Agent 的评测需要工具链：promptfoo 是开源评测框架的代表——用 YAML 定义测试集、断言与评分器，命令行批量跑，接进 CI。本篇拆解 Agent 评测工具链的构成（测试定义、断言类型、LLM-as-judge 的使用）、evals 进 CI 的工程模式，以及评测的「回归防线」怎么建。

AI 没有消灭交付瓶颈，只是把瓶颈从"写代码"搬到了"验证代码"。本文基于 2 篇 arXiv 论文、DORA 2025 报告与 2026 年三份行业基准（LinearB 8.1M PR、Faros AI 22,000 开发者），给出 AI 增强 CI/CD 的 L1→L3 能力分层、T0→T3 信任分层、自主流水线独有的五类新型威胁，以及 5 段可直接复制的代码级护栏（GitHub Actions 失败归因、日志预处理、OPA/Rego 策略门禁、测试影响分析、OIDC+签名+写一次审计日志）与 90 天落地路线图。关键数据：任务吞吐 +33.7% 但评审耗时 +441.5%、生产事故/PR 比值 +242.7%；AI PR 30 天合并率 32.7% vs 人工 84.4%；论文实验中 Lead Time −35%、CFR −38%、MTTR −43%，AI 干预准确率 87.5%、人工否决率 14.3%、零策略违规。

DevSecOps 把安全装进了软件的 CI/CD，MLSecOps 把同样的哲学装进 AI：模型的上线要过安全门、依赖要扫漏洞、提示词的变更要审、评测要进流水线。AI 应用的安全不能靠事后救火，要靠流水线的门禁。

单日涨星 1,552 的官方受管目录：315 条插件条目、262 条远端源逐条钉在不可变 commit SHA，9 个 GitHub 工作流负责策略扫描、MCP 存活探测与夜间 bump。本文拆解三层架构、SHA 钉扎闭环、7,977 字节的 LLM 审查提示词，以及 repo-jacking 事件留下的真实边界。

因代码合并量从日均 2500 次增至超 3 万次，Anthropic 弃用 Git 改用自研的 Scion 版本控制系统，将提交、合并、变基等操作移至服务器端执行，宣称 CPU 与内存消耗仅为 Git 的两百分之一，并需配套定制代码审查、搜索与 CI 工具。

Claude Code 用法实操：CLAUDE.md 记忆文件分层加载规则与模板、子智能体定义与上下文隔离、PreToolUse/PostToolUse 钩子拦截与自动格式化配置，附探索-计划-实现-提交循环、headless CI 集成与成本边界分析。

Agent 的行为是多步、不确定、路径不唯一的，传统「对一次输出」的评测方法失效。本文给出评测分层框架、评测集构建方法、三种判分方式与 LLM-as-judge 的偏差缓解，最后把评测接进 CI。

15.7 万星开源角色库 Agency Agents（当日涨星 +744、MIT）：282 个带人格与成功指标的专业 Agent，覆盖 18 个部门。核心是「一源多目标」编译流水线——用 format 契约保证字节级一致、convert.sh 编译到 17 种宿主原生格式、install.sh 幂等投递且不覆盖用户文件、6 个 CI 工作流做格式门禁。拆解围栏状态机与颜色可解析性校验背后的真实缺陷史，附五个落地场景与 opencode 119 上限等硬边界。

「感觉变好了」不算数。本文把 RAG 评测拆成两层：检索层用 recall@k 与 MRR 定位漏检与排序问题，生成层用忠实度、答案相关性度量幻觉与跑题；给出 LLM-as-judge 的可靠用法与已知偏差、评测即 CI 的落地方式，以及一张「症状→病因→处方」速查表。

NVIDIA 在 GTC Berlin 开源的语义层：从元数据生成本体（术语+SQL属性+关系），人认证后经 MCP/CLI/REST 供智能体查询。本文拆解三段式编译流水线、LangGraph 查询图、七个重建上限与「宁可不答」的可解性判定，并给出四类可复现场景。

容器里写一个文件到底发生了什么：overlayfs 的层结构与 copy-up 代价、devicemapper 的块级快照、以及数据库/日志/构建场景的存储选型结论。

AI 安全的工具生态正在开源社区快速成形：NVIDIA 的 Garak、微软的 PyRIT、Anthropic 的评测框架——红队工程师的瑞士军刀已经组装完毕。盘点主流工具的能力边界，以及「工具好找、用得好的很少」的现状。

一个信贷知识库、五段可运行代码：本文用 rdflib、owlrl、pySHACL 与 HermiT（经 owlready2 调用）实测演示本体的三大能力——机器自动归类、业务规则校验、能力问题查询，并讲清 OWL 2 RL 物化与 DL 推理器的分界。全部代码本地跑通（Python 3.13，2026-11-05）。

内核模块是 Linux 安全的最后一道防线——上一节正文完整阐述了模块签名、加载控制、LSM 框架与容器的影响。

传统断言测试在非确定性的智能体上失灵，本文给出智能体版测试金字塔——确定性单元测试、组件级评测、端到端轨迹验证三层体系，以及评测集建设、Judge 校准与回归门禁的工程实践。

绑 80 端口要 root、ping 要 setuid——特权就该这样粗粒度吗？本篇讲透 capabilities 把 UID 0 拆成 38 项特权的设计、permitted/effective/inheritable/bounding/ambient 五个集合的运算规则、文件能力与 ping 的进化史、容器 --cap-drop 的经济学，以及 setcap 后动态库失效等三个高频坑。

提示注入入门篇讲清了「为什么外部文本不可信」，这篇讲「防御怎么落地」——RAG 与 Agent 场景的四道防线：入口净化、上下文隔离、权限收窄、输出校验。没有单点银弹，只有纵深组合。

超时是稳定性工程中最容易被忽视的配置——连接超时、读超时、写超时、事务超时、网关超时……每一层都有自己的超时，它们的组合关系构成一个「金字塔」。超时配错的表现：莫名重试、连接堆积、级联故障。这篇把超时体系一次讲透。

正则表达式是最被「会用但不懂」的语言：能写出能跑的模式，却不知道它为什么回溯、为什么卡死、为什么某个字符集漏了。本篇拆解正则的引擎原理（回溯机制）、贪婪与懒惰的语义、常见坑（字符集、转义、ReDoS），以及「什么时候不该用正则」。

Agentic RAG 把检索从「固定管线」升级为「智能体的决策」：要不要检索、检索什么、从哪检索、结果够不够好——每一步都由 Agent 判断。本篇拆解它的核心模式（检索路由、查询规划、自我修正循环）、与传统 RAG 的分工边界、以及 Agentic RAG 的成本与延迟代价。

OpenHands（原 OpenDevin）是开源自主编码智能体的旗舰：沙箱化的执行环境、事件流架构、浏览器与终端的全能力。本篇拆解它的架构（事件流、运行时沙箱、代理抽象）、与 SWE-bench 的渊源、社区驱动的基准成绩，以及「自主智能体开源化」的意义与边界。

让多个编码智能体同时干活，第一个拦路虎是「它们会互相踩文件」——git worktree 提供了干净的解法：同一仓库的多个工作目录，各自独立、共享历史。本篇拆解 worktree 的机制与多智能体并行的完整工作流、任务分片的边界设计、以及合并阶段的冲突治理。

Aider 是编码智能体里的极简派：终端运行、git 原生（每个 AI 编辑自动提交）、仓库地图（repo map）用树算法控上下文。本篇拆解它的 repo map 机制（PageRank 式的关键文件选择）、自动提交的工程价值、编辑格式的演化，以及「极简工具在重产品时代如何立足」。

AI 大量生成代码之后，版本管理的每个环节都要重新校准：提交粒度（AI 一次改 20 个文件怎么提交）、评审策略（看不过来的 diff 怎么审）、回滚设计（一键回退到「AI 动手前」）。本篇拆解 AI 时代的 git 工作流改造——分支策略、提交规范、评审分流与回滚的护栏设计。

Agent 开发的两大语言生态各有地盘：Python 统治研究与数据侧，TypeScript 统治 Web 与产品侧。本篇拆解两个生态的框架、SDK 与运行时差异，按场景给出选型框架，并论证「团队栈比语言优劣更重要」的现实主义结论。

RAG 的回答质量，一半取决于检索，一半取决于提示词。检索到的上下文再好，提示词写得不对，模型照样答非所问。本篇拆解 RAG 提示词的三层结构（system prompt、上下文模板、生成指令），以及「让模型只基于检索内容回答」的约束设计。

一个推理服务的容器镜像 = 基础镜像 + CUDA 运行时 + 推理引擎 + 模型权重 + 业务代码——AI 镜像动辄 20–100GB。本篇拆解大模型镜像的构建分层、缓存的利用、分发的加速，以及「镜像即部署单元」的版本管理。

Cursor 是 AI IDE 的标杆：Fork VS Code 换掉智能层，用代码库索引、Tab 补全、Agent 模式与 Rules 重塑编程体验。本篇拆解它的架构组件（索引、Composer/Agent、终端集成）、Rules 体系的工程化、模型与隐私策略，以及它与「编辑器插件派」「终端派」的竞争坐标。

Anthropic 把 Claude Code 的内核开放为 Claude Agent SDK：一个以「Claude Code 的能力」为基座的通用 Agent 框架。本篇拆解它的设计（Agent 循环与工具集的内建、子智能体、Hooks 与权限体系）、它证明的「内核复用」路线、以及与 OpenAI Agents SDK/LangGraph 的定位差异。

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

从模型市场下载一个开源权重文件，可能携带的不只是参数：pickle 反序列化的任意代码执行、被「重新发布」的假冒模型、藏了后门的微调权重。模型供应链安全正在成为软件供应链安全之后的新战场。本文讲清攻击面、已公开的真实案例与工程上的防御清单。

Vercel Labs 十月底新收录的 Rust 工具，让 AI 智能体通过操作系统无障碍树「读屏」并操作桌面应用：快照发引用、点击带交付语义、失败重试有依据。本文拆解其架构、JSON 契约五版演进与四类落地场景。

编译器与 CPU 都会重排内存操作，MESI 缓存一致性并不等于内存顺序——这就是无锁代码「单线程对、多线程偶坏」的根源。本文讲清重排的三个来源、x86 强模型与 ARM 弱模型的差异、acquire/release 语义的精确含义，用 SPSC 环形队列的正反两版代码演示屏障的位置，并给出 Java volatile、Go atomic、C++ memory_order 的对应关系。

编码智能体是 AI 应用里商业化最成功的品类，而它的产品格局正沿着「在哪里干活」裂成三条战线：终端派把智能体放进 shell，IDE 派守着编辑器，云端派把工作搬进沙箱。本篇观察三条路线的产品逻辑、用户画像与生态位差异，以及「谁吃谁」的竞争关系为什么可能是个假问题。

断电后文件系统为什么不坏？答案是日志（journaling）。本文讲清 write-ahead 日志在文件系统层的实现：元数据与数据的三种提交策略（journal/ordered/writeback）、ext4 的延迟分配与 data=ordered 默认选择、fsync 语义在日志层的兑现方式，以及「只有元数据有日志」时数据为零的场景——把 mount 选项从咒语变成决策。

当日涨星 803、总星 4.7 万的纯 C MoE 推理引擎：拆解其 VRAM/内存/NVMe 三层专家放置、五步流水线、71.6% 路由前瞻与「只损失速度不改变语义」的取舍，并给出四类可复现场景与横向对比。

iptables 规则到底在哪里生效？答案是 netfilter 的五个钩子点（PREROUTING/INPUT/FORWARD/OUTPUT/POSTROUTING）与四张表（filter/nat/mangle/raw）的正交矩阵。本文讲清包流经协议栈时钩子的触发顺序、conntrack 连接跟踪的状态机、NAT 的实现与「第一条包建表、后续包查表」的快路径，以及 nftables 取代 iptables 的架构动因——把防火墙从「背命令」升级为「懂机制」。

write 成功不代表数据在磁盘上——它只进了 Page Cache，真正落盘由内核 writeback 机制异步完成。本文讲清脏页的产生、per-BDI 回写线程的触发条件（水位/时间/sync）、vm.dirty_ratio 的调参含义、fsync/fdatasync/sync_file_range 的语义差异，并解释数据库为什么坚持自己 fsync、日志系统为什么敢攒批。

应用层的权限校验管不住 RAG——检索是直接对索引执行的，「谁能看到哪些文档」必须做进检索层。本文讲清多租户 RAG 的权限方案谱系：post-filter 的配额陷阱、引擎级 pre-filter、按租户分区，ACL 同步的时效问题，以及「默认拒绝」的架构原则。

「换了 reranker 感觉好了一些」「调大 chunk 之后好像更准了」——没有评测集，一切调优都是感觉。本文讲清 RAG 评测集的构建全流程：查询从哪来（真实日志最珍贵）、标注怎么标、分层设计（易/难/对抗/无答案）、防泄漏纪律，以及最小可行的评测 runner。

一份可直接用于团队分享的 Agent 沙箱全景：从进程级到 microVM 的五级隔离谱系、「请求→供给→执行→回收」主流程、六大能力组清单，以及从单沙箱限额到高密度超卖的四层资源并发控制，综合本站知识库 13 篇沙箱主题文章写成。

Cyble 资助的开源 AI SOC：OCSF 规范化、2530 条实测可执行检测规则、Ollama 本地模型分诊告警，提示词与工具调用全部落账本，响应默认必经人工审批。

2026 年 10 月，开源编码智能体 OpenCode 的控制台被入侵，1.4% 关联用户的 Anthropic、OpenAI、Google API 密钥可能外泄。本文从这起事件出发，把编码智能体的凭据失守路径拆成三条——指令文件劫持、运行时反馈注入、存储与供应链薄弱——每条都配真实事件与实验数据，再给出从短时效凭据到出口管控的四层防御工事，以及一份今天就能动手的工程清单。

当程序员还在群聊里讨论 Bug 怎么修时，AI 可能已经默默完成了问题复现，甚至把修复代码提交到了 GitHub。 就在刚刚，DeepSeek Harness 团队发表技术文章《Super-agent 设计探索：迈向更自主的 Agent 系…

日涨星 1145 的智能体记忆系统：生命周期钩子捕获工具调用，AI 压缩成结构化观察，SQLite 与 ChromaDB 双库存储，三层渐进式检索宣称节省约 10 倍 token；本周六连发版本，也因安装器上传历史提示词陷入隐私争议。

Answer-level rewards cannot distinguish reasoning traces with equally correct outcomes. We study whether auxiliary traje…

当日涨星 705 的本地优先多智能体工作区：拆解它的 Bun workspace 三层进程架构、SQLite 单一事实源、通道路由「确定性优先模型兜底」、例程与工作流三层自动化、cua-driver 单守护进程托管，并给出五类可复现场景与横向对比。

五款闭源「个人 Agent 舰队」产品七周内扎堆发布之后，开源阵营的对应物 OpenMausBot 单日涨星 1190。本文拆解它的双进程架构、驱动 SPI、审批分级与 Jev 决策模型，并给出四个可复现场景与同类横向对比。

290,802 星的 agent harness 操作系统 2.2.3 线新增面拆解：GateGuard 在首次编辑前拒绝并要求交出具体事实（官方 A/B +2.25 分、代价约 45% 轮次），四档 harness 保真度矩阵自陈「不支持」，Memory Vault 三作用域只创建、unreviewed、拒密钥、不跟符号链接。并如实并排展示它自己公布的 72 场试点「只测到成本、没测到效果」。

功能排期靠拍脑袋、上线效果没人验证，是大多数平台研发的常态。本文给 Proteus AI 平台设计一条「研发 Loop」：定时爬取 GitHub 上同类平台的功能形成 PR，部署灰度环境跑真实流量，7-14 天后用 z 检验判定平台指标是否变好，变好再经 Astra 模型 review 决定合入，变差自动回滚。附六阶段流水线、数据模型、熔断治理与落地里程碑，配六张手绘架构图。