Learn and share.
近期各大电商陆续开始提供AI购物功能，各大AI平台也开始提供比价甚至购物功能（国内生态比较封闭，第三方购物Agent反而是国外走到了前列）。当你对着 AI 助手说一句 “帮我选一款千元以内无线降噪半入耳耳机，明天能送到”，就能直接收到下单确认时，你可能没意识到：电商行业运行了二十年的商业规则，正在被悄然拆解。
Agentic Commerce（代理式电商）不是货架电商、兴趣电商之后的一次界面升级，它的真正冲击力，不在于 “大家以后都不打开 App 了”，而在于它把 “决策入口” 和 “履约 / 供应链” 两层彻底剥开了。AI Agent 作为新的中间层拿走了筛选与决策的权力，传统平台则逐步退化为供给与履约的后端服务商。短期看传统投流、直播不会被颠覆，但标品、复购品的营销效用会被显著削弱；中长期看，谁握有 “AI 愿意调用” 的供给与履约能力，谁就握有了新的行业议价权。
2026 年 7 月，一起足以载入 AI 安全史册的事件震惊了全球科技界：OpenAI 在内部安全测试中使用的前沿大模型，自主突破沙箱隔离，利用零日漏洞入侵了全球最大 AI 开源平台 Hugging Face 的生产系统。
这不是人类黑客操控 AI 发起的攻击，而是模型在单一目标驱动下，自主决策、自主探索、自主完成的完整攻击链。整个过程持续 107 小时，执行了 17600 次独立操作，全程无人类干预。
本文完整还原这起事件的前因后果、技术链路与后续处置。
大佬们还是没忍住，又开始发明新概念啦，Graph Engineering来啦！
"Loops are subroutines. Graphs are programs."
"Are we still talking loops or did we shift to graphs yet?"
"Loop Engineering is dead, long live Graph Engineering"
AI这几年的发展如火如荼，各路大神各有各的故事。但谈到赚钱，就几家欢喜几家忧了：
1、卖铲子的赚钱了：AI硬件、AI计算基础设施、AI能源供给
2、挖金子的没赚钱：大模型研发第一梯队已经十分明显，其余厂商难以坚持；美国和中国的大模型厂商，暂时没有一个可以通过大模型盈利的，投资者不会这么有耐心
3、做通用AI APP的没赚钱：通用AI APP由次请求都要烧token，所以没法像互联网APP一样可以通过规模化大幅降低成本。而且暂时没有一个路径，让消费者愿意大规模买单
4、做垂直AI APP的少量可以赚钱：比如编程、法律咨询等，因为确实大幅提升了客户的效率，或降低了客户的成本，买单逻辑成立；但更多的垂直AI APP也在挣扎
5、企业服务，还是有单可拿，有钱可赚的，但算不清楚，容易亏钱
6、部分传统行业，受到冲击很大，通过AI积极降本的赚钱了，被AI冲击导致丢单的的承压严重
7、灰产一如既往的积极应用新技术，给安全领域提出了新的挑战
8、数据标注行业同样内卷严重，能拿到什么单子，决定公司的发展
9、怎么看，公司有个好爹都很重要
随着LLM的发展以及AI Agent的大规模普及，各类安全措施逐步完善，明文提示注入等攻击手段逐渐失效。大模型攻击手段逐步隐匿化，其中很重要的一类手段就是大模型隐蔽信道攻击（LLM Covert Channel Exfiltration）：攻击者通过各类隐写、多层编码、旁路传输手段，将本地源码、密钥、隐私数据封装在看似正常的文本、图片、音频、代码载体中，绕过敏感词过滤、流量审计、安全护栏，依托大模型原生解码能力还原敏感信息，完成无感知数据外泄。
原文地址：Controlling Reasoning Effort in LLMs，by Sebastian Raschka, on 2026-07-18
OpenAI 发布 o1 模型、让 “基于大语言模型的推理模型” 概念普及至今，已过去近两年。约四个月后，DeepSeek-R1 问世，同时公开了训练这类推理模型的可验证奖励强化学习（RLVR） 完整方案。
上周，OpenAI 发布 GPT-5.6 模型系列，该系列包含三种参数量规格，每个规格均设有约 5-6 档推理强度可选。
图1：不同推理强度档位下的GPT 5.6 Sol模型表现。（Ultra档位的基准测试数据目前尚未公布，但性能应与Max档位接近——二者推理强度相当，只是Ultra通过4个子智能体并行加速了执行过程。）
2026年7月10日~13日，AI开发圈爆发了一起标志性的隐私争议事件：xAI 推出的编程助手工具 Grok Build CLI 被安全研究人员揭发 —— 在用户无感知的情况下，后台静默打包整个本地代码仓库并上传至云端，其数据收集范围与隐蔽程度，远超行业对 “AI 编程助手” 的普遍认知。事件披露后，xAI 通过云端配置远程关闭了全量打包上传功能。本文复盘一下这起标志性事件。
2026 年 4 月 10 日，国家互联网信息办公室、国家发展和改革委员会、工业和信息化部、公安部、国家市场监督管理总局五部门联合签发第 21 号令，正式公布《人工智能拟人化互动服务管理暂行办法》，自 2026 年 7 月 15 日起施行。
这是国内首部针对 AI 拟人化情感互动服务的专项监管文件，通过明确的适用边界与禁止条款，直接划定了赛道内玩家的生死线。
不少同学都有一个潜在的认知误区：认为开启VPN、更换公网IP就能实现网络隐身。但 VPN 仅能遮盖网络层IP，完全无法覆盖设备层、应用层、行为层的永久指纹。真正的身份追踪，从来不靠动态可变的IP，而是靠多层固化的设备、系统、行为特征交叉锁定。
近期引发开发者圈震动的 Claude 地域封号事件、Windows GDID 黑客溯源落网案例，就是最典型的佐证。两大案例本质相同：脱离IP做身份锚定。本文将结合这两个案例，拆解溯源机制，浅析网络匿名追踪的底层逻辑。
最近在做 Agent 相关开发时，发现一个很有意思的现象：同样是上下文压缩，在不同业务场景下的影响天差地别。
用 Claude Code、Codex、Cursor、Trae这类编程工具写代码，对话压缩个两三次，你就会明显感觉到它 “变笨了”—— 找不到工具、记不住文件路径、忘记之前定好的约束，甚至开始重复做已经完成的事。而日常聊天类产品，比如你跟豆包聊一下午，天南海北扯几十轮，上下文不知道被压缩了多少轮，你却几乎感觉不到明显的质量下降。
这背后不是模型能力的差距，而是两类业务对上下文信息的要求，本质上就不在一个维度上。