 这不是一个所有榜单横扫的故事。 opus 四点八的意义不是它在每一项测试里都第一，而是它的能力更偏向真实工作流。 也就是说，它不是只会在一道题里写出正确答案，而是更擅长在一个真实项目里看代码、找关系、改文件、调用工具、跑测试，再根据结果继续修。 适合普通聊天模型是两种能力。聊天模型最怕答错， agent 模型最怕半路跑偏。因为真实任务不是一道题，而是一串行动。 中间任何一步判断错，工具用错，上下文丢失，最后都会变成一个看似完成，其实不能用的结果。所以 anthropic 这次特别强调了一个听起来不那么性感，但非常关键的能力 诚实。官方说， opus 四点八更愿意暴露不确定性，更少做没有证据支撑的判断。在他们的评估里， opus 四点八让自己写出的代码缺陷不被指出的溜过去的概率大约降到了前代的四分之一。这句话其实很重要， 因为现在 ai 最危险的情况往往不是他不会，而是他不会还说自己会。他没跑测试，但说测试通过了。他没读完材料，但给出完整结论。他中间工具调用失败了，但最后总结得向一切顺利。 在普通问答里，这叫幻觉，在真实工作里，这叫风险。所以 opus 四点八的诚实度提升，某种程度上比单纯跑分更值得关注。 一个能主动说这里不确定，这个输入有问题，这个结果需要验证的模型才更适合进入代码、金融、法律、企业流程这些高风险场景。 第二个重点是 effort control， 也就是努力程度控制。过去用 ai 很多时候只有一个粗暴选择，要么用快模型，要么用强模型。但真实工作不是这样的。 改一句标题，不需要深度推理，总结一封邮件，不需要拉满算力。但如果你让 ai 重构一个核心模块， 分析一份复杂财报，审查一份法律文件，他就必须花更多时间思考、验证和回看。 opus 四点八默认是 high effort， 用户可以调低 effort， 让它更快更省额度。也可以选择 extra 或 max， 让它在复杂任务上花更多 token 换更好的结果。这背后的趋势很清楚， 未来我们用 ai 不 只是选择哪个模型，还要给不同任务分配不同的思考。预算简单任务快一点，复杂任务深一点，高风险任务多验证几轮，这才是真正接近生产环境的 ai 使用方式。 第三个重点是 dynamic workflows， 这可能是这次发布里最能体现 anthropomorphic 方向感的东西。但 network workflows 是 cloud code 的 新功能，目前是 research preview， 它允许 cloud 先规划一个大任务，然后在同一个绘画里启动很多并行子 agent， 分 别处理不同部分，最后再验证输出并汇总给用户。这意味着什么？ 过去你让 ai 改一个大项目，它通常向一个人坐在电脑前，从一个文件看到另一个文件，边改边猜边跑边修， 任务一大上下文就乱，状态就丢，最后很容易陷入反复调试。 dynamic workflows 更像是让 cloud 临时组织一支小团队，有的 agent 看模块依赖，有的 agent 迁移接口，有的 agent 跑测试，有的 agent 专门找问题，最后再把结果合并验证交付。 官方举了一个很激进的例子， cloud code 配合 opus 四点八，可以处理数十万行代码级别的迁移任务，并以现有测试套件作为验收标准。这其实说明了一件事， ai 编程的竞争已经不止是模型会不会写代码，而是系统能不能组织模型持续完成工程任务。这也是我认为 opus 四点八真正值得讲的原因，它不是一个单点能力升级，而是 anthropic 在 继续强化一套完整的 agent 工作方式。 模型负责推理工具负责行动，上下文负责记忆， effort control 负责分配思考预算， dynamic workflows 负责拆解合并型诚实度和评估机制负责把错误暴露出来，这些东西加在一起，才让 cloud 从一个聊天框逐渐变成一个工作系统。 当然， opus 四点八也没必要神话，它不是 missiles， anthropic 自己也说， missiles 级别模型还在更强安全措施之后才会面向更多用户，它也不是所有场景的最优解。 普通聊天。简单摘要，轻量客服用 opus 四点八可能太贵， dynamic workflows 也不适合小任务，因为并行子 agent 会带来更高 token 消耗。 所以更合理的判断是，如果你只是日常问答， opus 四点八不一定最值得用。但如果你做的是复杂代码、长文档分析、金融研究、法律审查、企业 agent， 或者任何需要长时间、多步骤可验证执行的任务， opus 四点八就非常值得关注。因为它反映的不是一个模型版本号变化，而是 ai 产品的重点正在转移，从回答得聪明转向执行得可靠，从单次输出漂亮转向长期任务稳定。从模型自己说完成了， 转向，系统能验证它真的完成了，这就是 cloud。 opus 四点八的核心价值。它不是最戏剧化的一次发布，但它很像一个信号 未来最强的 ai 不 会只是一个更会聊天的模型，它会是一个能规划、能调用工具、能组织子 agent、 能承认不确定、能接受测试检验的工作系统。而 opus 四点八就是 anthropic 朝这个方向迈出的又一步。
02:54查看AI文稿AI文稿we know that claude code is different from usual chat applications。 我 们都知道 claude code 跟普通聊天应用不一样，但它具体是怎么工作的？一句话讲清楚。 clotcode 本质是一个 aethetic loop， 你 输入 prompt 之后， clotcode 会去收集完成这个 prompt 所需的上下文。做法是跟模型交互，模型返回文字或一次 to call 让 clotcode 执行。 or a tool call that clotcode can execute， 然后他去执行动作，比如改一个文件，跑一条命令，最后他会验证结果，判断这次输出是不是真的达成了。 prompt 一 开始要做的事，达成了， claude 就 停下来等你下一条 prompt 没达成，他会回去重新跑一遍循环，直到结果完整且可验证为止。 在整个循环过程中，你随时可以补充上下文，打断它，或者引导模型往你期望的方向走。 context interrupt it or steer the model to help guide， a torture and goal clod 有 一个 context window， 决定它能存多少东西，能往回翻多少东西。你的对话、文件、内容、命令、输出都在里面。一旦满了， clod code 会触发压缩， 自动判断哪些可以从 context window 移除，哪些可以总结起来，把 context window 压回去。 tools 是 agent 工作的支柱，现在大多数 ai 助手就是输入文字，输出文字，中间没有任何动作。 tools run cloud code 这种智能体能判断什么时候该执行代码来推进任务。 比如读文件工具，搜网页工具。 cloud code， 用羽翼搜索，决定什么时候调哪个工具拿到它的输出。 cloud code 还有权限模式， 默认情况下改文件跑 shell 命令前都得先问你许可按 shift 加 tab 切换模式， auto accept 模式下文件改动不再问，但命令还是会请示 plan mode 用指读工具先编一份行动计划再动手。跳过权限这件事要谨慎对待。如果你给 clod code 完全自由，能随意跑命令的权限，那一旦它犯错，你可能根本来不及在错误真正发生之前察觉并把它拦下来。 clod code 的 工作方式是把几个 egentic 核心概念组合进 terminal egentic loop 被管理的 context window tools 可配置的权限，它能读代码库，动手干活，还能验证自己的输出，这就是它跟聊天窗口的根本不同。
01:38查看AI文稿AI文稿一场史无前例的供应链攻击同时袭击了 n p， m p i 和 chris io 三大包仓库。攻击者利用 cloud code 和 cursor 的 配置文件传播恶意代码，这是首个针对 ai 辅助开发工具链的大规模攻击。 这次攻击被命名为 traktor。 攻击者在三大包仓库同时投放了三十四款恶意包，这些包专门针对 ai 编程助手的配置文件进行渗透。攻击者利用 cloud code 的 cloud md 文件和 cursor 的 cursor rules 文件作为传播载题。 当开发者使用 ai 辅助编程工具时，这些配置文件会被自动提取并执行，从而在不知不觉中窃取 ssh 密钥与敏感数据。 这意味着什么？ ai 编程工具正在成为开发者日常工作的重要组成部分，但如果工具链本身被污染，攻击者可以在全球数百万开发者的机器上执行任意代码。这不是普通的供应链攻击，而是利用 ai 工具信任机制的精准打击。在 三大包仓库，覆盖了 java script 开放和 rust 生态系统，几乎包含了所有主流编程语言。三十四款恶意包虽然数量不多，但攻击面极广，影响范围涉及全球数百万。开发者如何防范？ 第一，审查项目中的 cloud md 和 cursor rules 文件来源，不要信任自动下载的配置文件。第二，定期检查已安装的依赖包是否存在异常行为。 三、使用 c i 安全扫描工具监控供应链安全。随着 ai 编程工具的普及，供应链安全正在进入一个全新的阶段，开发者需要重新审视对工具链的信任边界，关注 ai 安全前沿，获取更多深度解读。
