Learn and share.
近期，大模型的爆发和AI编程工具的发展，实实在在降低了编码门槛，样板代码、接口实现、单元测试这类重复性工作，综合产出效率普遍能达到原来的 1.5~2 倍。但与此同时，另一个体感悖论也越来越突出 ——代码写得更快了，项目上线速度、公司整体交付效率，却完全没有出现同比例的提升，很多团队甚至感觉评审、测试环节反而更堵了。
这不是管理失当，也不是 AI 不够强。早在半个多世纪前，计算机科学家吉恩・阿姆达尔提出的一条经典定律，就精准预言了今天的局面。
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。
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
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。
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。
根据《进程级Agent沙箱的12道安全防线》，对主流操作系统的12个管控维度，推荐了轻量级落地方案，供大家参考。
在AI Agent从“聊天助手”向“自主执行者”演进的今天，我们正面临着前所未有的安全挑战。当Agent开始拥有访问文件系统、调用命令行工具甚至发起网络请求的能力时，一个失控的Prompt就可能让整个服务器沦陷。
为了让Agent既能“放手干活”，又不“惹是生非”，进程级沙箱（Process-level Sandboxing）成为了保障宿主环境安全的最后一道防线。
最近AI Agent技术火热，大家都很感兴趣，不少同学都已开始实践。在落地的过程中，有一对矛盾始终绕不开：
1、必须给Agent赋能和赋权，否则Agent就没有行动力
2、必须管控好Agent，防止Agent一抽风就把电脑炸了
对于问题1，我们有harness、tools、skills、MCP、sub-agent等等
对于问题2，就要用到沙箱技术了
市面上的沙箱技术五花八门，各有千秋。今天咱们就浅聊一下Agent场景下，常见的几类沙箱技术方案。